Variabel

Variabel mewakili elemen data yang ingin Anda gunakan dalam prediksi penipuan. Variabel-variabel ini dapat diambil dari kumpulan data peristiwa yang Anda siapkan untuk melatih model Anda, dari output skor risiko model Amazon Fraud Detector, atau dari model Amazon. SageMaker Untuk informasi lebih lanjut tentang variabel yang diambil dari dataset peristiwa, lihat. Dapatkan persyaratan dataset acara menggunakan data model explorer

Variabel yang ingin Anda gunakan dalam prediksi penipuan Anda harus terlebih dahulu dibuat dan kemudian ditambahkan ke acara saat membuat jenis acara Anda. Setiap variabel yang Anda buat harus diberi tipe data, nilai default, dan opsional tipe variabel. Amazon Fraud Detector memperkaya beberapa variabel yang Anda berikan seperti alamat IP, nomor identifikasi bank (BIN), dan nomor telepon, untuk membuat input tambahan dan meningkatkan kinerja untuk model yang menggunakan variabel ini.

Jenis Data

Variabel harus memiliki tipe data untuk elemen data yang variabel mewakili dan opsional dapat ditugaskan salah satu yang telah ditetapkan. Jenis variabel Untuk variabel yang ditugaskan untuk jenis variabel, tipe data pra-dipilih. Jenis data yang mungkin termasuk jenis berikut:

Tipe data	Deskripsi	Nilai default	Contoh nilai
String	Kombinasi huruf, bilangan bulat, atau keduanya	<empty>	abc, 123
Bulat	Bilangan bulat positif atau negatif	0	1, -1
Boolean	Benar atau Salah	Salah	Betul, Salah
DateTime	Tanggal dan waktu yang ditentukan dalam format UTC standar ISO 8601 saja	<empty>	2019-11-30T 13:01:01 Z
Desimal	Angka dengan titik desimal	0.0	4.01, 0,10

Nilai default

Variabel harus memiliki nilai default. Saat Amazon Fraud Detector menghasilkan prediksi penipuan, nilai default ini digunakan untuk menjalankan aturan atau model jika Amazon Fraud Detector tidak menerima nilai untuk variabel. Nilai default yang Anda berikan harus sesuai dengan tipe data yang dipilih. Di Konsol AWS, Amazon Fraud Detector menetapkan nilai default 0 untuk bilangan bulat, untuk Boolean, false untuk float, dan (kosong) 0.0 untuk string. Anda dapat menetapkan nilai default kustom untuk salah satu jenis data ini.

Jenis variabel

Bila Anda membuat variabel, Anda opsional dapat menetapkan variabel untuk jenis variabel. Jenis variabel mewakili elemen data umum yang digunakan untuk melatih model dan untuk menghasilkan prediksi penipuan. Hanya variabel dengan tipe variabel terkait yang dapat digunakan untuk pelatihan model. Sebagai bagian dari proses pelatihan model, Amazon Fraud Detector menggunakan jenis variabel yang terkait dengan variabel untuk melakukan pengayaan variabel, rekayasa fitur, dan penilaian risiko.

Amazon Fraud Detector telah menentukan jenis variabel berikut yang dapat digunakan untuk menetapkan ke variabel Anda.

