Fingerprint bringt Fraud Score auf den Markt und meldet im Kundentest fast 50% mehr erkannte Betrugsfälle

Fingerprint hat Fraud Score eingeführt, ein prädiktives Betrugssignal, das Geräteinformationen mit Machine-Learning-Modellen kombiniert, die anhand der eigenen Betrugsfälle jedes Kunden trainiert werden. Das Unternehmen berichtet, dass das Produkt in einem direkten Vergleich fast 50 % mehr Betrugsfälle erkannte als das bestehende unternehmenseigene Modell eines Kunden – ohne mehr legitime Nutzer zu blockieren.

Die Einführung geht ein bekanntes Problem für Risikoteams an: Signale zu erfassen ist einfacher, als daraus eine verlässliche Entscheidung abzuleiten. Ein Gerät, das mit mehreren Konten verknüpft ist, könnte auf Angebotsmissbrauch hindeuten, während ein unbekanntes Gerät, das versucht, sich bei einem bestehenden Konto anzumelden, eine andere Untersuchung erfordern könnte. Fraud Score soll solche Unterschiede anhand der tatsächlichen Nutzer, des Datenverkehrs und der bestätigten Ergebnisse eines Unternehmens erkennen lernen.

Was der gemeldete Anstieg bei der Erkennung zeigt

Das zentrale Ergebnis von Fingerprint bezieht sich auf einen Vergleich mit dem internen Modell eines Kunden. Nach Angaben des Unternehmens erkannte Fraud Score bei gleichbleibender Blockierungsrate legitimer Nutzer fast 50 % mehr Betrugsfälle. Diese zweite Bedingung ist entscheidend: Ein System kann mehr verdächtige Aktivitäten aufdecken, indem es einfach mehr Datenverkehr abweist. Dadurch können jedoch auch echte Kunden abgewiesen werden.

Das Ergebnis stammt aus einem direkten Vergleich mit dem unternehmenseigenen Modell eines Kunden. Es zeigt, welchen Nutzen es hat, aus den Betrugsmustern dieses Unternehmens zu lernen und dabei die Blockierungsrate legitimer Nutzer konstant zu halten.

Der Zuwachs gibt an, wie viele zusätzliche Betrugsfälle erkannt wurden. Der finanzielle Wert hängt von den betreffenden Transaktionen und davon ab, wie das Unternehmen die einzelnen Vorhersagen nutzt.

Separate Modelle für unterschiedliche Betrugsarten

Die zentrale Designentscheidung von Fraud Score besteht darin, Vorhersagen auf bestimmte Betrugsarten zuzuschneiden. Fingerprint nennt Zahlungsbetrug, Kontoübernahmen, die Nutzung mehrerer Konten, das Erstellen gefälschter Konten, Angebotsmissbrauch, Plattformmissbrauch und den Missbrauch von Inhalten als unterstützte Anwendungsfälle.

Diese Kategorien stehen für unterschiedliche Verhaltensweisen und geschäftliche Kosten. Ein Modell für Zahlungsbetrug könnte Händlern bei der Bewertung einer Bestellung helfen, während ein Modell für Angebotsmissbrauch wiederholte Versuche erkennen könnte, ein Angebot über mehrere Konten in Anspruch zu nehmen. Bei der Erkennung von Kontoübernahmen gilt wiederum ein anderes Ziel: unbefugten Zugriff erkennen, ohne den rechtmäßigen Kontoinhaber unnötig zu behindern.

Die Ergebnisse beim Kunden liefern das Feedback für das Training. Anstatt von jeder Organisation zu verlangen, eine eigene Prognoseschicht zu entwickeln und zu betreiben, übernimmt Fingerprint das Training und die Wartung der Modelle und kombiniert dabei Gerätesignale mit den vom Unternehmen bereitgestellten Kennzeichnungen. Neue Ergebnisse fließen in nachfolgende Trainingsrunden ein, wenn sich Datenverkehr und Betrugsmuster des Kunden verändern.

Damit kommt der Qualität dieses Feedbacks eine wichtige Bedeutung zu. Ein Modell, das anhand bestätigter Ergebnisse trainiert wird, erhält aussagekräftigeres Feedback als eines, das auf einer undifferenzierten Liste verdächtiger Ereignisse beruht. Sind die Kennzeichnungen einer Organisation unvollständig oder uneinheitlich, können sich diese Einschränkungen in den daraus entstehenden Vorhersagen widerspiegeln.

