卡森梁

在Trulioo的高速成长阶段, 工程和客户成功团队在跟上全球400多家数据供应商的步伐方面遇到了问题. 每个供应商都有其独特的维护计划、停机时间和其他中断. 该公司只有在性能下降对客户造成长时间影响时才会做出反应. 经常, 这导致了数千次KYC失败，以及人工入职带来的数万美元收入损失.

在回应, 我带头设计, 发展, 维护早期预警系统，主动扫描所有数据供应商和关键客户，以防止公司旗舰产品的中断. 系统立即通知客户成功, 工程, 如果发现异常情况，管理团队会立即采取行动. 通过自动将受影响的数据源切换到备份数据供应商, 该系统防止了中断，并将对客户的影响降至最低. 这个系统使我们的团队主动而不是被动, 在获得更大的客户合同和扩张方面，哪个是关键.

在Jumio, 我整合的业务部门负责开发Jumio事务监控系统，就像公司内部的初创公司一样. 当时，它的数据库针对快速写入进行了优化，但在读取和更新记录方面却非常不理想. 正因为如此, 缺乏商业智能基础设施和数据一致性, 这成为任何平台范围的数据分析和构建预测模型的明显障碍.

我设计了一个高性能的架构, 与现有AWS组件无缝集成的无服务器数据库. 因为数据库是无服务器的，所以它的成本也非常低. 通过这个数据库, 我们开发了ETL管道来进一步细化数据, 哪一个启用了商业智能指示板，并将数据质量提高到预测建模的阈值以上.

另一个依赖于数据库的关键业务功能是反洗钱事件记录保存, 提供元分析和快速获取客户潜在欺诈事件，并使统计数据能够向上游监管机构报告.

万事达卡有一个非常先进的生物识别模型，可以推导和分析400多个用户的网络行为特征. 数据点包括设备设置、地理位置和一个人在键盘上打字的独特方式. 所有东西都被组合在一起，形成了用户的指纹, 然后帮助确定用户是否表现出已知或未知的行为. 如果用户表现出异常行为，其流量将通过不可能的验证码停止. 问题是一个帐户中可能有多个用户. 如果不区分, 众多用户的行为将被分组, 从而大大降低了模型判断行为是否异常的能力.

我与数据科学和数据工程合作开发了一个新的规则集，使模型能够识别流量并将其划分为主要流量, 二次, 以及一个账户内未知的用户行为. 这降低了该公司许多重要客户的误报率，有时高达12%. 它最终被其电子商务市场客户采用为主要的欺诈检测方法.