Kategori	Tipe variabel	Deskripsi	Tipe data	Contoh
Sesi	IP_ADDRESS	Alamat IP yang dikumpulkan selama acara berlangsung	String	192.0.2.0 Catatan: Amazon Fraud Detector memperkaya data ini. Untuk informasi selengkapnya, lihat Pengayaan geolokasi
	AGEN PENGGUNA	Agen pengguna yang dikumpulkan selama acara berlangsung	String	Mozilla 5.0 (Windows NT 10.0, Win64, x64, rv:68.0) Tokek 20100101
	SIDIK JARI	Pengenal unik untuk perangkat yang digunakan untuk acara tersebut	String	sadfow987u234
	SESSION_ID	ID sesi untuk sesi aktif acara	String	sid123456789
	AD_CREDENTIALS_VALID	Menunjukkan apakah mandat yang digunakan untuk event login valid	Boolean	Benar
Pengguna	EMAIL_ALAMAT	Alamat email yang dikumpulkan selama acara berlangsung	String	[e-mail]
	NOMOR TELEPON	Nomor telepon yang dikumpulkan selama acara berlangsung	String	[phone] Catatan: Amazon Fraud Detector memperkaya data ini. Untuk informasi selengkapnya, lihat Pengayaan nomor telepon
Penagihan	BILLING_NAME	Nama yang terkait dengan alamat penagihan	String	John Doe
	BILLING_TELEPON	Nomor telepon yang terkait dengan alamat penagihan	String	[phone] Catatan: Amazon Fraud Detector memperkaya data ini. Untuk informasi selengkapnya, lihat Pengayaan nomor telepon
	BILLING_ADDRESS_L1	Baris pertama dari alamat penagihan	String	Setiap jalan
	BILLING_ADDRESS_L2	Baris kedua dari alamat penagihan	String	Unit 123
	BILLING_CITY	Kota yang ada di alamat penagihan	String	Kota mana saja
	BILLING_STATE	Negara bagian atau provinsi yang ada di alamat penagihan	String	Setiap negara bagian atau provinsi
	BILLING_COUNTRY	Negara yang ada di alamat penagihan	String	Setiap negara Catatan: Amazon Fraud Detector memperkaya data ini. Untuk informasi selengkapnya, lihat Pengayaan geolokasi
	PENAGIHAN_ZIP	Kode pos yang ada di alamat penagihan	String	01234 Catatan: Amazon Fraud Detector memperkaya data ini. Untuk informasi selengkapnya, lihat Pengayaan geolokasi
Pengiriman	SHIPPING_NAME	Nama yang terkait dengan alamat pengiriman	String	John Doe
	SHIPPING_PHONE	Nomor telepon yang terkait dengan alamat pengiriman	String	[phone] Catatan: Amazon Fraud Detector memperkaya data ini. Untuk informasi selengkapnya, lihat Pengayaan nomor telepon
	SHIPPING_ADDRESS_L1	Baris pertama dari alamat pengiriman	String	123 Setiap Jalan
	SHIPPING_ADDRESS_L2	Baris kedua dari alamat pengiriman	String	Satuan 123
	SHIPPING_CITY	Kota yang ada di alamat pengiriman	String	Kota mana saja
	SHIPPING_STATE	Negara bagian atau provinsi yang ada di alamat pengiriman	String	Setiap Negara
	SHIPPING_COUNTRY	Negara yang ada di alamat pengiriman	String	Setiap Negara Catatan: Amazon Fraud Detector memperkaya data ini. Untuk informasi selengkapnya, lihat Pengayaan geolokasi
	PENGIRIMAN_ZIP	Kode pos yang ada di alamat pengiriman	String	01234 Catatan: Amazon Fraud Detector memperkaya data ini. Untuk informasi selengkapnya, lihat Pengayaan geolokasi
Pembayaran	ORDER_ID	Pengenal unik untuk transaksi	String	LUX60
	HARGA	Total harga pesanan	String	560.00
	CURRENCY_KODE	Kode mata uang ISO 4217	String	USD
	PEMBAYARAN_TYPE	Metode pembayaran yang digunakan untuk pembayaran selama acara berlangsung	String	Kartu kredit
	KODE	Kode alfanumerik yang dikirim oleh penerbit kartu kredit atau bank penerbit	String	0000
	AVS	Kode respons sistem verifikasi alamat (AVS) dari prosesor kartu	String	Y
Produk	PRODUCT_CATEGORY	Kategori produk item pesanan	String	Dapur
Khusus	NUMERIK	Setiap variabel yang dapat direpresentasikan sebagai bilangan real	Desimal	1.224
	KATEGORIS	Variabel apa pun yang menjelaskan kategori, segmen, atau grup	String	Besar
	FREE_FORM_TEXT	Teks formulir gratis apa pun yang diambil sebagai bagian dari acara (misalnya, ulasan atau komentar pelanggan)	String	Contoh input teks formulir bebas

Menetapkan variabel untuk jenis variabel

Jika Anda berencana menggunakan variabel untuk melatih model Anda, penting bagi Anda untuk memilih jenis variabel yang tepat untuk ditetapkan ke variabel. Penetapan jenis variabel yang salah dapat berdampak negatif pada kinerja model Anda. Hal ini juga bisa menjadi sangat sulit bagi Anda mengubah tugas nanti, terutama jika beberapa model dan peristiwa telah menggunakan variabel.

