PayPal — побеждаем плохих парней, одна транзакция за раз
Как один из первых и наиболее успешных игроков в области обработки электронных платежей, PayPal стал широко известен в более чем 200 странах мира и обработал объем транзакций на сумму более 450 миллиардов долларов в 2017 году. , они также привели к увеличению изощренности мошенничества. Для PayPal мошенническая деятельность проявляется в форме мошенничества с идентификацией, сговора, кражи учетных записей и т. д. 2 Современные хакерские атаки стали более частыми и сложными, и эта тенденция требует противодействия этим преступным попыткам.В ответ на это тревожное явление использование и интеграция машинного обучения как критической части управления PayPal по совершенствованию процессов и разработке продуктов становится все более важным для дальнейшего успеха компании. Машинное обучение позволяет PayPal выделиться как безопасная платформа с уровнем мошенничества всего 0,32% от выручки, что составляет лишь небольшую долю от средних потерь от мошенничества в 1,32% у американских продавцов. 3 PayPal продолжает добиваться успехов в обнаружении и предотвращении мошеннических транзакций за счет увеличения инвестиций в науку о данных и исследования в области машинного обучения, что дает компании значительное конкурентное преимущество, поскольку она стремится выделиться и сохранить лидерство на рынке во все более тесном секторе.
В краткосрочной перспективе PayPal наращивает свои возможности машинного обучения за счет значительных внутренних разработок, а также приобретения других внешних игроков. Внутри PayPal использует линейные алгоритмы, алгоритмы нейронной сети и алгоритмы глубокого обучения в сочетании для создания циклов обратной связи, которые работают вместе для достижения более высокой точности обнаружения мошенничества. Что касается корпоративных финансов, то в июне 2018 года PayPal объявила о приобретении Simility за 120 миллионов долларов, стартапа по обнаружению мошенничества и управлению рисками, который использует передовое машинное обучение для предотвращения мошенничества путем выявления странного поведения, отклоняющегося от нормы. 4 Масштабный эффект обширных наборов данных PayPal проявляется в виде превосходных алгоритмов машинного обучения, точность и надежность которых повышаются с каждой отдельной транзакцией, проводимой платформой. Это позволило PayPal стать настолько продвинутой в предотвращении мошенничества, что смогла представить PayPal One Touch, платформу, которая позволяет клиентам оплачивать покупки с веб-сайта продавца без необходимости вводить учетные данные для входа в систему, концепция, которая кажется кошмаром безопасности. , но упрощает процесс оформления покупок в Интернете для бесчисленного количества пользователей.5 Эта революционная платформа стала возможной только благодаря способности PayPal объединить огромное количество непротиворечивых данных о регулярных транзакциях пользователей, чтобы создать максимальную защиту.
В среднесрочной перспективе PayPal инвестирует в дальнейшие исследования в области машинного обучения, которые сосредоточены на более широких областях управления рисками, таких как улучшение кредитных решений, а также попытка минимизировать отток клиентов для увеличения доходов. С точки зрения регулирования, использование машинного обучения для оценки кредитных профилей намного сложнее, чем предотвращение мошенничества, что является проблемой, которую компания в настоящее время пытается решить. 6 Группа специалистов по обработке и анализу данных PayPal занимается разработкой прогнозирующих моделей оттока с использованием алгоритмов машинного обучения, которые анализируют исторические данные об удержании клиентов, чтобы найти потенциальные закономерности в действиях, связанных с оттоком. 7 Полученная информация может помочь Paypal в определении функций продукта, которые имеют решающее значение для удержания клиентов и снижения оттока.
В дополнение к существующим способам, которыми PayPal использует машинное обучение для улучшения своих продуктов и процессов, я бы порекомендовал им также использовать потенциал прогнозного моделирования огромных объемов данных о транзакциях клиентов. Создавая профили клиентов с помощью информации об их покупательских привычках, PayPal может значительно улучшить свои маркетинговые кампании. Данные о покупках чрезвычайно ценны с точки зрения определения привычек и предпочтений пользователей. Вооружившись знаниями об уникальных способах, которыми различные сегменты клиентов реагируют на различные формы рекламы, PayPal может разработать более целенаправленные и эффективные маркетинговые методы, которые, как мы надеемся, приведут к увеличению доходов и количества пользователей, что приведет к получению еще более ценных данных, которые можно использовать. Цикл может повторяться непрерывно, так как больше данных о клиентах приведет к более точному обнаружению закономерностей и возможностям прогнозирования на всех фронтах.
В контексте PayPal есть два важных открытых вопроса, связанных с этой проблемой, по которым я хотел бы получить комментарии:
Пути к справедливому цифровому будущему
- Как PayPal должен относиться к различным потенциальным проблемам, связанным с использованием машинного обучения в процессе кредитного профилирования и оценки (как нормативных, так и ненормативных)?
- Было бы более эффективно для PayPal сосредоточиться на дальнейшем развитии собственных возможностей машинного обучения с использованием существующих технологий и данных, а не на приобретении внешних фирм, которые должны быть интегрированы в экосистему?
