Fingerprint Meluncurkan Fraud Score dan Melaporkan Deteksi Penipuan Hampir 50% Lebih Banyak dalam Uji Coba Pelanggan

Fingerprint telah meluncurkan Fraud Score, sinyal prediktif penipuan yang menggabungkan kecerdasan perangkat dengan model pembelajaran mesin yang dilatih menggunakan hasil penipuan dari masing-masing pelanggan. Perusahaan melaporkan bahwa dalam evaluasi langsung, produk ini mendeteksi hampir 50% lebih banyak penipuan dibandingkan model internal yang sudah digunakan oleh salah satu pelanggan, tanpa menambah jumlah pengguna sah yang diblokir.

Peluncuran ini menjawab masalah yang sudah akrab bagi tim risiko: mengumpulkan sinyal lebih mudah daripada mengolahnya menjadi keputusan yang andal. Perangkat yang terkait dengan beberapa akun mungkin mengindikasikan penyalahgunaan promosi, sedangkan perangkat tak dikenal yang mencoba mengakses akun yang sudah lama digunakan mungkin perlu diselidiki dengan cara berbeda. Fraud Score dirancang untuk mempelajari perbedaan tersebut dari pengguna, lalu lintas, dan hasil terkonfirmasi milik suatu organisasi.

Makna Peningkatan Deteksi yang Dilaporkan

Hasil utama yang disoroti Fingerprint adalah perbandingan dengan model internal salah satu pelanggannya. Perusahaan menyatakan bahwa Fraud Score mendeteksi hampir 50% lebih banyak penipuan dengan tingkat pemblokiran pengguna sah yang sama. Kondisi kedua ini penting: suatu sistem dapat menangkap lebih banyak aktivitas mencurigakan hanya dengan menolak lebih banyak lalu lintas, tetapi tindakan itu juga dapat menolak pelanggan yang sebenarnya sah.

Hasil tersebut berasal dari perbandingan langsung dengan model internal salah satu pelanggan. Hasil ini menunjukkan manfaat mempelajari pola penipuan bisnis tersebut sambil mempertahankan tingkat pemblokiran pengguna sah.

Peningkatan itu mengukur jumlah penipuan tambahan yang terdeteksi. Nilai finansialnya bergantung pada transaksi yang terlibat dan cara bisnis menggunakan setiap prediksi.

Model Terpisah untuk Berbagai Jenis Penipuan

Pilihan desain utama Fraud Score adalah mengkhususkan prediksi berdasarkan jenis penipuan. Fingerprint mencantumkan penipuan pembayaran, pengambilalihan akun, penggunaan banyak akun, pembuatan akun palsu, penyalahgunaan promosi, penyalahgunaan platform, dan penyalahgunaan konten sebagai sasaran yang didukungnya.

Kategori-kategori tersebut menggambarkan perilaku dan biaya bisnis yang berbeda. Model penipuan pembayaran dapat membantu pedagang menilai pesanan, sedangkan model penyalahgunaan promosi dapat mencari upaya berulang untuk mengklaim suatu penawaran melalui beberapa akun. Alur kerja untuk menangani pengambilalihan akun memiliki tujuan lain: mendeteksi akses tanpa izin tanpa mengganggu pemilik akun yang sah secara tidak perlu.

Hasil dari pelanggan menjadi umpan balik untuk pelatihan. Alih-alih meminta setiap organisasi membangun dan mengoperasikan lapisan prediksinya sendiri, Fingerprint menangani pelatihan dan pemeliharaan model dengan menggabungkan sinyal perangkatnya dengan label yang diberikan oleh bisnis. Hasil baru digunakan dalam pelatihan ulang berikutnya seiring perubahan lalu lintas dan pola penipuan pelanggan.

Karena itu, kualitas umpan balik tersebut penting. Model yang dilatih menggunakan hasil terkonfirmasi memperoleh panduan yang lebih berguna daripada model yang dilatih menggunakan daftar peristiwa mencurigakan tanpa pembedaan. Jika label suatu organisasi tidak lengkap atau tidak konsisten, prediksi yang dihasilkan dapat mencerminkan keterbatasan tersebut.

