Fingerprint lança o Fraud Score e relata detectar quase 50% mais fraudes em teste com cliente

A Fingerprint lançou o Fraud Score, um sinal preditivo de fraude que combina inteligência de dispositivos com modelos de aprendizado de máquina treinados com os resultados de fraude de cada cliente. A empresa afirma que, em uma avaliação direta, o produto detectou quase 50% mais fraudes do que o modelo interno já usado por um cliente, sem aumentar o número de usuários legítimos bloqueados.

O lançamento aborda um problema conhecido das equipes de risco: é mais fácil coletar sinais do que transformá-los em uma decisão confiável. Um dispositivo associado a várias contas pode indicar abuso de promoções, enquanto uma tentativa de acesso a uma conta estabelecida feita por um dispositivo desconhecido pode exigir uma investigação diferente. O Fraud Score foi projetado para aprender essas distinções com base nos usuários, no tráfego e nos resultados confirmados de cada organização.

O que o aumento relatado na detecção demonstra

O principal resultado divulgado pela Fingerprint diz respeito à comparação com o modelo interno de um cliente. A empresa afirma que o Fraud Score detectou quase 50% mais fraudes mantendo o mesmo nível de bloqueio de usuários legítimos. Essa segunda condição é importante: um sistema pode identificar mais atividades suspeitas simplesmente rejeitando mais tráfego, mas isso também pode afastar clientes legítimos.

O resultado vem de uma comparação direta com o modelo interno de um cliente. Ele demonstra o valor de aprender com os padrões de fraude desse negócio sem alterar o nível de bloqueio de usuários legítimos.

O ganho mede o aumento na quantidade de fraudes detectadas. Seu valor financeiro depende das transações envolvidas e de como a empresa usa cada previsão.

Modelos separados para diferentes tipos de fraude

A principal escolha de design do Fraud Score é especializar as previsões por tipo de fraude. Entre os alvos compatíveis, a Fingerprint lista fraude em pagamentos, tomada de controle de contas, uso de múltiplas contas, criação de contas falsas, abuso de promoções, abuso da plataforma e abuso de conteúdo.

Essas categorias descrevem comportamentos e custos empresariais diferentes. Um modelo de fraude em pagamentos pode ajudar um comerciante a avaliar um pedido, enquanto um modelo de abuso de promoções pode procurar tentativas repetidas de resgatar uma oferta usando várias contas. Já um fluxo de trabalho para detectar tomada de controle de contas tem outro objetivo: identificar acessos não autorizados sem interromper desnecessariamente o titular legítimo da conta.

Os resultados dos clientes fornecem o retorno usado no treinamento. Em vez de pedir que cada organização crie e opere sua própria camada de previsão, a Fingerprint cuida do treinamento e da manutenção dos modelos, combinando os sinais de seus dispositivos com os rótulos fornecidos pela empresa. Novos resultados alimentam treinamentos posteriores à medida que o tráfego e os padrões de fraude do cliente mudam.

Isso torna importante a qualidade desse retorno. Um modelo treinado com resultados confirmados recebe uma supervisão mais útil do que um modelo treinado com uma lista indiferenciada de eventos suspeitos. Se os rótulos de uma organização estiverem incompletos ou forem inconsistentes, as previsões resultantes poderão refletir essas limitações.

A inteligência de dispositivos fornece contexto além da conta

A plataforma de inteligência de dispositivos da Fingerprint combina identificação persistente com sinais contextuais sobre atividades na web e em dispositivos móveis. Sua função é ajudar as empresas a conectar atividades entre sessões e analisar padrões que talvez não sejam revelados apenas pelos dados da conta.

O catálogo de Smart Signals da empresa inclui indicadores de automação, adulteração do navegador, máquinas virtuais, proxies, VPNs e atividade excepcionalmente alta em um dispositivo. Esses sinais oferecem contexto para análise; o uso de uma ferramenta de privacidade ou um ambiente desconhecido, por si só, não comprova intenção fraudulenta.

O Fraud Score acrescenta a essas evidências uma camada de previsão treinada com dados do cliente. A diferença está entre reconhecer um ambiente e avaliar como os padrões nesse ambiente se relacionam com os resultados de fraude de uma empresa específica. As equipes podem usar as previsões diretamente ou incorporá-las a um sistema de decisão existente, junto com outras informações.

A abordagem também vai além de bloquear um identificador já associado a abusos. Um modelo treinado pode procurar combinações de sinais relacionadas a casos anteriores, ajudando potencialmente uma empresa a reconhecer comportamentos semelhantes antes da conclusão da próxima transação.

Um ciclo de retorno por meio do painel, da API e do S3

De acordo com os materiais de lançamento da Fingerprint, os clientes podem enviar resultados de fraude pelo painel, pela API ou pelo S3. Eles podem gerenciar rótulos e analisar o desempenho dos modelos, enquanto as previsões são entregues nas respostas da API da Fingerprint.

Essa arquitetura se adapta aos fluxos de trabalho de risco existentes. Um mecanismo de decisão pode usar a previsão junto com outras verificações para aprovar uma interação, solicitar uma verificação adicional ou encaminhá-la para análise.

O retreinamento contínuo busca tornar o serviço capaz de responder à evolução dos abusos. O ciclo de retorno ainda depende do que a organização descobre após um evento, inclusive de resultados que talvez só fiquem claros mais tarde. Por isso, monitorar o desempenho do modelo ao longo do tempo continua sendo parte da operação do sistema.

Por que a Flink queria mais do que bloquear IDs de visitantes

O anúncio inclui um relato da Flink, cujo engenheiro de software principal, David Fennessey, afirmou que bloquear apenas IDs de visitantes era insuficiente para combater formas mais sofisticadas de fraude. Ele descreveu o trabalho com a Fingerprint em um modelo baseado na análise interna de fraudes da Flink, com o objetivo de ajudar a impedir fraudes futuras antes que um pedido seja feito.

A experiência da Flink ilustra a colaboração por trás do serviço: a empresa contribui com sua análise interna de fraudes, e a Fingerprint usa esse retorno para criar e manter um modelo adaptado aos padrões de fraude da empresa.

O Fraud Score muda o foco da manutenção de sinais e regras individuais para o aprendizado com os resultados da própria empresa. A Fingerprint cuida do treinamento e do retreinamento, enquanto as equipes antifraude mantêm o controle sobre como as previsões orientam suas decisões. O produto está disponível na página do Fraud Score da Fingerprint.