Fingerprint uruchamia Fraud Score, informując o wykryciu niemal 50% większej liczby przypadków oszustw w teście z udziałem klienta

Fingerprint uruchomiła Fraud Score — predykcyjny sygnał wykrywania oszustw, który łączy informacje o urządzeniu z modelami uczenia maszynowego trenowanymi na podstawie danych o oszustwach dotyczących każdego klienta. Firma informuje, że w bezpośrednim porównaniu produkt wykrył niemal 50% więcej oszustw niż dotychczasowy wewnętrzny model jednego z klientów, nie zwiększając liczby blokowanych prawidłowych użytkowników.

Wprowadzenie produktu odpowiada na dobrze znany problem zespołów ds. zarządzania ryzykiem: gromadzenie sygnałów jest łatwiejsze niż przekształcanie ich w wiarygodną decyzję. Urządzenie powiązane z kilkoma kontami może wskazywać na nadużywanie promocji, podczas gdy próba uzyskania dostępu do istniejącego konta z nieznanego urządzenia może wymagać innego rodzaju analizy. Fraud Score ma uczyć się rozpoznawać te różnice na podstawie rzeczywistych użytkowników, ruchu i potwierdzonych wyników danej organizacji.

Co pokazuje zgłoszony wzrost skuteczności wykrywania

Najważniejszy wynik Fingerprint dotyczy porównania z wewnętrznym modelem jednego z klientów. Firma twierdzi, że Fraud Score wykrył niemal 50% więcej oszustw przy takim samym poziomie blokowania prawidłowych użytkowników. Ten drugi warunek ma istotne znaczenie: system może wychwycić więcej podejrzanych działań, po prostu odrzucając większy ruch, ale może w ten sposób również odrzucać prawdziwych klientów.

Wynik pochodzi z bezpośredniego porównania z wewnętrznym modelem jednego z klientów. Pokazuje korzyści z uczenia się na podstawie wzorców oszustw występujących w tej firmie przy jednoczesnym utrzymaniu dotychczasowego poziomu blokowania prawidłowych użytkowników.

Wzrost oznacza większą liczbę wykrytych oszustw. Jego wartość finansowa zależy od rodzaju transakcji oraz sposobu, w jaki firma wykorzystuje poszczególne prognozy.

Odrębne modele do wykrywania różnych rodzajów oszustw

Kluczowym założeniem Fraud Score jest tworzenie wyspecjalizowanych prognoz dla różnych rodzajów oszustw. Wśród obsługiwanych typów Fingerprint wymienia oszustwa płatnicze, przejęcia kont, korzystanie z wielu kont, tworzenie fałszywych kont, nadużywanie promocji, nadużycia na platformie oraz nadużycia związane z treściami.

Te kategorie obejmują różne zachowania i wiążą się z różnymi kosztami dla firm. Model wykrywania oszustw płatniczych może pomóc sprzedawcy ocenić zamówienie, a model wykrywania nadużyć związanych z promocjami może wyszukiwać powtarzające się próby skorzystania z oferty za pośrednictwem wielu kont. Proces wykrywania przejęć kont ma z kolei inny cel: wykrywać nieuprawniony dostęp bez niepotrzebnego utrudniania korzystania z konta jego prawowitemu właścicielowi.

Informacje o wynikach działań klientów służą jako informacja zwrotna do trenowania modeli. Zamiast wymagać od każdej organizacji zbudowania i utrzymywania własnej warstwy predykcyjnej, Fingerprint zajmuje się trenowaniem i utrzymaniem modeli, łącząc sygnały dotyczące urządzeń z etykietami dostarczonymi przez firmę. Nowe informacje o wynikach są wykorzystywane podczas kolejnych sesji ponownego trenowania, gdy zmieniają się wzorce ruchu i oszustw dotyczące klienta.

Dlatego jakość informacji zwrotnej ma znaczenie. Model trenowany na podstawie potwierdzonych wyników otrzymuje bardziej użyteczne informacje nadzorujące niż model uczony na niezróżnicowanej liście podejrzanych zdarzeń. Jeśli etykiety organizacji są niepełne lub niespójne, uzyskane prognozy mogą odzwierciedlać te ograniczenia.

