Fingerprint lanseeraa Fraud Scoren: asiakastestissä havaittiin lähes 50% enemmän petoksia

Fingerprint on lanseerannut Fraud Scoren, ennakoivan petossignaalin, jossa laiteäly yhdistyy koneoppimismalleihin, jotka on koulutettu kunkin asiakkaan omien petostapausten perusteella. Yhtiön mukaan tuote havaitsi rinnakkaisvertailussa lähes 50 % enemmän petoksia kuin yhden asiakkaan käytössä ollut sisäinen malli lisäämättä kuitenkaan estettyjen laillisten käyttäjien määrää.

Julkaisu vastaa riskienhallintatiimien tuttuun ongelmaan: signaalien kerääminen on helpompaa kuin niiden pohjalta luotettavan päätöksen tekeminen. Useisiin tileihin yhdistetty laite voi viitata kampanjaetujen väärinkäyttöön, kun taas aiemmin käyttämättömältä laitteelta tehty kirjautumisyritys käytössä olevalle tilille voi vaatia toisenlaista selvitystä. Fraud Score on suunniteltu oppimaan nämä erot organisaation todellisten käyttäjien, liikenteen ja vahvistettujen tulosten perusteella.

Mitä raportoidusta havaitsemistuloksen parannuksesta voidaan päätellä

Fingerprintin keskeinen tulos perustuu vertailuun yhden asiakkaan sisäiseen malliin. Yhtiön mukaan Fraud Score havaitsi lähes 50 % enemmän petoksia, vaikka laillisten käyttäjien estämisen taso pysyi samana. Tämä jälkimmäinen ehto on olennainen: järjestelmä voi havaita enemmän epäilyttävää toimintaa yksinkertaisesti hylkäämällä enemmän liikennettä, mutta samalla se voi torjua myös oikeita asiakkaita.

Tulos perustuu rinnakkaisvertailuun yhden asiakkaan sisäisen mallin kanssa. Se osoittaa, mitä hyötyä kyseisen yrityksen petosmallien oppimisesta on, kun laillisten käyttäjien estämisen taso pidetään ennallaan.

Parannus mittaa havaittujen petosten lisäystä. Sen taloudellinen arvo riippuu kyseisistä maksutapahtumista ja siitä, miten yritys käyttää kutakin ennustetta.

Erilliset mallit erilaisiin petosongelmiin

Fraud Scoren keskeinen suunnitteluratkaisu on ennusteiden erikoistaminen petostyypin mukaan. Fingerprint mainitsee tuettuihin käyttötarkoituksiin kuuluvan maksupetokset, tilin kaappauksen, useiden tilien käytön, valeprofiilien luomisen, kampanjaetujen väärinkäytön, alustan väärinkäytön ja sisällön väärinkäytön.

Nämä luokat kuvaavat erilaista toimintaa ja erilaisia liiketoiminnallisia kustannuksia. Maksupetosmalli voi auttaa kauppiasta arvioimaan tilausta, kun taas kampanjaetujen väärinkäyttöä tunnistava malli voi etsiä toistuvia yrityksiä lunastaa etu useiden tilien kautta. Tilin kaappauksen tunnistamisella on jälleen eri tavoite: luvattoman käytön havaitseminen keskeyttämättä tarpeettomasti tilin laillisen haltijan toimintaa.

Asiakkaiden toiminnan tulokset antavat malleille koulutuspalautetta. Sen sijaan, että jokainen organisaatio joutuisi rakentamaan ja ylläpitämään oman ennustekerroksensa, Fingerprint huolehtii mallien koulutuksesta ja ylläpidosta yhdistämällä laitesignaalinsa yrityksen toimittamiin luokituksiin. Uudet tulokset otetaan mukaan myöhempään uudelleenkoulutukseen asiakkaan liikenteen ja petosmallien muuttuessa.

Tämän vuoksi palautteen laatu on tärkeää. Vahvistettujen tulosten perusteella koulutettu malli saa hyödyllisempää ohjausta kuin malli, joka on koulutettu erot­telemattoman epäilyttävien tapahtumien luettelon perusteella. Jos organisaation luokitukset ovat puutteellisia tai epäjohdonmukaisia, ennusteissa voi näkyä näitä rajoitteita.

