应用案例：PayPal如何利用大数据分析提升业绩和打击欺诈？（信息
|
一个拥有17年记录的安全在线支付，PayPal 持续改进其数据基础设施来识别潜在的欺诈案件。PayPal 通过结合像hadoop和spark开源的各种技术，采用机器学习算法，在线缓存和人类侦探，建立新的和修改现有的欺诈分析系统。一旦机器学习模型识别出了欺诈的可能性，人类的侦探们就开始工作，去找出究竟是否存在欺诈。 “很多时候商业软件不能够完全满足我们的需求，所以，在这种情况下，开源真的非常放任有效。我们能够接受它们，并且调整我们自己。真正去释放我们数据科学家的力量。王惠说，PayPal的全球风险科学高级总监。PayPal使用3种类型的机器算法——神经网络学习，深度学习和线性回归。风险管理应该是超快的，算法必须以毫秒为单位做出它是否是一个良性交易还是想从事欺诈活动的交易。如果一个人被认为是值得信赖的，他将会得到一个快速的交易，以保证他有满意的体验。然而，如果一个该算法确定了这是一个非良性的交易，它将减慢系统，以获得额外的数据，并进行深度分析。 PayPal的数据科学团队分析历史赔付数据去找出能表明企图诈骗的特征。不同类型的机器学习算法分析了在实际中的1000个数据点分析，如商家的网站和PayPal网站近期的活动，存储在cookie的数据，购买历史等。大约有300个变量被寻找潜在欺诈性交易的每个机器学习模型计算。分析的结果被认证供应商提供的外部数据比较与认证。例如，如果分析显示多个IP地址来自世界各地的不同地点，一个账户-那么它可能是一个账户被黑客攻击的迹象。它会被标记并被专家审查。 欺诈检测是PayPal在大数据使用图形处理中最大的案例。数据科学家在图中配置节点，要与客户使用的设备相关，以登录到商家账户上。如果一个客户使用一个不同的IP地址或不同的移动账户，然后PayPal确保他们不能从账户中取钱。这里不只是图中的一个节点有助于检测欺诈，而是三个或者四个节点试图在同一时间提取或存入资金，并且都被捕获到。 使用先进的大数据分析，提供相关的优惠和个性化广告PayPal与多通路的平板电脑，智能手机，商店和网站上有联系，通过以位置为基础的广告和优惠以诱惑客户。因为现今的客户使用多种方式购物——移动端，网站和商店——这对于一个营销和广告主来说很难去做决定——什么是放置个性化广告和相关报价的最好的选择。PayPal 可以撬动大数据并发送相关客户服务和商家折扣给客户。使用基于购物媒介的过去的购买历史的分析算法——在线或应用程序建议，以及商户帮助客户节约金钱并且推动更高交易量。PayPal将用大数据来配合客户的喜好和口味，位置，在不同网站的购买历史和用户活动，发送相关优惠报价以及个性化广告。 PayPal使用类似预测客户购买行为的数据，数据访问模型在相似的地方寻找客户。PayPal知道哪些客户在Home Depot最有可能吃subway. 使用这种洞察分析，PayPal在Home Depot附近的subway折扣店提供三明治的折扣。 交易数据是用来创建客户的基因序列，这些序列创建了外观相似，细分客群成为不同的组，以帮助创造强个性化的信号，目标广告和建议。PayPal的预测数据模型能够精准到69%,?预测到他们的客户最可能在哪里花钱。 通过基于Hadoop文本挖掘丰富的客户体验自然语言处理算法是在PayPal的成功场景之后的——丰富客户经验。单独的文本数据不能提供商业上的见解，但在使用时，它有助于从谈话以及网上交易中提取信息，基于Hadoop文本挖掘是预测建模的一个重要组成部分，收集，评分影响，在PayPal的多样主题造型的科学数据活动。 当客户在某个特定的商家进行购买时，很难预测客户是喜欢还是爱他或她购买的产品品牌。基于Hadoop的产品信息文本挖掘产品信息，帮助数据科学家了解客户是否喜欢某个特定的品牌，然后使用此信息来建议产品。 原文：Big Data Use Cases: How PayPal leverages Big Data Analytics End. （编辑：厦门网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
