Fingerprint lanserer Fraud Score og rapporterer at kundetest avdekket nesten 50% mer svindel

Fingerprint har lansert Fraud Score, et prediktivt svindelsignal som kombinerer enhetsintelligens med maskinlæringsmodeller som er trent på hver enkelt kundes egne svindelutfall. Selskapet opplyser at produktet avdekket nesten 50 % mer svindel enn én kundes eksisterende interne modell i en direkte sammenligning, uten å øke antallet legitime brukere som ble blokkert.

Lanseringen tar tak i et kjent problem for risikoteam: Det er enklere å samle inn signaler enn å omgjøre dem til pålitelige beslutninger. En enhet som er knyttet til flere kontoer, kan tyde på misbruk av kampanjetilbud, mens en ukjent enhet som forsøker å logge inn på en etablert konto, kan kreve en annen type undersøkelse. Fraud Score er utviklet for å lære slike forskjeller ut fra organisasjonens faktiske brukere, trafikk og bekreftede utfall.

Hva den rapporterte økningen i svindeloppdagelse viser

Fingerprints hovedresultat gjelder en sammenligning med én kundes interne modell. Selskapet opplyser at Fraud Score oppdaget nesten 50 % mer svindel ved samme nivå av blokkering av legitime brukere. Dette siste vilkåret er viktig: Et system kan fange opp mer mistenkelig aktivitet ganske enkelt ved å avvise mer trafikk, men da kan det også avvise ekte kunder.

Resultatet bygger på en direkte sammenligning med én kundes interne modell. Det viser verdien av å lære av svindelmønstrene i den aktuelle virksomheten, samtidig som blokkeringen av legitime brukere holdes på samme nivå.

Økningen måler hvor mye mer svindel som oppdages. Den økonomiske verdien avhenger av hvilke transaksjoner det gjelder, og hvordan virksomheten bruker hver enkelt prediksjon.

Separate modeller for ulike svindelproblemer

Det sentrale designvalget i Fraud Score er å spesialisere prediksjonene etter type svindel. Fingerprint oppgir betalingssvindel, kontoovertakelse, bruk av flere kontoer, opprettelse av falske kontoer, misbruk av kampanjetilbud, plattformmisbruk og innholdsmisbruk blant områdene løsningen støtter.

Disse kategoriene beskriver ulike typer atferd og ulike kostnader for virksomheten. En modell for betalingssvindel kan hjelpe en forhandler med å vurdere en bestilling, mens en modell for misbruk av kampanjetilbud kan lete etter gjentatte forsøk på å gjøre krav på et tilbud via flere kontoer. En arbeidsflyt for kontoovertakelse har et annet mål: å oppdage uautorisert tilgang uten å forstyrre den legitime kontoinnehaveren unødvendig.

Kundenes utfall gir tilbakemeldinger til treningen. I stedet for å be hver organisasjon bygge og drifte sitt eget prediksjonslag, tar Fingerprint seg av trening og vedlikehold av modellene og kombinerer enhetssignalene sine med etiketter fra virksomheten. Nye utfall brukes i senere runder med ny trening etter hvert som kundens trafikk- og svindelmønstre endrer seg.

Derfor er kvaliteten på disse tilbakemeldingene viktig. En modell som er trent på bekreftede utfall, får et mer nyttig treningsgrunnlag enn en modell som er trent på en usortert liste over mistenkelige hendelser. Hvis en organisasjons etiketter er ufullstendige eller inkonsekvente, kan prediksjonene som følger, gjenspeile disse begrensningene.

Enhetsintelligens gir kontekst utover kontoen

Fingerprints plattform for enhetsintelligens kombinerer vedvarende identifikasjon med kontekstuelle signaler om aktivitet på nett og mobil. Plattformen skal hjelpe virksomheter med å knytte sammen aktivitet på tvers av økter og undersøke mønstre som kontoinformasjon alene kanskje ikke avdekker.

Selskapets katalog over Smart Signals omfatter indikatorer på automatisering, manipulering av nettlesere, virtuelle maskiner, proxyer, VPN-er og uvanlig høy aktivitet fra enheter. Disse signalene gir kontekst for analyser; bruk av et personvernverktøy eller et ukjent miljø er ikke i seg selv bevis på uredelige hensikter.

Fraud Score legger et kundetrenet prediksjonslag til dette grunnlaget. Forskjellen er at man ikke bare gjenkjenner et miljø, men også vurderer hvordan mønstre i miljøet henger sammen med svindelutfallene til en bestemt virksomhet. Team kan bruke prediksjonene direkte eller sende dem inn i et eksisterende beslutningssystem sammen med annen informasjon.

Tilnærmingen går også lenger enn å blokkere en identifikator som allerede er knyttet til misbruk. En trent modell kan se etter kombinasjoner av signaler som forbindes med tidligere tilfeller, og dermed potensielt hjelpe en virksomhet med å gjenkjenne lignende atferd før den neste transaksjonen er gjennomført.

En tilbakemeldingssløyfe via dashbordet, API-et og S3

Ifølge Fingerprints lanseringsmateriell kan kundene sende inn svindelutfall via dashbordet, API-et eller S3. De kan administrere etiketter og analysere modellens ytelse, mens prediksjonene leveres i svar fra Fingerprints API.

Denne arkitekturen passer inn i eksisterende arbeidsflyter for risikohåndtering. En beslutningsmotor kan bruke prediksjonen sammen med andre kontroller for å godkjenne en handling, be om ytterligere verifisering eller sende den videre til gjennomgang.

Løpende ny trening skal gjøre tjenesten i stand til å tilpasse seg endringer i misbruksmønstre. Tilbakemeldingssløyfen avhenger fortsatt av hva organisasjonen får vite etter en hendelse, også utfall som kanskje først blir tydelige senere. Det er derfor fortsatt nødvendig å følge med på modellens ytelse over tid som en del av driften av systemet.

Hvorfor Flink ønsket mer enn blokkering av besøks-ID-er

Kunngjøringen inneholder en uttalelse fra Flink. David Fennessey, selskapets sjefprogramvareingeniør, sa at det ikke var tilstrekkelig å blokkere besøks-ID-er alene for å stanse mer sofistikert misbruk. Han fortalte at Flink samarbeidet med Fingerprint om en modell basert på Flinks interne svindelanalyser, for å bidra til å stanse fremtidig misbruk før en bestilling legges inn.

Erfaringene til Flink illustrerer samarbeidet bak tjenesten: Selskapet bidrar med sine interne svindelanalyser, og Fingerprint bruker tilbakemeldingene til å utvikle og vedlikeholde en modell som er tilpasset selskapets misbruksmønstre.

Fraud Score flytter oppmerksomheten fra vedlikehold av individuelle signaler og regler til læring fra virksomhetens egne resultater. Fingerprint står for opplæring og ny opplæring av modellen, mens svindelteamene beholder kontrollen over hvordan prediksjonene påvirker beslutningene deres. Produktet er tilgjengelig via siden for Fraud Score hos Fingerprint.