Настройка защиты от потери

Возможность предотвращения потери в Microsoft Dynamics 365 Fraud Protection использует адаптивный искусственный интеллект (ИИ) для создания оценок рисков, а также для выявления аномалий и шаблонов данных в исторических данных транзакций. Затем вы можете использовать эти оценки риска, аномалии и шаблоны для создания отчетов, которые предоставляют подробный анализ тренда на основе ставки возврата, ставки скидки и других ключевых показателей эффективности (KPI), которые могут указывать на мошенничество в магазине.

Определение мошеннических действий

Функция предотвращения потерь предназначена для того, чтобы помочь аналитикам по предотвращению потерь, менеджерам магазинов и следователям по предотвращению потерь выявлять мошеннические действия, которые обычно включают скидки, возвраты, аннулированные цены, аннулированные транзакции, активацию подарочных карт и т. д., неправильно применяемые сотрудниками на терминалах точки продаж (POS).

Защита от потерь основана на обнаружении аномалий, выявляющем шаблоны в данных точек продаж (POS), которые принимаются в систему. Он определяет выбросы через неуправляемое машинное обучение (ML) и предоставляет список аномальных терминалов, аномальных субъектов и аномальных продуктов. Руководители магазинов, аналитики защиты от потери и следователи по предотвращению потери могут использовать этот список, чтобы сосредоточиться на конкретных областях, которые могут представлять мошенничество.

Защита от потери может помочь вам сократить затраты и сложность, связанные с процессом принятия огромных объемов данных, анализа его для шаблонов мошенничества и получения практических аналитических сведений от него. Таким образом, вы можете быстро определить области риска, такие как магазин, терминал, смена и/или сотрудник, который может неправильно использовать политики возврата и скидки.

Цели для этого документа

Цель этого документа — руководство по следующим действиям:

• Шаг 1: Подготовьте ваши исторические данные. Это действие также называется сопоставлением данных.
• шаг 2. Отправка данных и создание отчета о предотвращении потери.
• шаг 3. Анализ данных в отчете по предотвращению потери.

После выполнения этих действий в собственной системе с помощью собственных данных у вас будет отчет о предотвращении потерь с указанием рекомендуемых действий. Вы также сможете регулярно запускать отчеты по предотвращению убытков.

Необходимые условия

Перед началом задач в этом документе необходимо:

• Настройте защиту от мошенничества в клиенте Microsoft Entra.

Шаг 1. Подготовка исторических данных (сопоставление данных)

Когда защита от мошенничества оценивает транзакцию на предмет возможного мошенничества при покупке, она использует сочетание ИИ, машинного обучения и данных консорциума. Огромное количество данных обеспечивает возможности моделей, используемых для оценки. Все данные, передаваемые в систему для оценки или системного обучения, должны соответствовать предопределенной схеме. В мире искусственного интеллекта и машинного обучения обычно понимается, что качество данных, которые модель использует, влияет на качество результатов.

сопоставление данных — это процесс, который помогает убедиться, что правильные значения назначены правильным полям схемы, и что ваша коммерческая система правильно интегрирована с защитой от мошенничества. Дополнительные сведения о схемах см. в схемах данных для предотвращения потери.

Руководство по схеме для отправки данных

• Файлы находятся в формате CSV UTF-8 (с разделителями запятая, точка с запятой или табуляция) (*.csv или *.tsv).
• Максимальный размер файла составляет 10 гигабайт (ГБ).
• Следующие символы экранируются во всех столбцах: запятые и точка с запятой, символы новой строки и многострочные символы.
• Столбцы datetime находятся в формате ISO 8601. Например, в DateTime.UTCNow.ToString("o") C# будет иметь формат "2019-03-14T20:18:11.254Z".
• Точность столбца с типом данных 'double' (десятичный) составляет два знака после запятой.

Дополнительные сведения о схемах, которые можно использовать для создания моделей и определения оценок рисков, см. в схемах данных для предотвращения потери.

Обязательные сущности данных для сопоставления данных

Поскольку возможность предотвращения потери определяет аномалии и шаблоны, которые могут указывать на мошенничество в магазине, модель машинного обучения требует данных из четырех сущностей для поиска аномалий:

• Транзакции
• Продажи
• Платежи
• Способы оплаты

Подробные сведения о схемах, определяющих данные, используемые для создания моделей и определения оценок рисков, см. в схемах данных для предотвращения потери. Хотя все поля данных важны, можно начать с меньшего числа обязательных полей, а затем подключить дополнительные поля с течением времени для улучшения выходных данных модели.