Geräteinformationen liefern Kontext über das Konto hinaus

Die Plattform für Geräteinformationen von Fingerprint kombiniert dauerhafte Identifizierung mit Kontextsignalen zu Aktivitäten im Web und auf Mobilgeräten. Sie soll Unternehmen dabei helfen, Aktivitäten über mehrere Sitzungen hinweg miteinander zu verknüpfen und Muster zu untersuchen, die sich allein anhand von Kontodaten möglicherweise nicht erkennen lassen.

Der Katalog der Smart Signals des Unternehmens umfasst Indikatoren für Automatisierung, Manipulation des Browsers, virtuelle Maschinen, Proxys, VPNs und ungewöhnlich hohe Geräteaktivität. Diese Signale liefern Kontext für die Analyse; ein Datenschutztool oder eine unbekannte Umgebung allein belegt keine betrügerische Absicht.

Fraud Score ergänzt diese Hinweise um eine anhand der Kundendaten trainierte Prognoseschicht. Der Unterschied besteht darin, eine Umgebung zu erkennen oder zu beurteilen, wie Muster in dieser Umgebung mit den Betrugsergebnissen eines bestimmten Unternehmens zusammenhängen. Teams können die Vorhersagen direkt nutzen oder sie zusammen mit anderen Informationen in ein bestehendes Entscheidungssystem einspeisen.

Der Ansatz geht außerdem über das Blockieren einer Kennung hinaus, die bereits mit Missbrauch in Verbindung gebracht wurde. Ein trainiertes Modell kann nach Kombinationen von Signalen suchen, die mit früheren Fällen zusammenhängen, und einem Unternehmen so möglicherweise helfen, ähnliches Verhalten zu erkennen, bevor die nächste Transaktion abgeschlossen wird.

Eine Feedbackschleife über Dashboard, API und S3

Den Einführungsunterlagen von Fingerprint zufolge können Kunden Betrugsergebnisse über das Dashboard, die API oder S3 übermitteln. Sie können Kennzeichnungen verwalten und die Modellleistung analysieren; die Vorhersagen werden über die API-Antworten von Fingerprint bereitgestellt.

Diese Architektur lässt sich in bestehende Risikoprozesse integrieren. Eine Entscheidungsmaschine kann die Vorhersage zusammen mit anderen Prüfungen nutzen, um eine Interaktion zu genehmigen, eine zusätzliche Verifizierung anzufordern oder sie zur Überprüfung weiterzuleiten.

Durch kontinuierliches Nachtrainieren soll der Dienst auf sich verändernden Missbrauch reagieren können. Die Feedbackschleife hängt weiterhin davon ab, was eine Organisation nach einem Ereignis erfährt – auch von Ergebnissen, die möglicherweise erst später feststehen. Die Überwachung der Modellleistung im Zeitverlauf bleibt daher Teil des Systembetriebs.

Warum Flink mehr wollte als das Blockieren von Besucher-IDs

Die Ankündigung enthält einen Bericht von Flink, dessen leitender Softwareentwickler David Fennessey sagte, dass das Blockieren von Besucher-IDs allein nicht ausreiche, um ausgeklügelteren Missbrauch abzuwehren. Er beschrieb die Zusammenarbeit mit Fingerprint an einem Modell, das auf Flinks interner Betrugsanalyse basiert und dazu beitragen soll, künftigen Missbrauch zu verhindern, bevor eine Bestellung aufgegeben wird.

Die Erfahrungen von Flink veranschaulichen die Zusammenarbeit hinter dem Dienst: Das Unternehmen steuert seine interne Betrugsanalyse bei, und Fingerprint nutzt dieses Feedback, um ein Modell aufzubauen und zu pflegen, das auf die Missbrauchsmuster des Unternehmens zugeschnitten ist.

Fraud Score verlagert den Schwerpunkt von der Pflege einzelner Signale und Regeln hin zum Lernen aus den eigenen Ergebnissen eines Unternehmens. Fingerprint übernimmt das Training und erneute Training, während Betrugsteams die Kontrolle darüber behalten, wie Vorhersagen in ihre Entscheidungen einfließen. Das Produkt ist über die Seite zu Fraud Score von Fingerprint verfügbar.