Fingerprint lanceert Fraud Score: in klantentest bijna 50% meer fraude gedetecteerd

Fingerprint heeft Fraud Score gelanceerd, een voorspellend fraudesignaal dat device-informatie combineert met machinelearningmodellen die zijn getraind op de fraude-uitkomsten van elke klant. Het bedrijf meldt dat het product bij een rechtstreekse vergelijking bijna 50% meer fraude detecteerde dan het bestaande interne model van één klant, zonder dat er meer legitieme gebruikers werden geblokkeerd.

De lancering speelt in op een bekend probleem voor risicoteams: signalen verzamelen is makkelijker dan die omzetten in een betrouwbare beslissing. Een apparaat dat aan meerdere accounts is gekoppeld, kan wijzen op misbruik van promoties, terwijl een onbekend apparaat dat toegang probeert te krijgen tot een bestaand account aanleiding kan zijn voor een ander onderzoek. Fraud Score is ontworpen om zulke verschillen te leren herkennen op basis van de daadwerkelijke gebruikers, het verkeer en de bevestigde uitkomsten van een organisatie.

Wat de gemelde toename in detectie laat zien

Het belangrijkste resultaat dat Fingerprint meldt, betreft een vergelijking met het interne model van één klant. Volgens het bedrijf detecteerde Fraud Score bijna 50% meer fraude bij een gelijkblijvend aantal geblokkeerde legitieme gebruikers. Die tweede voorwaarde is belangrijk: een systeem kan meer verdachte activiteiten onderscheppen door simpelweg meer verkeer af te wijzen, maar daarmee kunnen ook echte klanten worden geweerd.

Het resultaat is afkomstig uit een rechtstreekse vergelijking met het interne model van één klant. Het laat zien wat de waarde is van leren van de fraudegevallen van dat bedrijf, terwijl het aantal geblokkeerde legitieme gebruikers gelijk blijft.

De toename betreft het aantal extra gedetecteerde fraudegevallen. De financiële waarde daarvan hangt af van de betrokken transacties en van de manier waarop het bedrijf elke voorspelling gebruikt.

Afzonderlijke modellen voor verschillende fraudevormen

Een belangrijk ontwerpprincipe van Fraud Score is dat de voorspellingen worden afgestemd op het type fraude. Fingerprint noemt betalingsfraude, accountovername, het gebruik van meerdere accounts, het aanmaken van nepaccounts, misbruik van promoties, misbruik van platforms en misbruik van content als ondersteunde toepassingsgebieden.

Deze categorieën staan voor verschillend gedrag en verschillende kosten voor bedrijven. Een model voor betalingsfraude kan een verkoper helpen een bestelling te beoordelen, terwijl een model voor misbruik van promoties kan zoeken naar herhaalde pogingen om via meerdere accounts een aanbieding te claimen. Een proces voor het opsporen van accountovernames heeft weer een ander doel: ongeoorloofde toegang detecteren zonder de rechtmatige accounthouder onnodig te hinderen.

De uitkomsten van klanten leveren de feedback voor de training. In plaats van elke organisatie te vragen een eigen voorspellingslaag te bouwen en te beheren, verzorgt Fingerprint de training en het onderhoud van de modellen. Daarbij combineert het bedrijf zijn devicesignalen met labels die de organisatie aanlevert. Nieuwe uitkomsten worden gebruikt bij volgende trainingsrondes, naarmate het verkeer en de fraudevormen van de klant veranderen.

Daardoor is de kwaliteit van die feedback belangrijk. Een model dat is getraind op bevestigde uitkomsten krijgt bruikbaardere trainingsinformatie dan een model dat is getraind op een ongedifferentieerde lijst van verdachte gebeurtenissen. Als de labels van een organisatie onvolledig of inconsistent zijn, kunnen die beperkingen doorwerken in de voorspellingen.

Device-informatie biedt context die verder gaat dan een account

Het platform voor device-informatie van Fingerprint combineert blijvende identificatie met contextuele signalen over web- en mobiele activiteiten. Het helpt bedrijven activiteiten tussen sessies met elkaar in verband te brengen en patronen te onderzoeken die niet uit accountgegevens alleen blijken.

De catalogus met Smart Signals van het bedrijf bevat indicatoren voor automatisering, manipulatie van browsers, virtuele machines, proxyservers, VPN’s en ongebruikelijk hoge activiteit op een apparaat. Deze signalen bieden context voor analyse; het gebruik van een privacytool of een onbekende omgeving bewijst op zichzelf geen frauduleuze intentie.

Fraud Score voegt aan die informatie een voorspellingslaag toe die is getraind op gegevens van de klant. Het verschil is dat het ene gaat om het herkennen van een omgeving, terwijl het andere beoordeelt hoe patronen in die omgeving verband houden met de fraude-uitkomsten van een specifiek bedrijf. Teams kunnen de voorspellingen rechtstreeks gebruiken of ze samen met andere informatie invoeren in een bestaand beslissingssysteem.

Deze aanpak gaat ook verder dan het blokkeren van een identificator die al met misbruik in verband is gebracht. Een getraind model kan zoeken naar combinaties van signalen die samenhangen met eerdere gevallen en een bedrijf mogelijk helpen vergelijkbaar gedrag te herkennen voordat de volgende transactie is afgerond.

Een feedbacklus via het dashboard, de API en S3

Volgens het lanceringsmateriaal van Fingerprint kunnen klanten fraude-uitkomsten aanleveren via het dashboard, de API of S3. Ze kunnen labels beheren en de modelprestaties analyseren; de voorspellingen worden geleverd via de API-antwoorden van Fingerprint.

Deze architectuur sluit aan op bestaande risicoprocessen. Een beslissingsengine kan de voorspelling samen met andere controles gebruiken om een interactie goed te keuren, om aanvullende verificatie te vragen of om de interactie ter beoordeling door te sturen.

Doorlopende hertraining moet ervoor zorgen dat de dienst kan inspelen op veranderende vormen van misbruik. De feedbackcyclus blijft afhankelijk van wat een organisatie na een gebeurtenis te weten komt, waaronder uitkomsten die soms pas later duidelijk worden. Daarom blijft het monitoren van de modelprestaties in de loop van de tijd onderdeel van het gebruik van het systeem.

Waarom Flink meer wilde dan alleen bezoekers-ID’s blokkeren

De aankondiging bevat een verklaring van Flink. David Fennessey, principal softwareontwikkelaar bij het bedrijf, zei dat alleen bezoekers-ID’s blokkeren niet volstond om geavanceerdere vormen van misbruik tegen te gaan. Hij vertelde dat Flink met Fingerprint had samengewerkt aan een model dat is gebaseerd op Flinks interne fraudeanalyses en moet helpen toekomstig misbruik te voorkomen voordat een bestelling wordt geplaatst.

De ervaringen van Flink illustreren de samenwerking achter de dienst: het bedrijf levert zijn interne fraudeanalyses aan, waarna Fingerprint die feedback gebruikt om een model te bouwen en te onderhouden dat is afgestemd op de patronen van misbruik bij Flink.

Fraud Score verlegt de nadruk van het onderhouden van afzonderlijke signalen en regels naar het leren van de eigen resultaten van een bedrijf. Fingerprint verzorgt de training en hertraining, terwijl fraudeteams zelf bepalen hoe voorspellingen hun beslissingen beïnvloeden. Het product is beschikbaar via de pagina van Fraud Score van Fingerprint.