Важный

Данные, которые используются для анализа потери, чувствительны, и вы должны заботиться о том, чтобы передать их только из безопасного сетевого расположения. Помните, что корпорация Майкрософт запрашивает только частичные данные о инструментах оплаты (идентификационный номер банка [BIN] и последние четыре цифры). Мы не запрашиваем полный номер инструмента оплаты или номер социального страхования (SSN). Поэтому не включайте эти данные в отправленные файлы. Дополнительные сведения об использовании и защите данных в разделе "Безопасность, соответствие и запросы субъектов данных" см. в .

Что делать, если вы не можете сопоставить все данные

Защита от мошенничества использует широкий набор сущностей данных, а иногда данные могут отсутствовать или не могут быть корректно сопоставлены с полем. Корпорация Майкрософт обнаружила, что следующие факторы могут вызвать проблемы с качеством данных:

• Атрибуты недоступны.
• Доступны атрибуты, но они либо не заданы, либо неправильно заданы.
• Схема интерпретируется неправильно.
• Неправильные данные и (или) значения перечисления неверны.
• Несоответствие в одних и том же атрибутах.
• Существует проблема с шифрованием данных.

Корпорация Майкрософт рекомендует вам сопоставить максимальное количество полей данных. Однако следует учитывать следующие моменты, если некоторые поля не могут быть сопоставлены.

• Вы можете повторить отправку данных по мере необходимости, чтобы улучшить сведения, к которым у системы есть доступ.
• Чтобы успешно создать отчет для анализа, необходимо иметь по крайней мере один месяц данных транзакций.

Подключение, отключение и повторное подключение к защите от мошенничества

Существует два способа передачи исторических данных в защиту от мошенничества для предотвращения потери:

• Используйте соединитель D365 для подключения к системе Dynamics 365 Commerce и передачи данных напрямую.
• Отправка файлов данных в формате CSV.

Выберите метод подключения к данным, подходящий для вашей ситуации.

Чтобы подключить предотвращение потерь к системе Commerce, необходимо выполнить ряд разовых настроечных действий. После завершения этих действий можно легко отключить и повторно подключить системы. Дополнительные сведения см. в разделе Подключение защиты от потери данных к данным из коммерции.

Чтобы подключить данные розничной торговли к защите от мошенничества, убедитесь, что у вас есть все три следующих предварительных требования:

• Доступ к озеру данных розничной торговли.
• Доступ к вашей системе управления финансами и операциями.
• Лицензия на защиту от мошенничества (пробная или активированная подписка).

Подключите функции предотвращения потерь к данным из коммерческой системы

1. В Commerce откройте панель управления и введите системные параметры в поле поиска в верхней части страницы.
2. На странице Системные параметры выберите вкладку Подключение данных.
3. Задайте для параметра Включить интеграцию Data Lake значение Да.
4. Сохраните сведения о данном озере (значение поля DNS-имени). Эти сведения потребуются для повторного подключения, если интеграция с озером данных когда-либо будет нарушена.

5. Вернитесь на панель мониторинга и введите Entity Store в поле поиска в верхней части страницы.

   (Хранилище сущностей — это коллекция таблиц или представлений с данными розничной торговли в сыром или агрегированном виде.)

6. В хранилище сущностей введите RetailSales в поле поиска.

7. В разделе Параметры обновленияустановите для параметра Включение автоматического обновления значение Да.

   Автоматическое обновление поэтапно добавляет новейшие данные с устройств POS в хранилище розничных данных.

обновление коммерция

8. Вернитесь на панель мониторинга и выберите плитку управления функциями .

9. В рабочей области управления функциями найдите функцию защиты от потери Dynamics 365 (DFP) и включите ее.

10. Зарегистрируйте идентификатор приложения защиты от мошенничества на панели мониторинга:

    1. Откройте страницу приложений Microsoft Entra .

    2. Создайте запись для идентификатора приложения первой стороны для защиты от мошенничества. (Например, bf04bdab-e06f44f3-9821-d3af64fc93a9.)

    3. В поле идентификатора пользователя выберите RetailServiceAccount.

    Этот параметр предоставляет Защите от мошенничества доступ к данным из озера данных.

11. Откройте портал Fraud Protection и подключите свою среду Finance and Operations к среде Fraud Protection, используя URL для вашей коммерческой среды.

    На следующем снимке экрана подключение выполнено успешно, и начался процесс синхронизации для получения данных из коммерческой платформы и создания отчета по предотвращению потерь.

синхронизация

Отключение и повторное подключение к системе коммерции

После того как вы сделали первоначальное подключение между коммерцией и защитой от мошенничества, вы можете легко отключиться и повторно подключиться.

