博客笔记五: [Airbnb] 信用卡欺诈的loss function设计

原文标题：Fighting Financial Fraud with Targeted Friction

作者：David Press

原文地址： https://medium.com/airbnb-engineering/fighting-financial-fraud-with-targeted-friction-82d950d8900e

面对问题：

别人使用偷来的卡，真正持卡人退款

目标：

false positives: “good” events that a model or rule classifies as “bad” (above the threshold，positive (fraud) and negative (non-fraud) )，提高threshold，宁可错杀一千，不可放过一个。因而对于大多数被误解的用户，增加了付款难度（additional verification called a friction）。

难度增加包括：网银登录，三位码，地址信息（比如邮编）

To stop the use of stolen credit cards, our chargeback model triggers a number of frictions to ensure that the guest is in fact authorized to use that card, including micro-authorization (placing two small authorizations on the credit card, which the cardholder must identify by logging into their online banking statement), 3-D Secure (which allows credit card companies to directly authenticate cardholders via a password or SMS challenge), and billing-statement verification (requiring the cardholder to upload a copy of the billing statement associated with the card).
难点： imbalanced classification

loss function ：

对于不同的错误给予不同的weight，但是false positive漏过欺诈的代价最大
1. false positive:
G: 因为friction好人离开率
V: lifetime value好人价值
每一个friction影响都有ab test测试，但是测试太贵了，需要highly imbalanced test（缺点是相比于50／50， 需要太久收敛）
2. false negative:
没有检测出来的漏网之鱼，只能损失照单全收
3. true positive:
判断正确，但是不一定friction可以阻挡，F 需要新的ABtest来决定。F=1说明friction 100%阻挡了欺诈操作
总结： 两个ab test示意图

最终模型效果

模型判断不同threshold带来不同的总loss，因为好人离开损失和吸收坏人的损失是相反的。

总结：
- 介绍信用卡欺诈判断模型loss function的细节，更加清晰了
- 介绍了典型的两个abtest应用场景，很有帮助
- 没有提到模型，连一嘴都没有，有点失望