識別詐騙性線上活動

預防線上詐騙,同時確保無障礙客戶線上體驗

在全球範圍內,線上詐騙每年造成數百億美元的損失。傳統上,公司使用以規則為基礎的詐騙偵測應用程式不夠準確,無法跟上詐騙者不斷變化的行為。藉助 AWS 詐騙偵測機器學習解決方案,公司可以主動且更準確地偵測和預防線上詐騙。這些解決方案將有助於減少營收損失,避免品牌損害,並在適應不斷變化的威脅模式的同時,提供無障礙客戶線上體驗。

優勢

提供更出色的個人化體驗

根據您自己的條件進行詐騙偵測

沒有機器學習專家的公司可以使用 Amazon Fraud Detector,幾分鐘內即可將以 ML 為基礎的詐騙偵測功能新增至其商業應用程式中,而擁有專門的資料科學家團隊的公司則可使用 Amazon SageMaker,在幾天內開發出高度專業化的詐騙偵測解決方案。

提高客戶參與度

在 Amazon 的詐騙偵測專業知識基礎上建置

Amazon 的詐騙偵測 ML 解決方案充分利用 Amazon 20 年間在 AWS、Amazon.com 和子公司預防詐騙和濫用方面的經驗,運用詐騙模式知識豐富其產生的模型。

個人化每個接觸點

即時預防和偵測線上詐騙

Amazon 的詐騙偵測 ML 解決方案即時對事件風險進行評分,讓客戶能夠立即運用旨在封鎖或拒絕詐騙者的遏製或補救措施,並快速追蹤低風險活動,為合法客戶提供更出色的客戶體驗。

個人化每個接觸點

賦予防詐騙團隊更多的控制權

透過自動處理訓練、調整和部署詐騙偵測模型所需的複雜任務,Amazon 的詐騙偵測 ML 解決方案讓不是機器學習專家但熟悉詐騙問題的使用者能夠參與開發和更新高度準確的模型。

客戶案例

Omnyex

SLA Digital

SLA Digital 透過無縫且安全的電信業者計費解決方案,為世界各地的行動營運商和線上商家創造新的營收來源。SLA Digital 提供電信業者計費平台,讓商家能夠輕鬆地與行動營運商聯絡;為雙方降低成本、營運風險和上市時間。作為支付整合商,識別和預防詐騙交易對 SLA Digital 的業務至關重要。

「十二個月前,我們在尋找一種詐騙偵測解決方案,不需要我們在自己的機器學習專業知識上進行大量投資。藉助透明的依用量付費定價,Amazon Fraud Detector 協助我們輕鬆建立了一個有效且經濟實惠的新機器學習模型,並將其整合至我們現有的設定中。」

SLA Digital 技術主管 Richard Fisher

Omnyex

FlightHub Group

FlightHub Group 讓旅行變得無障礙,讓更多人能夠參觀新的地方,探索新的文化。他們每年為超過 500 萬客戶提供服務,其目標是為旅客提供最實惠的航班、最佳行程和卓越的客戶服務。FlightHub 詐騙預防團隊最高優先事項之一是,從試圖使用被盜信用卡購買機票的詐騙者中辨別尋求經濟實惠機票的注重價值的旅行者。

「自從引入 Amazon Fraud Detector 以來,我們的中止率已降至 2% 以下 (之前為5%)。此外,我們現在的退款率是公司成立以來最低的。企業現在可接受更多結帳,而我們過去的模型會標記為有風險並拒絕。但也許最好的事情是,我們以與過去大致相當的營運成本獲得了這些出色的結果。所有這些都使得​​預訂數量和營收增加,以及因退款造成的損失減少。」

FlightHub 的詐騙調查經理 Drayton Williams

Pulselive

Aella Credit

「身分驗證和確認一直是新興市場的主要挑戰。正確識別使用者的能力是為新興市場數十億人建立信用時主要面臨的阻礙。在我們的行動應用程式上使用 Amazon Rekognition 進行身分驗證,可以大幅減少驗證錯誤,並讓我們有擴展的空間。我們現在可以即時偵測和驗證個人身分,無須任何人為介入,因此可以更快地存取我們的產品。我們嘗試了多種透過廣告大力宣傳的解決方案,但沒有一種主流替代方案可以準確地繪製各種膚色。Amazon Rekognition 協助我們有效地識別市場中的客戶臉孔。它還協助我們使用 KYC 來探索重疊的輪廓和重複的資料集。」

Aella Credit 技術長兼共同創辦人 Wale Akanbi

Pulselive

ActiveCampaign

「在 2020 年第一季度/第二季度,我們發現用於網路釣魚攻擊的帳戶激增。因此,我們需要使用更強大的交易資料和跡象,來補充我們現有的本地解決方案,以便更快地識別惡意人士。隨著我們的業務日益發展,以預測性機器學習為基礎的可擴展解決方案對我們而言至關重要。Amazon Fraud Detector 讓我們能夠使用自己的資料輕鬆建置模型,準確識別導致網絡釣魚攻擊的帳戶註冊。更重要的是,我們能夠以非常低的誤報率獲得這些結果,這意味著我們的營運人員無需進行額外工作。憑藉 Amazon Fraud Detector 極具競爭力的定價模型,我們可以輕鬆地將該模型整合至我們現有的工作流程中。」

ActiveCampaign 資深電子郵件營運工程師 Alex Burch

Lotte Mart

Qantas Loyalty

「Amazon Fraud Detector 是我們詐騙偵測和遷移功能的重要補充。撰寫適用於我們獨特情況的自訂規則、隨需訓練 ML 模型以及與其他 AWS 服務無縫整合的能力使我們能夠快速且智慧地做出決策,同時保持對平台的全面控制。AWS 在概念驗證階段非常實用,並且一直會向內嵌詐騙趨勢的平台新增全新功能。」

