Fingerprint lance Fraud Score, qui détecte près de 50% de fraude en plus lors d’un test client

Fingerprint a lancé Fraud Score, un indicateur prédictif de fraude qui combine des données de renseignement sur les appareils et des modèles d’apprentissage automatique entraînés à partir des résultats de fraude propres à chaque client. L’entreprise indique que, lors d’une évaluation comparative directe, le produit a détecté près de 50 % de fraude en plus que le modèle interne existant d’un client, sans augmenter le nombre d’utilisateurs légitimes bloqués.

Ce lancement répond à un problème bien connu des équipes chargées de la gestion des risques : recueillir des signaux est plus facile que d’en tirer une décision fiable. Un appareil associé à plusieurs comptes peut indiquer un abus lié aux promotions, tandis qu’un appareil inconnu tentant d’accéder à un compte établi peut justifier une enquête différente. Fraud Score est conçu pour apprendre à distinguer ces situations à partir des utilisateurs, du trafic et des résultats confirmés réels d’une organisation.

Ce que révèle la hausse du taux de détection annoncée

Le résultat mis en avant par Fingerprint porte sur une comparaison avec le modèle interne d’un client. Selon l’entreprise, Fraud Score a détecté près de 50 % de fraude en plus, tout en maintenant le même niveau de blocage des utilisateurs légitimes. Cette seconde condition est importante : un système peut détecter davantage d’activités suspectes simplement en rejetant plus de trafic, mais il risque alors aussi de refuser l’accès à de vrais clients.

Le résultat provient d’une comparaison directe avec le modèle interne d’un client. Il montre l’intérêt d’apprendre à partir des schémas de fraude propres à cette entreprise tout en maintenant le blocage des utilisateurs légitimes à un niveau stable.

Le gain correspond à la fraude supplémentaire détectée. Sa valeur financière dépend des transactions concernées et de la manière dont l’entreprise utilise chaque prédiction.

Des modèles distincts pour différents types de fraude

Le principe central de Fraud Score consiste à spécialiser les prédictions en fonction du type de fraude. Fingerprint indique que le produit prend en charge la fraude au paiement, la prise de contrôle de comptes, la gestion de plusieurs comptes par une même personne, la création de faux comptes, les abus liés aux promotions, les abus de plateforme et les abus de contenu.

Ces catégories correspondent à des comportements et à des coûts différents pour l’entreprise. Un modèle de détection de la fraude au paiement peut aider un commerçant à évaluer une commande, tandis qu’un modèle de détection des abus liés aux promotions peut repérer des tentatives répétées d’obtenir une offre au moyen de plusieurs comptes. Un processus de détection des prises de contrôle de comptes poursuit un autre objectif : détecter les accès non autorisés sans interrompre inutilement l’activité du titulaire légitime du compte.

Les résultats observés chez les clients fournissent les données de rétroaction nécessaires à l’entraînement. Au lieu de demander à chaque organisation de concevoir et d’exploiter sa propre couche de prédiction, Fingerprint prend en charge l’entraînement et la maintenance des modèles, en combinant ses signaux liés aux appareils avec les étiquettes fournies par l’entreprise. Les nouveaux résultats alimentent les entraînements ultérieurs à mesure que le trafic et les schémas de fraude du client évoluent.

La qualité de ces données de rétroaction est donc importante. Un modèle entraîné à partir de résultats confirmés bénéficie d’un encadrement plus utile qu’un modèle entraîné à partir d’une liste indifférenciée d’événements suspects. Si les étiquettes d’une organisation sont incomplètes ou incohérentes, les prédictions obtenues peuvent refléter ces limites.

Le renseignement sur les appareils apporte un contexte qui dépasse les données d’un compte

La plateforme de renseignement sur les appareils de Fingerprint associe une identification persistante à des signaux contextuels concernant l’activité sur le Web et les appareils mobiles. Elle aide les entreprises à relier les activités entre différentes sessions et à examiner des schémas que les seules données de compte ne révèlent pas nécessairement.

Le catalogue Smart Signals de l’entreprise comprend des indicateurs d’automatisation, de manipulation du navigateur, de machines virtuelles, de serveurs mandataires, de VPN et d’activité inhabituellement élevée sur un appareil. Ces signaux fournissent un contexte pour l’analyse ; l’utilisation d’un outil de protection de la vie privée ou d’un environnement inhabituel ne suffit pas, à elle seule, à établir une intention frauduleuse.

Fraud Score ajoute à ces éléments une couche de prédiction entraînée à partir des données du client. Il s’agit de distinguer la reconnaissance d’un environnement de l’évaluation du lien entre les schémas observés dans cet environnement et les résultats de fraude propres à une entreprise donnée. Les équipes peuvent utiliser directement les prédictions ou les intégrer à un système de décision existant, aux côtés de leurs autres informations.

Cette approche va également au-delà du blocage d’un identifiant déjà associé à des abus. Un modèle entraîné peut repérer des combinaisons de signaux associées à des cas antérieurs, ce qui peut aider une entreprise à reconnaître des comportements similaires avant que la transaction suivante ne soit effectuée.

Une boucle de rétroaction via le tableau de bord, l’API et S3

Selon les documents de lancement de Fingerprint, les clients peuvent transmettre leurs résultats de fraude par l’intermédiaire de son tableau de bord, de son API ou de S3. Ils peuvent gérer les étiquettes et analyser les performances des modèles, tandis que les prédictions leur sont communiquées dans les réponses de l’API de Fingerprint.

Cette architecture s’intègre aux processus de gestion des risques existants. Un moteur de décision peut s’appuyer sur la prédiction, en complément d’autres vérifications, pour approuver une interaction, demander une vérification supplémentaire ou la soumettre à un examen.

Les réentraînements continus visent à permettre au service de s’adapter à l’évolution des abus. Le cycle de rétroaction dépend toutefois toujours de ce que l’organisation apprend après un événement, notamment des résultats qui peuvent n’être connus que plus tard. Le suivi des performances du modèle dans le temps reste donc indispensable à l’exploitation du système.

Pourquoi Flink voulait aller au-delà du blocage des identifiants de visiteurs

L’annonce comprend le témoignage de Flink, dont l’ingénieur logiciel principal, David Fennessey, a déclaré que bloquer uniquement les identifiants de visiteurs ne suffisait pas à contrer les abus plus sophistiqués. Il a expliqué avoir travaillé avec Fingerprint sur un modèle s’appuyant sur l’analyse interne de la fraude menée par Flink, afin de contribuer à prévenir de futurs abus avant qu’une commande ne soit passée.

L’expérience de Flink illustre la collaboration qui sous-tend le service : l’entreprise apporte son analyse interne de la fraude, et Fingerprint s’appuie sur ces retours pour élaborer et maintenir un modèle adapté à ses schémas d’abus.

Fraud Score délaisse la gestion de signaux et de règles individuels au profit de l’apprentissage à partir des résultats propres à une entreprise. Fingerprint se charge de l’entraînement et du réentraînement, tandis que les équipes antifraude gardent la maîtrise de la manière dont les prédictions éclairent leurs décisions. Le produit est accessible depuis la page Fraud Score de Fingerprint.