Fingerprint lanza Fraud Score e informa de que detectó casi un 50% más de fraude en una prueba con un cliente

Fingerprint ha lanzado Fraud Score, una señal predictiva de fraude que combina inteligencia de dispositivos con modelos de aprendizaje automático entrenados con los propios resultados de fraude de cada cliente. La empresa informa de que, en una evaluación comparativa directa, el producto detectó casi un 50 % más de fraude que el modelo interno que ya utilizaba uno de sus clientes, sin aumentar el número de usuarios legítimos bloqueados.

El lanzamiento aborda un problema habitual para los equipos de gestión de riesgos: recopilar señales es más fácil que convertirlas en una decisión fiable. Un dispositivo asociado a varias cuentas podría indicar un abuso de promociones, mientras que un dispositivo desconocido que intenta acceder a una cuenta establecida podría requerir una investigación distinta. Fraud Score está diseñado para aprender esas diferencias a partir de los usuarios, el tráfico y los resultados confirmados reales de una organización.

Qué demuestra el aumento de detección informado

El resultado más destacado de Fingerprint corresponde a una comparación con el modelo interno de un cliente. La empresa afirma que Fraud Score detectó casi un 50 % más de fraude manteniendo el mismo nivel de bloqueo de usuarios legítimos. Esta segunda condición es importante: un sistema puede detectar más actividad sospechosa simplemente rechazando más tráfico, pero eso también puede alejar a clientes legítimos.

El resultado procede de una comparación directa con el modelo interno de un cliente. Demuestra el valor de aprender de los patrones de fraude de esa empresa y, al mismo tiempo, mantener estable el bloqueo de usuarios legítimos.

El aumento mide el fraude adicional detectado. Su valor financiero depende de las transacciones implicadas y de cómo utilice la empresa cada predicción.

Modelos específicos para distintos tipos de fraude

La principal decisión de diseño de Fraud Score consiste en especializar las predicciones según el tipo de fraude. Fingerprint enumera entre sus objetivos compatibles el fraude en los pagos, la toma de control de cuentas, el uso de varias cuentas, la creación de cuentas falsas, el abuso de promociones, el abuso de plataformas y el abuso de contenidos.

Estas categorías describen comportamientos y costes empresariales distintos. Un modelo de fraude en los pagos podría ayudar a un comercio a evaluar un pedido, mientras que un modelo de abuso de promociones podría buscar intentos reiterados de reclamar una oferta mediante varias cuentas. Un flujo de trabajo para detectar la toma de control de cuentas tiene otro objetivo: detectar accesos no autorizados sin interrumpir innecesariamente al titular legítimo de la cuenta.

Los resultados de los clientes proporcionan la retroalimentación para el entrenamiento. En lugar de pedir a cada organización que cree y gestione su propia capa de predicción, Fingerprint se ocupa del entrenamiento y el mantenimiento de los modelos, combinando sus señales de dispositivos con las etiquetas que proporciona la empresa. Los nuevos resultados se utilizan en posteriores reentrenamientos a medida que cambian el tráfico y los patrones de fraude del cliente.

Por eso es importante la calidad de esa retroalimentación. Un modelo entrenado con resultados confirmados recibe una supervisión más útil que uno entrenado con una lista indiferenciada de eventos sospechosos. Si las etiquetas de una organización están incompletas o son incoherentes, las predicciones resultantes pueden reflejar esas limitaciones.

La inteligencia de dispositivos aporta contexto más allá de una cuenta

La plataforma de inteligencia de dispositivos de Fingerprint combina la identificación persistente con señales contextuales sobre la actividad web y móvil. Su función es ayudar a las empresas a vincular la actividad entre sesiones y examinar patrones que quizá no se desprendan únicamente de los datos de una cuenta.

El catálogo Smart Signals de la empresa incluye indicadores de automatización, manipulación del navegador, máquinas virtuales, proxies, VPN y actividad inusualmente elevada de un dispositivo. Estas señales aportan contexto para el análisis; una herramienta de privacidad o un entorno desconocido no demuestran por sí solos una intención fraudulenta.

Fraud Score añade a esas pruebas una capa de predicción entrenada con los datos del cliente. La diferencia está entre reconocer un entorno y evaluar cómo se relacionan los patrones de ese entorno con los resultados de fraude de una empresa concreta. Los equipos pueden usar las predicciones directamente o incorporarlas a un sistema de decisión existente junto con el resto de su información.

El enfoque también va más allá de bloquear un identificador ya asociado con abusos. Un modelo entrenado puede buscar combinaciones de señales vinculadas a casos anteriores, lo que podría ayudar a una empresa a reconocer comportamientos similares antes de que se complete la siguiente transacción.

Un ciclo de retroalimentación mediante el panel, la API y S3

Según los materiales de lanzamiento de Fingerprint, los clientes pueden proporcionar resultados de fraude a través de su panel, su API o S3. También pueden gestionar etiquetas y analizar el rendimiento de los modelos, mientras que las predicciones se entregan mediante las respuestas de la API de Fingerprint.

Esta arquitectura se adapta a los flujos de trabajo de gestión de riesgos existentes. Un motor de decisión puede utilizar la predicción junto con otras comprobaciones para aprobar una interacción, solicitar una verificación adicional o remitirla a revisión.

El reentrenamiento continuo busca que el servicio responda a la evolución de los abusos. El ciclo de retroalimentación sigue dependiendo de lo que la organización averigüe después de un evento, incluidos los resultados que quizá solo se conozcan más adelante. Por ello, supervisar el rendimiento del modelo a lo largo del tiempo sigue siendo parte del funcionamiento del sistema.

Por qué Flink quería algo más que bloquear identificadores de visitantes

El anuncio incluye el testimonio de Flink, cuyo ingeniero principal de software, David Fennessey, afirmó que bloquear únicamente los identificadores de visitantes no era suficiente para combatir abusos más sofisticados. Describió cómo trabajaron con Fingerprint en un modelo basado en el análisis interno de fraude de Flink, con el fin de ayudar a detener futuros abusos antes de que se realice un pedido.

La experiencia de Flink ilustra la colaboración que sustenta el servicio: la empresa aporta su análisis interno de fraude y Fingerprint utiliza esa información para crear y mantener un modelo adaptado a sus patrones de abuso.

Fraud Score desplaza el énfasis del mantenimiento de señales y reglas individuales hacia el aprendizaje a partir de los resultados propios de cada empresa. Fingerprint se encarga del entrenamiento y el reentrenamiento, mientras que los equipos de fraude conservan el control sobre cómo influyen las predicciones en sus decisiones. El producto está disponible en la página de Fraud Score de Fingerprint.