Qantas Loyalty 技術長 Mary Criniti

Lotte Mart

CDKeys

「使用 Amazon Fraud Detector,我們减少了 6% 的詐騙交易。同時,我們現在可以對 90% 以上之前本來標記為手動審查的交易自動完成結帳。現在,我們手動審查的交易從 10% 下降至不到 1%。自從我們實作此服務以來,我們已看到 Trustpilot 分數有了顯著的提高,我們知道這歸功於此結帳偵測自動化,以及我們一直在網站上使用的其他增強功能。信任是我們對客戶價值的重要組成部分,因此這是我們業務的巨大勝利。」

Omnyex 營運總監 Kevin Cole

Lotte Mart

Truevo

「Amazon Fraud Detector 讓我們能夠顯著改善營運,提高我們應對惡意人士的靈活性,並更好地控制系統和程序。最初,我們不斷探索內部和第三方解決方案。推出 Amazon Fraud Detector 後,我們立即改變了方針。多年來,我們一直是 AWS 的客戶,並且對 Amazon 的產品非常信任。有了 Amazon Fraud Detector,我們不再受內部部署或 SaaS 產品常規限制的束縛。取而代之的是,我們可以靈活地適應採用 Machine Learning 技術的服務來滿足我們的需求,並且能夠使用 AWS 僅規則選項,同時在需要時輕鬆擴展至完整的 Machine Learning 功能。這為 Truevo 節省了 3-6 個月的開發時間! 實際上,我們在 30 分鐘內即可部署我們的第一個原型模型。總體而言,我們在營運過程中更有信心能夠即時偵測詐騙。當我們發現可能不完全了解但需要停止的奇怪活動時,我們將更有能力部署規則偵測。我們可回應並適應不斷變化的法規和方案要求,從而讓我們能夠始終居於領先地位。」

Truevo 營運長 Charles Grech

使用案例

付款或交易詐騙偵測

相關事件包括嘗試完成線上購買或在線上進行或處理付款。電子商務領域的一個常見範例與「來賓結帳」有關。該交易涉及沒有帳戶歷史記錄,或者已選擇「來賓」結帳選項以獲得更匿名體驗的使用者。

新帳戶詐騙

相關事件包括註冊行為或註冊新帳戶的行為。惡意人士經常透過使用機器人來建立虛假、被盜、合成身分或產生多個帳戶時,詐騙就已開始。一旦在數位平台建立身分,就更容易執行攻擊。

帳戶接管

相關事件包括合法使用者帳戶的登入嘗試。帳戶接管是指合法使用者的登入資料被盜的情況,要么因為不法分子竊取了他們的使用者名稱和密碼,要么在暗網上購買,要么設法猜想。

促銷濫用

相關事件通常是,使用者透過需求產生或行銷促銷兌換授予權益的行為。惡意人士將存取合法使用者的帳戶,並透過轉移或購買來消耗忠誠度信用或積分。他們還將建立多個虛假帳戶以利用促銷活動,例如免費試用或新帳戶附帶的免費積分,或進行自我推薦以獲得推薦獎金。

虛假或濫用評論

相關事件包括發佈可能包含誤導性或濫用內容的產品評論。自動化篩選對於提高發現虛假和濫用評論的能力至關重要,這樣客戶服務團隊就不必費力應對堆積如山的提醒,其中許多可能是誤報。

身分驗證

線上帳戶註冊期間,機器學習驅動的臉部生物識別技術可在任何情況下進行身分驗證。藉助預先訓練的臉部識別和內嵌式分析功能,您可以新增此功能以增強您的使用者布設和身分驗證工作流程,而無需機器學習專業知識。

準備好開始使用了嗎?

聯絡銷售人員
聯絡我們

請與我們聯絡,獲取有關詐騙偵測機器學習解決方案的詳細資訊

聯絡我們 
尋找合作夥伴
尋找合作夥伴

聯絡 AWS 合作夥伴網路,與我們的全球技術和諮詢合作夥伴開展協作

開始使用 
開始執行計劃
自行完成

充分利用 Amazon AI Services 或 Amazon SageMaker 開發您自己的詐騙偵測解決方案

進一步了解 

自行完成

Amazon 提供下列 AI 服務,可用於向您的商業應用程式新增詐騙偵測。

對於沒有機器學習經驗或上市時間受限的組織,Amazon Fraud Detector 是一項全受管 AI 服務,可輕鬆整合至您的應用程式中,以解決最常見的詐騙偵測使用案例。

喜歡自主開發機器學習模型的組織可以使用 Amazon SageMaker,這提供內建演算法並透過 AWS Marketplace 提供預先訓練的模型,在幾天內即可建置詐騙偵測解決方案。

想要將使用者身分驗證新增至其布設和身分驗證工作流程的組織,可以使用 Amazon Rekognition 來運用機器學習驅動的臉部生物識別技術,提供預先訓練的臉部識別和分析功能;無需機器學習專業知識。

或者,您可以使用 Amazon SageMaker 來建置自己的詐騙偵測 ML 模型。

了解如何建置架構,以使用 Amazon SageMaker 偵測潛藏的詐騙活動,並標記該活動以進行審查。

資源

透過在 Amazon Fraud Detector 中建置概念驗證來加速發現詐騙

閱讀部落格 »

使用 Amazon Fraud Detector 來建置、訓練和部署詐騙偵測模型

前往教學 »

運用機器學習的力量來對抗線上詐騙

觀賞影片 »