Anda dapat menetapkan variabel Anda salah satu dari jenis variabel yang telah ditentukan sebelumnya atau salah satu jenis variabel kustom -FREE_FORM_TEXT,CATEGORICAL, atauNUMERIC.

Catatan penting untuk menetapkan variabel ke jenis variabel yang tepat

1. Jika variabel cocok dengan salah satu jenis variabel yang telah ditetapkan, menggunakannya. Pastikan jenis variabel sesuai dengan variabel. Misalnya, jika Anda menetapkan variabel ip_address ke tipe variabel, EMAIL_ADDRESS variabel ip_address tidak akan diperkaya dengan pengayaan seperti ASN, ISP, geo-location, dan skor risiko. Untuk informasi selengkapnya, lihat Pengayaan variabel.

2. Jika variabel tidak cocok dengan salah satu jenis variabel yang telah ditetapkan, ikuti rekomendasi yang tercantum di bawah ini untuk menetapkan salah satu jenis variabel kustom.

3. Menetapkan jenis CATEGORICAL variabel untuk variabel yang biasanya tidak memiliki urutan alami dan dapat dimasukkan ke dalam kategori, segmen, atau kelompok. Dataset yang Anda gunakan untuk melatih model Anda mungkin memiliki variabel ID seperti, merchant_id, campaign_id, atau policy_id. Variabel-variabel ini mewakili kelompok (misalnya, semua pelanggan dengan policy_id yang sama mewakili grup). Variabel yang memiliki data berikut harus ditetapkan CATEGORICAL jenis variabel -

   • Variabel yang berisi data seperti Customer_ID, Segment_ID, Color_ID, department_code, atau Product_ID.

   • Variabel yang berisi data Boolean dengan nilai true, false, atau null.

   • Variabel yang dapat dimasukkan ke dalam kelompok atau kategori seperti nama perusahaan, kategori produk, jenis kartu, atau media rujukan.

   catatan

   ENTITY_IDadalah tipe variabel cadangan yang digunakan oleh Amazon Fraud Detector untuk menetapkan ke variabel ENTITY_ID. Variabel ENTITY_ID adalah ID entitas yang memulai tindakan yang ingin Anda evaluasi. Jika Anda membuat tipe model Transaction Fraud Insight (TFI), Anda harus menyediakan variabel ENTITY_ID. Anda harus memutuskan variabel mana dalam data Anda secara unik mengidentifikasi entitas yang memulai tindakan dan meneruskannya sebagai variabel ENTITY_ID. Tetapkan tipe variabel KATEGORIS ke semua ID lain dalam kumpulan data Anda, jika ada dan jika Anda menggunakannya untuk pelatihan model. Contoh ID lain yang bukan entitas dalam kumpulan data Anda dapat berupa Merchant_ID, Policy_ID, dan Campaign_ID.

4. Menetapkan jenis FREE_FORM_TEXT variabel untuk variabel yang berisi blok teks. Contoh jenis variabel FREE_FORM_TEXT adalah - ulasan pengguna, komentar, tanggal, dan kode rujukan. Data FREE_FORM_TEXT berisi beberapa token yang dipisahkan oleh pembatas. Pembatas dapat berupa karakter selain simbol alfa-numerik dan garis bawah. Misalnya, ulasan dan komentar pengguna dapat dipisahkan oleh pembatas “spasi”, tanggal dan kode rujukan dapat menggunakan tanda hubung sebagai pembatas untuk memisahkan awalan, akhiran, dan bagian perantara. Amazon Fraud Detector menggunakan pembatas untuk mengekstrak data dari variabel FREE_FORM_TEXT.

5. Menetapkan NUMERIC jenis variabel untuk variabel yang bilangan real dan memiliki urutan yang melekat. Contoh variabel NUMERIC termasuk day_of_the_week, incident_severity, customer_rating. Meskipun, Anda dapat menetapkan jenis variabel KATEGORIS untuk variabel-variabel ini, kami sangat menyarankan untuk menetapkan semua variabel bilangan real dengan urutan yang melekat pada tipe variabel NUMERIC.

Pengayaan variabel

Amazon Fraud Detector memperkaya beberapa elemen data mentah yang Anda berikan seperti alamat IP, nomor identifikasi bank (BIN), dan nomor telepon, untuk membuat input tambahan dan meningkatkan kinerja untuk model yang menggunakan elemen data ini. Pengayaan membantu mengidentifikasi situasi yang berpotensi mencurigakan dan membantu model untuk menangkap lebih banyak penipuan.