Отключение от коммерческой торговли

1. Выберите три точки в правом верхнем углу области подключения Dynamics 365 Commerce, а затем выберите Отключить.

2. Нажмите Далее, чтобы отключиться.

   Озеро данных, которое изначально было подключено к этой возможности защиты от мошенничества, отключается.

Повторное подключение к торговле

1. Выберите Подключиться к данным.
2. Введите сведения, созданные для коммерческой среды (озера данных) во время начальной настройки. (См. шаг 4 в разделе Подключите предотвращение потерь к данным из Commerce ранее в этом документе.)
3. Выберите , подключитесь.

Когда подключение выполнено успешно, процесс синхронизации для получения данных и обновления отчетов сразу же начинается.

Шаг 2. Отправка данных и создание отчета по предотвращению потери

При входе на портал защиты от мошенничества, если в области навигации слева отображается предотвращение потерь, то эта функция активирована.

портал

1. В левой панели навигации выберите предотвращение потерь, а затем выберите Перейти к загрузке данных.

2. Выберите вкладку "Защита от потерь", а затем выберите кнопку "Защита от потерь".

   Возможности защиты от потери специально сосредоточены на анализе потери, связанной с возвратом и скидками. Для этого требуется четыре типа наборов данных из терминалов продаж:

   • Операции
   • Продажи
   • Платежи
   • Методы оплаты

   Заметка

   Данные должны быть в формате .CSV и должны соответствовать схеме, предоставленной в схемы данных для предотвращения потерь.

3. Чтобы отправить файлы данных, выполните приведенные далее действия.

   1. В левой части навигации выберите Данные, выберите Загрузка данных, а затем выберите Предотвращение потерь.

   2. Выберите Выберите источник данных, выберите тип файла, который нужно отправить (.csv или TST-файл), а затем выберите Обзор.

   3. Выберите файл, который нужно отправить, выберите Открыть, а затем нажмите кнопку Далее.

      Страница загрузки данных > о платежах отображает предварительный просмотр ваших данных.

   4. В верхнем меню навигации выберите Сохранить и закрыть.

   5. Повторите шаги 2–4, чтобы передать все четыре типа данных.

4. После отправки всех файлов данных выберите Данные предотвращения потерь в процессе.

   Защита от мошенничества начинает обработку данных и создание отчета по предотвращению потери.

5. В левой области навигации выберите Предотвращение убытков, чтобы просмотреть состояние отчета по предотвращению убытков.

   Заметка

   Как правило, защита от потери занимает около 30–60 минут, чтобы создать пакет отчета. Однако фактический период времени зависит от объема предоставленных данных.

6. Отчет отображается на странице по защите от потери. Чтобы скачать копию, выберите Скачать отчет.

Шаг 3. Анализ данных в отчете по предотвращению потери

Если защита от мошенничества имеет источник данных, вы можете создавать отчеты по предотвращению потери по мере необходимости. В зависимости от того, как вы настроили среду, можно создавать отчеты из прямого подключения к коммерческой системе или из отправленных файлов данных.

На предыдущем шаге вы выполнили свой первый отчет по предотвращению потери. На этом шаге вы используете результаты отчета для выявления аномалий возврата и скидки, а затем запускайте дополнительные отчеты по предотвращению потери, так как новые данные становятся доступными.

Вы можете просмотреть следующие сведения в отчете, отображаемом на странице защиты от потери.

Возможность получения доходов на основе данных персонала

На следующем снимке экрана можно просмотреть сведения на основе оценки риска 560 и выше.

возможность выручки

Можно задать диапазон месяцев, для которых требуется проанализировать данные в полях месяца. Вы можете задать диапазон оценки рисков в поле диапазон оценки рисков.

• Чтобы просмотреть полный диапазон распределения оценок риска, установите значение "from" на 0 (ноль) и значение "to" на 999.
• Чтобы получить более подробные сведения о возможных мошеннических действиях, оставьте диапазон показателей высоким.

В диапазоне показателей рисков можно задать диапазон оценки рисков.

• Чтобы детализировать более подробные сведения о возможных мошеннических действиях, настройте значения диапазона показателей риска таким образом, чтобы они охватывали только высокий диапазон показателей, например, 900 до 999.

Возможность дохода на основе данных персонала предоставляет сводку по общей сумме в долларах потенциального мошенничества, обнаруженного системой защиты от мошенничества в возвратах и скидках, которые могут способствовать увеличению общей выручки.

Диаграмма числа аномальных сотрудников по месяцам и категории показывает распределение аномального персонала и количество терминалов по месяцам в диапазоне, который вы выбрали в полях диапазона месяцев в верхней части страницы.