Kecerdasan Perangkat Memberikan Konteks di Luar Akun

Platform kecerdasan perangkat Fingerprint menggabungkan identifikasi persisten dengan sinyal kontekstual tentang aktivitas web dan seluler. Fungsinya adalah membantu bisnis menghubungkan aktivitas di berbagai sesi dan memeriksa pola yang mungkin tidak terlihat dari detail akun saja.

Katalog Smart Signals milik perusahaan mencakup indikator otomatisasi, manipulasi peramban, mesin virtual, server proxy, VPN, dan aktivitas perangkat yang sangat tinggi. Sinyal-sinyal ini memberikan konteks untuk analisis; penggunaan alat privasi atau lingkungan yang tidak dikenal saja tidak membuktikan adanya niat melakukan penipuan.

Fraud Score menambahkan lapisan prediksi yang dilatih menggunakan data pelanggan pada bukti tersebut. Perbedaannya terletak antara mengenali suatu lingkungan dan menilai hubungan pola di lingkungan itu dengan hasil penipuan pada bisnis tertentu. Tim dapat menggunakan prediksi secara langsung atau memasukkannya ke sistem pengambilan keputusan yang sudah ada bersama informasi lainnya.

Pendekatan ini juga melampaui pemblokiran pengenal yang sudah dikaitkan dengan penyalahgunaan. Model terlatih dapat mencari kombinasi sinyal yang terkait dengan kasus-kasus sebelumnya, sehingga berpotensi membantu bisnis mengenali perilaku serupa sebelum transaksi berikutnya selesai.

Siklus Umpan Balik melalui Dasbor, API, dan S3

Menurut materi peluncuran Fingerprint, pelanggan dapat memberikan hasil penipuan melalui dasbor, API, atau S3. Mereka dapat mengelola label dan menganalisis kinerja model, sementara prediksi disampaikan melalui respons API Fingerprint.

Arsitektur tersebut sesuai dengan alur kerja risiko yang sudah ada. Mesin pengambilan keputusan dapat menggunakan prediksi bersama pemeriksaan lain untuk menyetujui suatu interaksi, meminta verifikasi tambahan, atau meneruskannya untuk ditinjau.

Pelatihan ulang berkelanjutan dimaksudkan agar layanan dapat merespons penyalahgunaan yang terus berkembang. Siklus umpan balik ini tetap bergantung pada hal-hal yang diketahui organisasi setelah suatu peristiwa, termasuk hasil yang mungkin baru jelas kemudian. Karena itu, pemantauan kinerja model dari waktu ke waktu tetap menjadi bagian dari pengoperasian sistem.

Mengapa Flink Membutuhkan Lebih dari Sekadar Pemblokiran ID Pengunjung

Pengumuman tersebut mencakup pernyataan dari Flink. Principal software engineer-nya, David Fennessey, mengatakan bahwa memblokir ID pengunjung saja tidak cukup untuk menghadapi penyalahgunaan yang lebih canggih. Ia menjelaskan bahwa Flink bekerja sama dengan Fingerprint untuk mengembangkan model yang menggunakan analisis penipuan internal Flink sebagai dasar, guna membantu mencegah penyalahgunaan di masa mendatang sebelum pesanan dilakukan.

Pengalaman Flink menggambarkan kolaborasi di balik layanan ini: perusahaan tersebut menyumbangkan analisis penipuan internalnya, lalu Fingerprint menggunakan masukan itu untuk membangun dan memelihara model yang disesuaikan dengan pola penyalahgunaan yang dihadapinya.

Fraud Score mengalihkan fokus dari pemeliharaan sinyal dan aturan satu per satu ke pembelajaran dari hasil yang diperoleh suatu bisnis sendiri. Fingerprint menangani pelatihan dan pelatihan ulang, sementara tim pencegahan penipuan tetap memegang kendali atas cara prediksi digunakan dalam pengambilan keputusan. Produk ini tersedia melalui halaman Fraud Score Fingerprint.