Informacje o urządzeniu dostarczają kontekstu wykraczającego poza dane konta

Platforma Fingerprint do analizy urządzeń łączy trwałą identyfikację z kontekstowymi sygnałami dotyczącymi aktywności w internecie i na urządzeniach mobilnych. Pomaga firmom łączyć aktywność z różnych sesji i analizować wzorce, których mogą nie ujawniać same dane konta.

Katalog Smart Signals firmy obejmuje wskaźniki automatyzacji, manipulacji przeglądarką, maszyn wirtualnych, serwerów proxy, sieci VPN oraz nietypowo wysokiej aktywności urządzenia. Sygnały te dostarczają kontekstu do analizy; samo korzystanie z narzędzia chroniącego prywatność lub nieznanego środowiska nie dowodzi zamiaru popełnienia oszustwa.

Fraud Score dodaje do tych danych warstwę predykcyjną trenowaną na danych klienta. Różnica polega na tym, że rozpoznanie środowiska to nie to samo co ocena, jak wzorce występujące w tym środowisku wiążą się z wynikami dotyczącymi oszustw w konkretnej firmie. Zespoły mogą korzystać z prognoz bezpośrednio lub przekazywać je do istniejącego systemu decyzyjnego wraz z innymi informacjami.

To podejście wykracza również poza blokowanie identyfikatora, który został już powiązany z nadużyciami. Wytrenowany model może wyszukiwać kombinacje sygnałów związane z wcześniejszymi przypadkami, potencjalnie pomagając firmie rozpoznać podobne zachowania przed zrealizowaniem kolejnej transakcji.

Pętla informacji zwrotnej z wykorzystaniem panelu, API i S3

Zgodnie z materiałami Fingerprint dotyczącymi premiery klienci mogą przekazywać informacje o wynikach związanych z oszustwami za pośrednictwem panelu, API lub S3. Mogą zarządzać etykietami i analizować skuteczność modeli, a prognozy są dostarczane w odpowiedziach API Fingerprint.

Taka architektura pasuje do istniejących procesów zarządzania ryzykiem. Silnik decyzyjny może uwzględnić prognozę wraz z innymi kontrolami, aby zatwierdzić działanie, zażądać dodatkowej weryfikacji lub skierować je do sprawdzenia.

Ciągłe ponowne trenowanie ma sprawić, że usługa będzie reagować na zmieniające się nadużycia. Cykl informacji zwrotnej nadal zależy od tego, czego organizacja dowiaduje się po zdarzeniu, w tym od wyników, które mogą stać się jasne dopiero później. Dlatego monitorowanie skuteczności modelu w czasie pozostaje częścią obsługi systemu.

Dlaczego Flink potrzebował czegoś więcej niż blokowania identyfikatorów odwiedzających

W komunikacie znalazła się również wypowiedź przedstawiciela Flink. Główny inżynier oprogramowania firmy, David Fennessey, powiedział, że samo blokowanie identyfikatorów odwiedzających nie wystarcza w walce z bardziej wyrafinowanymi nadużyciami. Opisał współpracę z Fingerprint nad modelem opartym na wewnętrznej analizie oszustw prowadzonej przez Flink, który ma pomóc zapobiegać przyszłym nadużyciom, zanim zostanie złożone zamówienie.

Doświadczenia Flink pokazują, na czym polega współpraca leżąca u podstaw tej usługi: firma wnosi własną wewnętrzną analizę oszustw, a Fingerprint wykorzystuje te informacje zwrotne do tworzenia i utrzymywania modelu dostosowanego do charakterystycznych dla niej wzorców nadużyć.

Fraud Score przenosi punkt ciężkości z utrzymywania pojedynczych sygnałów i reguł na uczenie się na podstawie własnych wyników firmy. Fingerprint odpowiada za trenowanie i ponowne trenowanie modelu, a zespoły ds. oszustw zachowują kontrolę nad tym, jak prognozy wpływają na podejmowane przez nie decyzje. Produkt jest dostępny na stronie Fraud Score firmy Fingerprint.