Возможность получения доходов на основе данных терминала

На следующем снимке экрана можно просмотреть сведения на основе оценки риска 760 и выше.

Возможность получения выручки на основе данных терминала предоставляет сводную информацию о возврате, скидках и общей сумме.

Аномальные терминалы подсчитываются ежемесячно и по категориям, показывая количество терминалов, которые с высокой вероятностью и с низкой вероятностью являются мошенническими.

Если вы хотите лучше понять, как работает конкретный терминал, полезное средство — это анализ тенденций, который сравнивает оценку конкретного терминала с оценкой всего населения.

При наведении указателя мыши на определенную точку данных на диаграмме отображается оценка риска терминала и средняя оценка риска для всей совокупности. В следующем примере пилообразный шаблон является хорошим представлением того факта, что этот терминал движется туда и обратно в плане аномального поведения.

Модель использует пять или шесть событий по умолчанию для создания оценки риска. Он учитывает коэффициент возврата, который является общим числом возвратов, инициированных сотрудниками в определенном терминале, разделенным на общее количество продаж в этом терминале в течение заданного периода. Он также рассматривает соотношение наличных на карту и количество покупок с скидкой на сотрудников, где использовались несколько карт оплаты. Наконец, он рассматривает отношение возвратов без квитанции к возвратам с квитанцией и число товаров со скидкой, которые были проданы без скидки.

Ведущий персонал по управлению рисками

• Чтобы просмотреть данные о персонале верхнего риска, перейдите на вкладку Персонал.

На следующем снимке экрана показана информация, включая сотрудников, которые на протяжении как минимум одного месяца соответствовали или превышали пороговое значение 560. Набор данных сортируется для отображения персонала на основе оценки риска, созданной моделями.

Раздел Сводка данных предоставляет сводку по оценке результатов работы персонала. В нем показано общее количество уникальных идентификаторов сотрудников, количество очков (число случаев, когда уникальные сотрудники были аномальными в течение отчетного периода), и средняя оценка риска по шкале от 0 (ноль) до 999.

• Чтобы найти данные, связанные с определенным сотрудником, введите идентификатор персонала в поле поиска.

Персонал высокого риска в таблице перечисляет все идентификаторы персонала, проанализированные моделью. Список отсортирован в порядке убывания оценки риска (то есть в верхней части списка отображается самый высокий уровень риска). В сетке также отображается средняя оценка для каждого сотрудника и количество случаев, когда каждый сотрудник был признан аномальным в течение полного периода данных, который был оценен для отчета.

Счетчик показателей указывает количество месяцев, которые они были выше порогового значения. Например, если для создания отчета использовались данные за 12 месяцев, значение количества баллов 3 для сотрудника указывает на то, что сотрудник считался аномальным в течение трех из этих 12 месяцев.

• Чтобы просмотреть дополнительные сведения о конкретном сотруднике, выберите идентификатор в столбце Идентификатор персонала.

Сводка оценки рисков персонала

• Чтобы просмотреть оценку риска определенного персонала, выберите идентификатор персонала.

На следующем снимке экрана показаны сведения, включая сотрудников, которые в течение по крайней мере одного месяца были на уровне 560 или выше. Набор данных сортируется для отображения персонала на основе оценки риска, созданной моделями.

• В диапазоне месяцев задайте диапазон месяцев, для которых требуется проанализировать данные.
• В диапазоне показателей рисков задайте диапазон оценки риска. Чтобы получить более подробные сведения о возможных мошеннических действиях, оставьте диапазон показателей высоким.

Оценка риска по месяцам указывает на вероятность того, что события, связанные с персоналом, являются мошенническими. Оценки рисков от 0 до 559 вряд ли будут мошенническими, и 560-999, скорее всего, будут мошенническими. На диаграмме показана оценка риска, связанная с выбранным сотрудником по сравнению со средней оценкой риска всего персонала.

Все причины, влияющие на оценку риска по процентилям, указывают конкретные причины, ранжированные по процентилям. В сетке выделены значительные процентили.

Сведения о причинах

• Чтобы просмотреть сведения о причинах и дополнительно проанализировать влияние этой причины на оценку риска, выберите одну из пяти причин из раскрывающегося списка Причина.

График значений параметра по месяцам показывает подробности по выбранной вами причине или событию.

Основные терминалы риска

• Чтобы просмотреть данные по верхним терминалам риска, выберите вкладку терминалов.

терминалы

На этом снимке экрана показаны сведения, включая наиболее рискованные терминалы, которые были на уровне или выше порогового значения 760 по крайней мере в течение одного месяца.

