金融 / 支付
Adyen：同时优化支付授权、欺诈与手续费
- 企业
- Adyen
- 国家
- 荷兰
- 实施阶段
- 运营中
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 通过搜索工具的正文摘录核验
业务问题
一笔支付有多个环节彼此纠缠。给客户的支付体验取决于预测出的风险，该风险又受认证结果和支付路由选择影响，路由反过来又改变成本。过去每个环节各跑各的模型。欺诈模型在chargeback概率超过阈值时拦截交易，而认证模型并不知道这一情况就决定了路由。
使用的技术与数据
Uplift的AI把多个性质不同的machine learning模型绑在一起，让它们共享彼此的判断。模型之间通过message passing传递条件，并用Reinforcement Learning朝着同时兼顾欺诈、成本和转化的单一目标优化。输入值由Feature Platform提供：缓慢复杂的feature用Spark计算，快速feature用Apache Flink计算，存入多个区域数据中心的Cassandra。推理服务Alfred只保留一个模型作为principal，新模型经由ghost和challenger阶段逐步晋升。ghost不影响结果，只留下记录；challenger只在设定比例的流量上参与结果，一旦统计上被确认优于principal就替换上位。
成果
Adyen表示，在2024年Black Friday和Cyber Monday的四天里处理了6亿7000万笔交易。这期间每笔交易都经过2到5个AI endpoint，每个节点分配的延迟中位数为20ms。公司称，把Weak Supervision用于生产后，recall提高22%，授权率损失减少46%，发卡行拒付率改善13%。通过Off-Policy Evaluation，公司每年省下原本耗在无果AB测试上的20周时间，并估算半年内多获得900万到5400万笔交易。
局限与待解问题
这篇文章是Adyen自述其技术的资料，没有披露单个商户的支付授权改善幅度。数据平台规模的数字以2025年初为准。
来源
- The AI behind Uplift - Adyenadyen.com, 查阅
本案例根据公开资料整理，并非 ATF Works 客户的成果。