Machine Learning на страже фрода в Uber

Риск-менеджер Uber Eats (доставка еды из ресторанов) рассказала, с какими типа фрода они сталкиваются в отличие от Uber драйв, почему он гораздо дороже и как Big Data помогает предотвращать эти ситуации.

В доставке еды задействовано много агентов: это рестораны, водители, клиенты. На каждом этапе значительно больше рисков. Кроме этого, качество еды - субъективный показатель и люди могут быть недовольны температурой доставки, уровнем остроты и т.д.

Веб-версия Uber Eats генерирует еще множество рисков в довесок. Легче атаковать сайт, невозможно отследить локацию клиента. Приложение проще для фрод-предотвращения.

Отдельная категория - это промо-коды и различные акции. Через парсер упоминаний в социальных сетях и на форумах компания контролирует распространение промо-кодов и банит их в случае утечки.

Мошенники становятся все более изощренными и в дара-нете можно лего купить сотни фотографий кредитных карт. Если система распознает новый способ оплаты - просит двухэтапную аутенфикацию, например еще сфоткать ID. Это отсекает фрод. Важно, что скорость принятия решений должна быть не просто real-time, она измеряется миллисекундами, потому что пользователь не будет ждать реакции интерфейса дольше стандартной для приложений.

В завершении выступления спикер показала график обратной зависимости роста пользователей Uber и процента не предотвращенного фрода. За счет способности модели обучаться на основе больших данных практически в 98% случаев можно предотвратить мошенничество. Тот случай, когда рост продукта минимизирует риски.