• В диапазоне месяцев задайте диапазон месяцев, для которых требуется проанализировать данные.
• В диапазоне показателей рисков задайте диапазон оценки риска. Чтобы получить более подробные сведения о возможных мошеннических действиях, оставьте диапазон показателей высоким.

В разделе "Сводка данных" приводится обобщение результатов оценки терминала. В нем показано общее количество уникальных идентификаторов терминалов, которые модель проанализировала, количество раз, когда уникальные терминалы были аномальными в течение отчетного периода, а средняя оценка риска в масштабе 0 (ноль) до 999.

• Чтобы найти данные, связанные с определенным терминалом, введите идентификатор терминала в поле поиска.

Сетка терминалов с высоким уровнем риска перечисляет все идентификаторы терминалов. Терминал с высоким уровнем риска отображается в верхней части списка. В сетке также отображается средняя оценка для каждого терминала и количество раз, когда каждый терминал считался аномальным в течение полного периода данных, который был оценен для отчета.

Сведения о причинах

• Чтобы просмотреть сведения о причинах и дополнительно проанализировать влияние этой причины на оценку риска, выберите одну из пяти причин из раскрывающегося списка Причина.

Диаграмма значения причины по месяцам показывает подробности по выбранной вами причине или событию.

Сводка оценки рисков терминала

Чтобы лучше понять, как работает конкретный терминал, полезным инструментом является анализ тенденций, который сравнивает оценку конкретного терминала с оценкой всего населения. На следующем снимке экрана показан пример диаграммы, которая показывает изменение оценки риска по месяцам.

В разделе оценки рисков терминала отображается максимальный показатель, средняя оценка и количество случаев, когда этот конкретный магазин или терминал были аномальными.

При наведении указателя мыши на определенную точку данных на диаграмме отображается оценка риска терминала и средняя оценка риска для всей совокупности. В следующем примере пилообразный шаблон хорошо отражает тот факт, что этот терминал колеблется в плане аномального поведения.

Модель использует пять или шесть событий по умолчанию для создания оценки риска. Он учитывает коэффициент возврата, который является общим числом возвратов, инициированных сотрудниками в определенном терминале, разделенным на общее количество продаж в этом терминале в течение заданного периода. Он также рассматривает соотношение наличных на карту и количество покупок с скидкой на сотрудников, где использовались несколько карт оплаты. Наконец, он учитывает соотношение возвратов без квитанции к возвратам с квитанцией и число товаров, проданных со скидкой, но без фактической скидки.

Сводка оснований терминала

Чтобы понять, как каждое событие или причина повлияли на оценки рисков, ознакомьтесь со следующими сведениями о отчете.

конечная причина

В разделе Все причины, влияющие на оценку по процентилям, сетка перечисляет конкретные причины, влияющие на оценку риска, ранжированные по процентилям. Выделены существенные процентили.

В поле Причина в разделе сведений о причинах можно выбрать одну из пяти причин из Все причины, влияющие на оценку по процентилю сетки, чтобы дополнительно проанализировать влияние этой причины на оценку риска.

На диаграмме "Причина" отображается значение по месяцам по причине или событию, выбранному в поле "Причина".

Транзакции (последние шесть месяцев)

В разделе транзакции (последние шесть месяцев) отчета отображаются конкретные транзакции, которые произошли в терминале за этот период.

Как показывают заголовки столбцов сетки, данные в сетке содержат дату транзакции в соответствии с квитанцией, идентификатор транзакции, идентификатор персонала, сумму покупки, сумму скидки, сумму возврата, указание на наличие квитанции о возврате, метод оплаты и категорию.

Если сотрудник, связанный с транзакцией, помечен как аномальный моделью, красный знак предупреждения отображается рядом с идентификатором персонала в сетке. Этот знак предостережения определяет сотрудника как высокий риск.

Примечание для существующих клиентов коммерческой торговли

Если вы являетесь существующим клиентом коммерческой торговли, все обязательные поля имеют ограничение NOT NULL в типе данных. Справочник по схеме см. в схемах данных для предотвращения потери вDynamics 365 Fraud Protection. Однако вы также можете настроить коммерческую службу для совместного использования данных непосредственно с защитой от мошенничества.

Для получения информации о том, как интегрировать систему Commerce с Fraud Connection и подключиться к Fraud Protection, см. раздел Подключение защиты от потерь к данным из Commerce выше в этом документе. Для предотвращения потерь не требуется предварительная схема работы.

Поздравляю! Вы успешно завершили обучение и готовы использовать бесплатную пробную версию возможностей защиты от мошенничества.

Дальнейшие действия

Сведения о доступе и использовании функций защиты от мошенничества см. в следующих документах:

• Настройка защиты учетных записей клиентов
• Настройка защиты покупок