Fingerprint lancia Fraud Score e riferisce di aver rilevato quasi il 50% di frodi in più nel test con un cliente

Fingerprint ha lanciato Fraud Score, un segnale predittivo di frode che combina l’intelligence sui dispositivi con modelli di apprendimento automatico addestrati sui dati relativi alle frodi di ciascun cliente. L’azienda riferisce che, in una valutazione testa a testa, il prodotto ha rilevato quasi il 50% di frodi in più rispetto al modello interno già in uso presso un cliente, senza aumentare il numero di utenti legittimi bloccati.

Il lancio affronta un problema ben noto ai team che si occupano di rischio: raccogliere segnali è più facile che trasformarli in una decisione affidabile. Un dispositivo associato a più account potrebbe indicare un abuso delle promozioni, mentre un dispositivo sconosciuto che tenta di accedere a un account esistente potrebbe richiedere un’indagine diversa. Fraud Score è progettato per apprendere queste distinzioni a partire dagli utenti effettivi, dal traffico e dagli esiti confermati di un’organizzazione.

Cosa dimostra il miglioramento dichiarato nel rilevamento

Il risultato principale presentato da Fingerprint riguarda il confronto con il modello interno di un cliente. L’azienda afferma che Fraud Score ha rilevato quasi il 50% di frodi in più mantenendo invariato il livello di blocco degli utenti legittimi. Questa seconda condizione è importante: un sistema può intercettare più attività sospette semplicemente rifiutando più traffico, ma così facendo può anche respingere clienti autentici.

Il risultato deriva da un confronto testa a testa con il modello sviluppato internamente da un cliente. Dimostra il valore dell’apprendimento basato sui modelli di frode di quell’azienda, mantenendo stabile il blocco degli utenti legittimi.

Il miglioramento misura l’aumento delle frodi rilevate. Il suo valore economico dipende dalle transazioni coinvolte e dal modo in cui l’azienda utilizza ciascuna previsione.

Modelli distinti per diversi tipi di frode

La scelta progettuale fondamentale di Fraud Score consiste nel differenziare le previsioni in base al tipo di frode. Fingerprint annovera tra gli obiettivi supportati le frodi nei pagamenti, la presa di controllo degli account, l’uso di più account, la creazione di account falsi, l’abuso delle promozioni, l’abuso della piattaforma e l’abuso dei contenuti.

Queste categorie descrivono comportamenti e costi aziendali diversi. Un modello per le frodi nei pagamenti può aiutare un commerciante a valutare un ordine, mentre un modello per l’abuso delle promozioni può individuare tentativi ripetuti di ottenere un’offerta tramite più account. Un flusso di lavoro per rilevare la presa di controllo degli account ha invece un obiettivo diverso: individuare gli accessi non autorizzati senza interrompere inutilmente l’attività del titolare legittimo dell’account.

Gli esiti dei clienti forniscono il riscontro necessario all’addestramento. Invece di chiedere a ogni organizzazione di sviluppare e gestire un proprio livello predittivo, Fingerprint si occupa dell’addestramento e della manutenzione dei modelli, combinando i segnali dei dispositivi con le etichette fornite dall’azienda. I nuovi esiti alimentano gli addestramenti successivi man mano che cambiano il traffico e i modelli di frode del cliente.

Per questo la qualità del riscontro è importante. Un modello addestrato su esiti confermati riceve indicazioni più utili rispetto a uno addestrato su un elenco indistinto di eventi sospetti. Se le etichette di un’organizzazione sono incomplete o incoerenti, le previsioni risultanti possono risentire di questi limiti.

L’intelligence sui dispositivi fornisce un contesto che va oltre l’account

La piattaforma di intelligence sui dispositivi di Fingerprint combina l’identificazione persistente con segnali contestuali sull’attività web e mobile. Il suo scopo è aiutare le aziende a collegare le attività svolte in sessioni diverse e a esaminare schemi che i soli dati dell’account potrebbero non rivelare.

Il catalogo Smart Signals dell’azienda include indicatori di automazione, manomissione del browser, macchine virtuali, proxy, VPN e attività insolitamente elevata dei dispositivi. Questi segnali forniscono un contesto per l’analisi; la presenza di uno strumento per la privacy o di un ambiente sconosciuto, da sola, non dimostra un intento fraudolento.

Fraud Score aggiunge a questi elementi un livello predittivo addestrato sui dati del cliente. La differenza sta nel riconoscere un ambiente e nel valutare in che modo i modelli rilevati al suo interno siano correlati agli esiti delle frodi per una specifica azienda. I team possono utilizzare direttamente le previsioni oppure integrarle nel sistema decisionale esistente insieme alle altre informazioni.

Questo approccio va anche oltre il blocco di un identificativo già associato a comportamenti abusivi. Un modello addestrato può individuare combinazioni di segnali correlate a casi precedenti, aiutando potenzialmente un’azienda a riconoscere comportamenti simili prima che venga completata la transazione successiva.

Un ciclo di feedback tramite dashboard, API e S3

Secondo i materiali di lancio di Fingerprint, i clienti possono fornire gli esiti relativi alle frodi tramite la dashboard, l’API o S3. Possono gestire le etichette e analizzare le prestazioni del modello, mentre le previsioni vengono fornite tramite le risposte dell’API di Fingerprint.

Questa architettura si adatta ai flussi di lavoro esistenti per la gestione del rischio. Un motore decisionale può utilizzare la previsione insieme ad altri controlli per approvare un’interazione, richiedere un’ulteriore verifica o inoltrarla a un controllo manuale.

L’addestramento continuo mira a rendere il servizio reattivo all’evoluzione degli abusi. Il ciclo di feedback dipende comunque da ciò che l’organizzazione apprende dopo un evento, compresi gli esiti che potrebbero diventare chiari solo in seguito. Monitorare nel tempo le prestazioni del modello resta quindi parte integrante della gestione del sistema.

Perché Flink voleva più del semplice blocco degli ID dei visitatori

L’annuncio include una testimonianza di Flink: David Fennessey, ingegnere software principal dell’azienda, ha affermato che bloccare i soli ID dei visitatori non era sufficiente per contrastare gli abusi più sofisticati. Ha raccontato di aver collaborato con Fingerprint alla creazione di un modello basato sull’analisi interna delle frodi condotta da Flink, per contribuire a fermare gli abusi futuri prima che venga effettuato un ordine.

L’esperienza di Flink illustra la collaborazione alla base del servizio: l’azienda mette a disposizione la propria analisi interna delle frodi e Fingerprint utilizza questi riscontri per creare e mantenere un modello su misura per i suoi schemi di abuso.

Fraud Score sposta l’attenzione dalla gestione di singoli segnali e regole all’apprendimento dai risultati ottenuti dall’azienda stessa. Fingerprint si occupa dell’addestramento e del riaddestramento, mentre i team antifrode mantengono il controllo sul modo in cui le previsioni influenzano le loro decisioni. Il prodotto è disponibile nella pagina di Fraud Score di Fingerprint.