Machine Learning e Cientistas de Dados ajudam uma empresa de eCommerce de produtos de luxo
by Byron King, Business Data Scientist
As lojas físicas têm feito o possível e impossível para proteger suas mercadorias contra roubo. Mesmo com uma gama de ferramentas de prevenção a roubo à disposição, algumas vezes elas ainda falham. Há uma cena famosa no filme Uma Linda Mulher em que a personagem Vivian Ward vai fazer compras em uma loja na sofisticada Rodeo Drive, em Beverly Hills, e é ignorada pelos funcionários por não se parecer com uma cliente típica. É uma bela cena de um filme hollywoodiano, mas o fato é que muitas pessoas que conheço pessoalmente passaram pela mesma situação, mesmo algumas delas sendo umas das pessoas mais ricas do mundo, e foram ignoradas em lojas físicas simplesmente porque não aparentavam ter “aquele status”.
Agora imagine que você é o dono de uma plataforma de comércio eletrônico de moda/joalheria sofisticada e alguém lhe diz que você perdeu uma cliente fiel que queria comprar uma bolsa de US$ 30.000, mas ela foi rejeitada por causa de algum sistema antigo que gerou um falso positivo com base em uma análise simplista. Isso não daria um aperto no coração?
A boa notícia é que atualmente existe uma gama cada vez maior de ferramentas disponíveis para garantir que a ocorrência desse tipo de situação seja minimizada.
Nossa empresa trabalhou recentemente com uma empresa que vivenciou essa dor de desencorajar clientes reais com revisões manuais cada vez maiores das transações. Compartilhamos da dor deles e fizemos o nosso melhor para oferecer a eles as melhores ferramentas disponíveis para aumentar as taxas de conversão, diminuir a taxa de chargeback (contestação da transação) e a quantidade de tráfego analisado manualmente.
Resumindo, o que a gigante de moda no comércio eletrônico vivenciou é muito mais intenso e globalizado do que em outros setores, mas, na realidade, é o mesmo tipo de problema que muitas outras empresas enfrentam:
- crescimento contínuo de revisão manual de tráfego, que foi gerado por fornecedores de soluções antifraude antigas;
- altas taxas de chargeback — a empresa estabeleceu um KPI audacioso para mantê-las abaixo de 0,5% para todas as suas marcas;
- fraca detecção de risco de chargeback, que se traduziu em crescentes perdas financeiras.
Ainda assim, uma empresa precisa proteger suas transações de alguma forma, certo? Queremos que as coisas se tornem simples: você é ou não um fraudador? Qual a probabilidade de você cometer uma fraude amigável? Um processo complexo de olhar para 5000 atributos torna as coisas simples, em vez de uma abordagem simplista que faz da transação algo complexo. Removemos processos de sinais de alerta simplistas e inúteis, tais como, você está fazendo login de um país onde há muitas transações fraudulentas? Se sim, então você deve ser um fraudador! Basta de revisão manual! Isso é o mesmo que rotular Vivian Ward pela forma de se vestir.
Modelos de Machine Learning dependem da qualidade de dados que os alimentam
Criamos tecnologia que fica alocada no ambiente do cliente, reúne uma infinidade de pontos de dados e os transfere para modelos de Machine Learning que fornecem recomendações acionáveis. Analisamos mais de 5.000 pontos de dados, a maioria deles não declarativos, métodos de extração de dados proprietários em relação ao hardware, software, rede, contextos comportamentais do usuário, tanto web como mobile nativo; técnicas de marcação de dispositivo proprietário com base na configuração 42 e armazenamento 8. É uma análise de entendimento de comportamento bruta única, necessária para uma análise hiper personalizada em contextos tanto web como mobile nativo. Isso nos coloca muito à frente de nossos concorrentes (fique à vontade para perguntar por aí).
Aprenda com erros passados
O lado bom de começar um projeto onde existe um histórico de erros é a possibilidade de aprender com eles, especialmente se você possui um registro dos erros dos sistemas anteriores! Assim, a Nethone fez uma abordagem iterativa para a construção de modelo. Novos modelos são construídos visando as previsões incorretas de construções de modelos anteriores.
Para identificar chargebacks, a equipe de Ciências de Dados (DS) da Nethone implementou dois modelos supervisionados de Machine Learning. O objetivo do primeiro era detectar chargebacks diretamente, ao passo que do segundo era replicar os resultados do processo de decisão de provedores antifraude anteriores. Então, a equipe de DS treinou e testou vários modelos de Machine Learning utilizando diversas técnicas estatísticas. Chegamos aos modelos com melhores níveis de desempenho e os colocamos em funcionamento.
Toques Finais
O comércio eletrônico de produtos de luxo, como todas as plataformas de bens de consumo on-line, vivencia um grande pico nas compras durante as épocas festivas. A equipe escalonou seus recursos de processamento de dados para garantir que as previsões de ambos os modelos não sofressem nenhum tempo de inatividade durante temporadas de vendas importantes, tais como Black Friday ou as festas de fim de ano.
Por fim, a Nethone já trabalhou com sucesso nas chamadas “geografias de risco” e nelas aprendemos os atributos de clientes reais versus fraudadores e fraudadores amigáveis. Transmitimos esse conhecimento para o modelo de Machine Learning customizado do nosso cliente. O cliente continua a se beneficiar das lições aprendidas com as nossas experiências de outros clientes.
De maneira resumida, aprendemos com o passado, testamos vários modelos de ML paralelamente, escalonamos para grandes eventos, otimizamos, abrimos ao cliente novos mercados que eram considerados arriscados e otimizamos ainda mais. Conseguimos reduzir a taxa de revisão manual da plataforma em aproximadamente 60%. Ao mesmo tempo, a porcentagem de tráfego aceito aumentou em comparação com as taxas de outros fornecedores de soluções antifraude. A taxa global de chargeback caiu mais de 12%. Para uma das marcas mais valiosas da plataforma de comércio eletrônico de moda, a taxa de chargeback teve uma queda de até 89%. Os KPIs internos da empresa foram cumpridos — a taxa global de chargeback manteve-se abaixo de 0,5% para todas as suas marcas. E tudo isso ocorreu durante o período de quatro meses de integração plena.
A equipe de gerenciamento de fraudes da empresa também se sentiu aliviada, já que eles estavam sobrecarregados com a crescente revisão manual das transações!
A Nethone é uma empresa Conheça o Seu Usuário (Know Your Users — KYU) que possibilita que os comerciantes de comércio eletrônico entendam holisticamente seus usuários finais e impeçam que eles cometam fraudes eletrônicas. Ao utilizar tecnologia Machine Learning de ponta, a Nethone consegue detectar e prevenir fraude sem apresentação de cartão, incluindo proteção contra roubo de conta (ATO). Fundada em 2016 por cientistas de dados, especialistas de segurança e executivos de negócios, a Nethone é uma das empresas de tecnologia que mais cresce em CE, cooperando com sucesso com os setores de e-commerce, digital goods, turismo e financeiro em escala global.
Follow us on LinkedIn
How much do you know about the Darknet? Take the quiz.