Laiteäly tuo tilitietojen lisäksi muuta kontekstia

Fingerprintin laiteälyalusta yhdistää pysyvän tunnistamisen kontekstisignaaleihin verkko- ja mobiilitoiminnasta. Sen avulla yritykset voivat yhdistää eri istuntojen toimintaa ja tarkastella malleja, joita pelkät tilitiedot eivät välttämättä paljasta.

Yhtiön Smart Signals -luettelo sisältää merkkejä automaatiosta, selaimen manipuloinnista, virtuaalikoneista, välityspalvelimista, VPN-yhteyksistä ja poikkeuksellisen vilkkaasta laitekäytöstä. Nämä signaalit tarjoavat kontekstia analyysille; yksityisyydensuojatyökalu tai tuntematon ympäristö ei yksinään osoita petosaikomusta.

Fraud Score lisää näiden tietojen rinnalle asiakkaan datalla koulutetun ennustekerroksen. Ero on siinä, että ympäristön tunnistamisen lisäksi arvioidaan, miten kyseisen ympäristön mallit liittyvät tietyn yrityksen petostapauksiin. Tiimit voivat käyttää ennusteita suoraan tai syöttää ne muiden tietojen rinnalla olemassa olevaan päätöksentekojärjestelmään.

Lähestymistapa menee myös pidemmälle kuin väärinkäyttöön jo yhdistetyn tunnisteen estäminen. Koulutettu malli voi etsiä aiempiin tapauksiin liittyvien signaalien yhdistelmiä ja auttaa yritystä mahdollisesti tunnistamaan vastaavan toiminnan ennen seuraavan maksutapahtuman valmistumista.

Palautesilmukka hallintapaneelin, API:n ja S3:n kautta

Fingerprintin julkaisumateriaalien mukaan asiakkaat voivat toimittaa petostapauksia koskevia tuloksia hallintapaneelin, API:n tai S3:n kautta. He voivat hallita luokituksia ja analysoida mallin suorituskykyä, ja ennusteet toimitetaan Fingerprintin API-vastauksissa.

Tämä arkkitehtuuri sopii olemassa oleviin riskienhallinnan työnkulkuihin. Päätöksentekomoottori voi käyttää ennustetta muiden tarkistusten rinnalla vuorovaikutuksen hyväksymiseen, lisätarkistuksen pyytämiseen tai asian ohjaamiseen tarkastettavaksi.

Jatkuvan uudelleenkoulutuksen tarkoituksena on auttaa palvelua reagoimaan väärinkäytön muuttuviin muotoihin. Palautesykli riippuu edelleen siitä, mitä organisaatio saa selville tapahtuman jälkeen, myös tuloksista, jotka voivat selvitä vasta myöhemmin. Mallin suorituskyvyn seuraaminen ajan mittaan on siksi edelleen osa järjestelmän käyttöä.

Miksi Flink tarvitsi muutakin kuin kävijätunnisteiden estämistä

Julkistukseen sisältyy Flinkin kuvaus, jossa sen johtava ohjelmistoinsinööri David Fennessey sanoi, ettei pelkkä kävijätunnisteiden estäminen riitä torjumaan kehittyneempää väärinkäyttöä. Hän kertoi Flinkin yhteistyöstä Fingerprintin kanssa: yhdessä he kehittivät Flinkin sisäiseen petosanalyysiin perustuvan mallin, jonka avulla väärinkäyttöä voidaan ehkäistä ennen tilauksen tekemistä.

Flinkin kokemuksesta käy ilmi, miten yhteistyö palvelun taustalla toimii: yritys tuo mukaan sisäisen petosanalyysinsä, ja Fingerprint hyödyntää tätä palautetta rakentaakseen ja ylläpitääkseen mallia, joka on räätälöity yrityksen kohtaamiin väärinkäytösmalleihin.

Fraud Score siirtää painopisteen yksittäisten signaalien ja sääntöjen ylläpidosta yrityksen omista tuloksista oppimiseen. Fingerprint vastaa mallin kouluttamisesta ja uudelleenkouluttamisesta, mutta petostentorjuntatiimit päättävät edelleen, miten ennusteet vaikuttavat niiden päätöksentekoon. Tuote on saatavilla Fingerprintin Fraud Score -sivulla.