Vorteile

Amazon Fraud Detector bietet die folgenden Vorteile. Diese Vorteile ermöglichen es Ihnen, Betrug schnell zu erkennen, ohne die Zeit und Ressourcen investieren zu müssen, die traditionell erforderlich sind, um ein Betrugsmanagementsystem aufzubauen und zu unterhalten.

Automatisierte Erstellung von Betrugsmodellen

Die Betrugserkennungsmodelle von Amazon Fraud Detector sind vollständig automatisierte Machine-Learning-Modelle, die auf Ihre spezifischen Geschäftsanforderungen zugeschnitten sind. Sie können Amazon Fraud Detector-Modelle verwenden, um potenzielle Betrugsfälle bei Online-Transaktionen zu identifizieren, z. B. bei der Erstellung neuer Konten, Online-Zahlungen und beim Checkout für Gäste.

Da Betrugsmodelle durch einen automatisierten Prozess erstellt werden, können Sie viele der Schritte im Zusammenhang mit der Erstellung und dem Training eines Modells weglassen. Zu diesen Schritten gehören Datenvalidierung und -anreicherung, Feature-Engineering, Algorithmusauswahl, Hyperparameteroptimierung und Modellbereitstellung.

Um ein Betrugserkennungsmodell mit Amazon Fraud Detector zu erstellen, laden Sie nur den historischen Betrugsdatensatz Ihres Unternehmens hoch und wählen den Modelltyp aus. Dann findet Amazon Fraud Detector automatisch den für Ihren Anwendungsfall am besten geeigneten Algorithmus zur Betrugserkennung und erstellt das Modell. Sie müssen weder die Codierung kennen noch über Machine Learning verfügen, um Modelle zur Betrugserkennung zu erstellen.

Betrügermodelle, die sich weiterentwickeln und lernen

Modelle zur Betrugserkennung müssen sich ständig weiterentwickeln, um mit der sich ändernden Betrugssituation Schritt zu halten. Amazon Fraud Detector tut dies automatisch, indem es Informationen wie das Alter des Kontos, die Zeit seit der letzten Aktivität und die Anzahl der Aktivitäten berechnet. Das Ergebnis ist, dass Ihr Modell den Unterschied zwischen vertrauenswürdigen Kunden lernt, die häufig Transaktionen durchführen, und den kontinuierlichen Versuchen, die für Betrüger typisch sind. Dies trägt dazu bei, die Leistung Ihres Modells zwischen den Neutrainingssitzungen länger aufrechtzuerhalten.

Leistungsvisualisierung für Betrügermodelle

Nachdem Ihr Modell anhand der von Ihnen bereitgestellten Daten trainiert wurde, überprüft Amazon Fraud Detector die Leistung Ihres Modells. Es bietet auch visuelle Tools, mit denen Sie die Leistung bewerten können. Für jedes Modell, das Sie trainieren, können Sie den Modellleistungswert, das Ergebnisverteilungsdiagramm, die Konfusionsmatrix, die Schwellenwerttabelle und alle von Ihnen bereitgestellten Eingaben nach ihren Auswirkungen auf die Modellleistung geordnet sehen. Mit diesen Leistungstools können Sie erfahren, wie Ihr Modell abschneidet und welche Eingaben die Leistung Ihres Modells beeinflussen. Bei Bedarf können Sie Ihr Modell anpassen, um seine Gesamtleistung zu verbessern.

Betrugsvorhersage

Amazon Fraud Detector generiert Betrugsvorhersagen für die Geschäftsaktivitäten Ihrer Organisation. Betrugsvorhersage ist eine Bewertung einer Geschäftsaktivität auf Betrugsrisiko. Amazon Fraud Detector generiert Vorhersagen mithilfe der Vorhersagelogik mit den Daten, die der Aktivität zugeordnet sind. Sie haben diese Daten bei der Erstellung Ihres Betrugserkennungsmodells angegeben. Sie können Betrugsprognosen für eine einzelne Aktivität in Echtzeit abrufen oder Betrugsprognosen für eine Reihe von Aktivitäten offline abrufen.

Erläuterung der Betrugsvorhersage

Amazon Fraud Detector generiert im Rahmen des Betrugsvorhersageprozesses Vorhersageerklärungen. Vorhersageerklärungen geben Aufschluss darüber, wie sich jedes Datenelement, das zum Trainieren Ihres Modells verwendet wurde, auf den Betrugsvorhersagewert Ihres Modells ausgewirkt hat. Vorhersageerklärungen werden mithilfe von visuellen Tools wie Tabellen und Diagrammen bereitgestellt. Sie können diese Tools verwenden, um visuell zu identifizieren, wie stark jedes Datenelement auf die Vorhersagewerte wirkt. Anschließend können Sie diese Informationen verwenden, um die Betrugsmuster in Ihrem Datensatz zu analysieren und gegebenenfalls Verzerrungen zu erkennen. Zuletzt können Sie die Prognoseerklärungen auch verwenden, um die wichtigsten Risikoindikatoren während eines manuellen Betrugsermittlungsprozesses zu identifizieren. Auf diese Weise können Sie die Ursachen eingrenzen, die zu falsch positiven Vorhersagen führen.

Regelbasierte Aktionen

Nachdem Ihr Betrugserkennungsmodell trainiert wurde, können Sie Regeln hinzufügen, um Maßnahmen für die ausgewerteten Daten zu ergreifen, z. B. die Daten zu akzeptieren, Daten zur Überprüfung zu senden oder weitere Daten zu sammeln. Eine Regel ist eine Bedingung, die Amazon Fraud Detector mitteilt, wie Daten während der Betrugsvorhersage zu interpretieren sind. Sie können beispielsweise eine Regel erstellen, die verdächtige Kundenkonten kennzeichnet, die überprüft werden sollen. Sie können diese Regel so festlegen, dass sie initiiert wird, wenn sowohl der erkannte Modellwert größer als Ihr vordefinierter Schwellenwert ist als auch der Autorisierungscode der Kontozahlung (AUTH_CODE) ungültig ist.