Fingerprint lancerer Fraud Score og rapporterer næsten 50% mere opdaget svindel i kundetest

Fingerprint har lanceret Fraud Score, et prædiktivt signal om svindel, der kombinerer enhedsbaseret intelligens med maskinlæringsmodeller trænet på hver kundes egne svindelresultater. Virksomheden oplyser, at produktet opdagede næsten 50 % mere svindel end én kundes eksisterende interne model i en direkte sammenligning, uden at øge antallet af legitime brugere, der blev blokeret.

Lanceringen adresserer et velkendt problem for risikoteams: Det er lettere at indsamle signaler end at omsætte dem til en pålidelig beslutning. En enhed, der er knyttet til flere konti, kan være tegn på misbrug af kampagnetilbud, mens en ukendt enhed, der forsøger at få adgang til en etableret konto, kan kræve en anden undersøgelse. Fraud Score er udviklet til at lære at skelne mellem disse tilfælde ud fra en organisations faktiske brugere, trafik og bekræftede resultater.

Hvad den rapporterede stigning i svindelopdagelse viser

Fingerprints hovedresultat bygger på en sammenligning med én kundes interne model. Virksomheden siger, at Fraud Score opdagede næsten 50 % mere svindel ved samme niveau af blokering af legitime brugere. Det sidste forbehold er vigtigt: Et system kan fange mere mistænkelig aktivitet ved ganske enkelt at afvise mere trafik, men det kan også afvise ægte kunder.

Resultatet stammer fra en direkte sammenligning med én kundes interne model. Det viser værdien af at lære af virksomhedens svindelmønstre, samtidig med at blokeringen af legitime brugere holdes på samme niveau.

Stigningen måler, hvor meget yderligere svindel der blev opdaget. Den økonomiske værdi afhænger af de involverede transaktioner, og hvordan virksomheden bruger hver enkelt forudsigelse.

Forskellige svindelproblemer kræver forskellige modeller

Fraud Scores centrale designvalg er at specialisere forudsigelser efter svindeltype. Fingerprint nævner betalingssvindel, kontoovertagelse, brug af flere konti, oprettelse af falske konti, misbrug af kampagnetilbud, misbrug af platformen og misbrug af indhold blandt de typer, løsningen understøtter.

Kategorierne dækker forskellige former for adfærd og forskellige omkostninger for virksomheden. En model til at opdage betalingssvindel kan hjælpe en forhandler med at vurdere en ordre, mens en model til at opdage misbrug af kampagnetilbud kan lede efter gentagne forsøg på at gøre krav på et tilbud via flere konti. En arbejdsgang til at opdage kontoovertagelse har et andet formål: at identificere uautoriseret adgang uden unødigt at afbryde den legitime kontoindehaver.

Kundernes resultater leverer feedback til træningen. I stedet for at bede hver organisation om selv at opbygge og drive et lag til forudsigelser står Fingerprint for træning og vedligeholdelse af modellerne og kombinerer sine enhedssignaler med de etiketter, virksomheden leverer. Nye resultater indgår i efterfølgende genoptræning, efterhånden som kundens trafik og svindelmønstre ændrer sig.

Derfor er kvaliteten af denne feedback vigtig. En model, der er trænet på bekræftede resultater, får et mere nyttigt grundlag for læring end en model, der er trænet på en usorteret liste over mistænkelige hændelser. Hvis en organisations etiketter er ufuldstændige eller inkonsistente, kan forudsigelserne afspejle disse begrænsninger.

Enhedsbaseret intelligens giver kontekst ud over kontoen

Fingerprints platform til enhedsbaseret intelligens kombinerer vedvarende identifikation med kontekstuelle signaler om aktivitet på web og mobil. Platformens rolle er at hjælpe virksomheder med at forbinde aktivitet på tværs af sessioner og undersøge mønstre, som kontooplysninger alene måske ikke afslører.

Virksomhedens katalog over Smart Signals omfatter indikatorer for automatisering, manipulation af browsere, virtuelle maskiner, proxyer, VPN’er og usædvanligt høj enhedsaktivitet. Disse signaler giver kontekst til analysen; et værktøj til beskyttelse af privatlivet eller et ukendt miljø er ikke i sig selv bevis på svigagtige hensigter.

Fraud Score føjer et kundetrænet lag til forudsigelser til dette grundlag. Forskellen består i at skelne mellem at genkende et miljø og at vurdere, hvordan mønstre i dette miljø hænger sammen med en bestemt virksomheds svindelresultater. Teams kan bruge forudsigelserne direkte eller indarbejde dem i et eksisterende beslutningssystem sammen med deres øvrige oplysninger.

Metoden går også videre end at blokere en identifikator, der allerede er knyttet til misbrug. En trænet model kan lede efter kombinationer af signaler, der forbindes med tidligere tilfælde, og dermed potentielt hjælpe en virksomhed med at genkende lignende adfærd, før den næste transaktion gennemføres.

En feedbacksløjfe via kontrolpanelet, API’et og S3

Ifølge Fingerprints lanceringsmateriale kan kunder indberette svindelresultater via virksomhedens kontrolpanel, API eller S3. De kan administrere etiketter og analysere modellernes ydeevne, mens forudsigelser leveres via Fingerprints API-svar.

Denne arkitektur passer ind i eksisterende arbejdsgange for risikostyring. En beslutningsmotor kan bruge forudsigelsen sammen med andre kontroller til at godkende en interaktion, anmode om yderligere bekræftelse eller sende den til gennemgang.

Løbende genoptræning skal gøre tjenesten i stand til at reagere på misbrug i udvikling. Feedbacksløjfen afhænger stadig af, hvad organisationen får at vide efter en hændelse, herunder resultater, der måske først bliver tydelige senere. Derfor er overvågning af modellens ydeevne over tid fortsat en del af driften af systemet.

Hvorfor Flink havde brug for mere end blokering af besøgs-ID’er

Meddelelsen indeholder en udtalelse fra Flink, hvis ledende softwareingeniør, David Fennessey, sagde, at det ikke var tilstrækkeligt kun at blokere besøgs-id’er for at imødegå mere avanceret misbrug. Han beskrev samarbejdet med Fingerprint om en model, der bygger på Flinks interne svindelanalyser, og som skal hjælpe med at forhindre fremtidigt misbrug, før en ordre afgives.

Flinks erfaring illustrerer samarbejdet bag tjenesten: Virksomheden bidrager med sine interne svindelanalyser, og Fingerprint bruger denne feedback til at udvikle og vedligeholde en model, der er skræddersyet til virksomhedens misbrugsmønstre.

Fraud Score flytter fokus fra at vedligeholde individuelle signaler og regler til at lære af virksomhedens egne resultater. Fingerprint står for træning og genoptræning, mens svindelteamene bevarer kontrollen over, hvordan forudsigelser indgår i deres beslutninger. Produktet er tilgængeligt via Fingerprints side om Fraud Score.