Pengayaan nomor telepon

Amazon Fraud Detector memperkaya data nomor telepon dengan informasi tambahan yang berkaitan dengan geolokasi, operator asli, dan validitas nomor telepon. Pengayaan nomor telepon diaktifkan secara otomatis untuk semua model yang dilatih pada atau setelah 13 Desember 2021 dan memiliki nomor telepon yang menyertakan kode negara (+xxx). Jika Anda telah memasukkan variabel nomor telepon dalam model Anda dan telah melatihnya sebelum 13 Desember 2021, latih ulang model Anda sehingga dapat memanfaatkan pengayaan ini.

Kami sangat menyarankan Anda menggunakan format berikut untuk variabel nomor telepon untuk memastikan bahwa data Anda berhasil diperkaya.

Variabel	Format	Deskripsi
NOMOR TELEPON	Standar E.164	Pastikan untuk menyertakan kode negara (+xxx) dengan nomor telepon.
BILLING_PHONE dan SHIPPING_PHONE	Standar E.164	Pastikan untuk menyertakan kode negara (+xxx) dengan nomor telepon.

Pengayaan geolokasi

Mulai 8 Februari 2022 Amazon Fraud Detector menghitung jarak fisik antara nilai IP_ADDRESS, BILLING_ZIP, dan SHIPPING_ZIP yang Anda berikan untuk suatu peristiwa. Jarak yang dihitung digunakan sebagai input untuk model deteksi penipuan Anda.

Untuk mengaktifkan pengayaan geolokasi, data peristiwa Anda harus menyertakan setidaknya dua dari tiga variabel: IP_ADDRESS, BILLING_ZIP, atau SHIPPING_ZIP. Selain itu, setiap nilai BILLING_ZIP dan SHIPPING_ZIP harus memiliki kode BILLING_COUNTRY yang valid dan kode SHIPPING_COUNTRY masing-masing. Jika Anda memiliki model yang dilatih sebelum 8 Februari 2022 dan itu termasuk variabel-variabel ini, Anda harus melatih ulang model untuk mengaktifkan pengayaan geolokasi.

Jika Amazon Fraud Detector tidak dapat menentukan lokasi yang terkait dengan nilai IP_ADDRESS, BILLING_ZIP, atau SHIPPING_ZIP untuk suatu peristiwa karena data tidak valid, nilai placeholder khusus akan digunakan sebagai gantinya. Misalnya, suatu peristiwa memiliki nilai IP_ADDRESS dan BILLING_ZIP yang valid, tetapi nilai SHIPPING_ZIP tidak valid. Dalam hal ini, pengayaan dilakukan hanya untuk IP_ADDRESS-> BILLING_ZIP. Pengayaan tidak dilakukan untuk IP_ADDRESS-> SHIPPING_ZIP dan BILLING_ZIP-> SHIPPING_ZIP. Sebaliknya, nilai placeholder digunakan di tempat mereka. Tidak masalah apakah pengayaan geolokasi diaktifkan untuk model Anda atau tidak, kinerja model Anda tidak berubah.

Anda dapat memilih keluar dari pengayaan geolokasi dengan memetakan variabel BILLING_ZIP dan SHIPPING_ZIP Anda ke tipe variabel CUSTOM_CATEGORICAL. Mengubah jenis variabel tidak memengaruhi kinerja model Anda.

Format variabel geolokasi

Kami sangat menyarankan agar Anda menggunakan format berikut untuk variabel geolokasi untuk memastikan bahwa data lokasi Anda berhasil diperkaya.

Variabel	Format	Deskripsi
IP_ADDRESS	Alamat IPv4	Misalnya - 1.1.1.1
BILLING_ZIP dan SHIPPING_ZIP	Kode pos ISO 3166-1 alpha-2 untuk negara tertentu	Untuk informasi selengkapnya, lihat bagian Kode negara dan wilayah dalam topik ini.
BILLING_COUNTRY dan SHIPPING_COUNTRY	Kode negara standar ISO 3166-1 alfa-2 dua huruf	Untuk informasi selengkapnya, lihat bagian Kode negara dan wilayah dalam topik ini. Amazon Fraud Detector mencoba mencocokkan semua variasi umum nama suatu negara dengan kode negara standar dua huruf ISO 3166-1. Namun, kami tidak dapat menjamin mereka akan dicocokkan dengan benar.

