Wykrywanie fraudów dla programu cashback
Branża
Technologie
Kraj
O Kliencie
ZipZero to brytyjska platforma cashback, z której codziennie korzystało setki tysięcy osób. Użytkownicy skanują paragony zakupowe, a zebrane pieniądze przeznaczają na rachunki domowe. Od lat jesteśmy partnerem inżynieryjnym ZipZero, odpowiedzialnym za architekturę platformy, aplikację mobilną i OCR paragonów. Wraz ze wzrostem platformy rosły też nadużycia. Paragony przychodziły z ręcznie dopisanymi kwotami, ten sam paragon był wysyłany z kilku kont, a niektórzy użytkownicy robili pozornie zakupy w dwóch odległych miastach w ciągu tej samej godziny. Pojedynczo były to drobne kwoty; w skali platformy składały się na istotny ubytek w budżecie firmy. Zbudowaliśmy narzędzie AI, które oceniało każdy przychodzący paragon przed wypłatą cashbacku, a podejrzane przypadki kierowało do weryfikacji przez człowieka.
Potrzeby Klienta
Nadużycia w skali platformy cashback
Ocena ML przed każdą wypłatą
Ochrona budżetu firmy
Weryfikacja niejasnych przypadków przez człowieka
Ręczne kontrole wyrywkowe nie nadążały za wolumenem, a proste reguły zawodziły w obie strony. Zbyt ostre karały uczciwych użytkowników, zbyt łagodne przepuszczały nadużycia. ZipZero potrzebowało oceny ryzyka wbudowanej w sam proces obsługi paragonów. Każde zgłoszenie miało być sprawdzone przed wypłatą, podejrzane przypadki trafiać do człowieka zamiast do automatycznego odrzucenia, a całość działać na tyle szybko, żeby nie opóźniać wypłat uczciwym użytkownikom.
Dostarczone Usługi
Przerobione kwoty: Cyfra dopisana ręcznie za wydrukowaną sumą przechodzi przez zwykły OCR niezauważona. System porównuje odczytane sumy z pozycjami paragonu i oznacza kwoty, które się nie zgadzają.
Anomalie miejsca i czasu: Zakupy z jednego konta w dwóch odległych lokalizacjach w tej samej godzinie. Wzorce miejsc i czasu w historii konta ujawniają paragony, które nie mogą należeć do jednej osoby.
Duplikaty paragonów: Ten sam paragon wysłany ponownie: przycięty, sfotografowany od nowa albo z innego konta. Wykrywanie duplikatów działa w całej bazie użytkowników, nie tylko w obrębie jednego konta.
Ocena zachowań: Serie zgłoszeń i częstotliwość niezgodna z normalnymi zakupami, wykrywane na podstawie historii każdego konta.
Łączenie sygnałów: Sygnały ze zdjęcia paragonu, z odczytanych danych i z zachowania użytkownika są oceniane niezależnie i łączone, więc nowa metoda oszustwa musi ominąć wszystkie naraz.
Weryfikacja przez człowieka: Podejrzane paragony trafiają do kolejki przeglądu zamiast automatycznego odrzucenia, co chroni uczciwych użytkowników przed fałszywymi alarmami. Decyzje weryfikatorów wracają do treningu modeli.
Zakres Prac
Zaprojektowaliśmy i zbudowaliśmy wykrywanie nadużyć wewnątrz platformy, którą prowadzimy dla ZipZero.
Analiza potwierdzonych przypadków nadużyć z zespołem ZipZero, aby zmapować faktycznie stosowane metody: przerobione sumy, duplikaty paragonów, powiązane konta i anomalie lokalizacji.
Zdefiniowanie sygnałów nadużyć w trzech obszarach. Część widać na samym zdjęciu paragonu, część w odczytanych danych, a część dopiero w historii zachowań konta.
Budowa modeli oceny i ich walidacja w trybie obserwacji względem decyzji ludzi, zanim wpłynęły na jakąkolwiek wypłatę.
Integracja oceny ze ścieżką wypłat, tak aby każdy paragon był sprawdzony przed uwolnieniem cashbacku, bez opóźnień dla uczciwych użytkowników.
Budowa przepływu weryfikacji oznaczonych paragonów, z decyzjami weryfikatorów wracającymi do treningu modeli.
Monitorowanie zmian wzorców nadużyć w czasie i rozszerzanie sygnałów wykrywania, gdy pojawiają się nowe metody.
Technologie
Współpraca
System wykrywania nadużyć wyrósł z naszej wieloletniej współpracy z ZipZero. Znaliśmy platformę i dane paragonowe od podszewki, więc wiedzieliśmy, gdzie dane są wiarygodne, a gdzie nadużycia mogą się ukryć. Zaczęliśmy tak, jak prowadzimy każdą automatyzację procesu: od pilotażu na wąskim wycinku. Modele oceniały paragony w trybie obserwacji, niczego nie blokując, a ich werdykty porównywaliśmy z decyzjami ludzi, aż wyniki pozwoliły włączyć ocenę na ścieżkę wypłat. Potem rozbudowywaliśmy narzędzie, żeby obsługiwało coraz więcej przypadków: od przerobionych kwot, przez duplikaty między kontami, po nierealne wzorce zakupów. Celem była zmiana opłacalności oszustwa, a nie natychmiastowe złapanie każdego przypadku. Gdy przerobione paragony przestają się wypłacać, większość prób po prostu ustaje. Kolejka przeglądu zostawia ludziom przypadki niejednoznaczne, a ich decyzje stale poprawiają modele.
Sprawdź naszą pracę na ClutchCo mówią o nas klienci
The expertise of the leaders, coupled with the diverse skill sets of their teams, truly sets them apart. Their vast experience across a myriad of projects ensures that they can adeptly handle virtually any project you envision. Furthermore, their deep involvement in the process is palpable; it's as if they seamlessly integrate and become an intrinsic part of your in-house development team.