Kode negara dan wilayah

Tabel berikut menyediakan daftar lengkap negara dan wilayah yang didukung oleh Amazon Fraud Detector untuk pengayaan geolokasi. Setiap negara dan wilayah memiliki kode negara yang ditetapkan (khususnya, kode negara dua huruf ISO 3166-1 alfa-2) dan kode pos.

Format kode pos

• 9 - nomor

• a - surat

• [X] - X adalah opsional. Misalnya, Guersney “GY9 [9] 9aa” berarti “GY9 9aa” dan “GY99 9aa” valid. Gunakan satu format.

• [X/XX] - X atau XX dapat digunakan. Misalnya, Bermuda “aa [aa/99]” berarti “aa aa” dan “aa 99" valid. Gunakan salah satu dari format ini, tetapi jangan gunakan keduanya.

• Beberapa negara memiliki awalan tetap. Misalnya, kode pos untuk Andorra adalah AD999. Ini berarti kode negara harus dimulai dengan huruf AD diikuti oleh tiga angka.

Code	Nama	Kode pos
AD	Andorra	AD999
AR	Antillen Belanda	9999
DI	Austria	9999
AU	Australia	9999
AZ	Azerbaijan	9999
BD	Bangladesh	9999
ADA	Belgium	9999
BG	Bulgaria	9999
BM	Bermuda	aa [aa/99]
OLEH	Belarus	999999
CA	Canada	a9a
CH	Swiss	9999
CL	Chili	9999999
CO	Kolombia	999999
CR	Kosta Rika	99999
CY	Cyprus	9999
CZ	Ceko	999 99
DE	Germany	99999
DK	Denmark	9999
BERBUAT	Republik Dominika	99999
DZ	Aljazair	99999
EE	Estonia	99999
ES	Spain	99999
FI	Finland	99999
FM	Negara Federasi Mikronesia	99999
FO	Kepulauan Faroe	999
FR	France	99999
GB	Britania Raya	sebuah [Sebuah] 9 [Sebuah/9] 9aa
GG	Guernsey	GY9 [9] 9aa
GL	Greenland	9999
GP	Guadeloupe	99999
GT	Guatemala	99999
GU	Guam	99999
HR	Croatia	99999
HU	Hungary	9999
YAKNI	Ireland	a99 [A/9] [A/9] [A/9] [A/9]
IM	Pulau Manusia	IM9 [9] 9aa
DI DALAM	India	999999
ADALAH	Islandia	999
IA	Italy	99999
JE	Jersey	JE9 [9] 9aa
JP	Jepang	999-9999
KR	Republik Korea	99999
LI	Liechtenstein	9999
LK	Sri Lanka	99999
LT	Lithuania	99999
LU	Luxembourg	L-9999
LV	Latvia	LV-9999
MC	Monako	99999
MD	Republik Moldova	9999
MH	Kepulauan Marshall	99999
MK	Makedonia Utara	9999
MP	Kepulauan Mariana Utara	99999
MQ	Matinique	99999
MT	Malta	aaa 9999
MX	Meksiko	99999
SAYA	Malaysia	99999
NL	Netherlands	9999 aa
TIDAK	Norwegia	9999
NZ	Selandia Baru	9999
PH	Filipina	9999
PK	Pakistan	99999
PL	Poland	99-999
PR	Puerto Riko	99999
PT	Portugal	9999-999
PW	Palau	99999
KEMBALI	Reuni	99999
RO	Romania	999999
RU	Federasi Rusia	999999
SE	Sweden	999 99
SG	Singapura	999999
SI	Slovenia	9999
SK	Slovakia	999 99
SM	San Marino	99999
TH	Thailand	99999
TR	Turki	99999
UA	Ukraina	99999
US	Amerika Serikat	99999
UY	Uruguay	99999
VI	Kepulauan Virgin, AS	99999
WF	Wallis dan Futuna	99999
YT	Mayotte	99999
ZA	Afrika Selatan	9999

Pengayaan Useragent

Jika Anda membuat model Account Takeover Insights (ATI), Anda harus menyediakan variabel jenis useragent variabel dalam set data Anda. Variabel ini berisi data browser, perangkat, dan OS dari peristiwa login. Amazon Fraud Detector memperkaya data agen pengguna dengan informasi tambahan seperti, dan. user_agent_family OS_family device_family