Fingerprint lansează Fraud Score și raportează că, într-un test cu un client, a detectat cu aproape 50% mai multe fraude

Fingerprint a lansat Fraud Score, un semnal predictiv de fraudă care combină informațiile despre dispozitive cu modele de învățare automată antrenate pe baza rezultatelor privind fraudele înregistrate de fiecare client. Compania afirmă că, într-o evaluare directă, produsul a detectat cu aproape 50% mai multe fraude decât modelul intern existent al unui client, fără să crească numărul utilizatorilor legitimi blocați.

Lansarea răspunde unei probleme bine cunoscute de echipele de gestionare a riscurilor: este mai ușor să colectezi semnale decât să le transformi într-o decizie fiabilă. Un dispozitiv asociat cu mai multe conturi ar putea indica abuzarea unei promoții, în timp ce o încercare de conectare la un cont existent de pe un dispozitiv necunoscut ar putea necesita o investigație diferită. Fraud Score este conceput să învețe aceste distincții pe baza utilizatorilor, traficului și rezultatelor confirmate ale unei organizații.

Ce arată creșterea raportată a numărului de fraude detectate

Rezultatul principal prezentat de Fingerprint provine din comparația cu modelul intern al unui client. Compania afirmă că Fraud Score a detectat cu aproape 50% mai multe fraude, menținând același nivel de blocare a utilizatorilor legitimi. Această a doua condiție este importantă: un sistem poate identifica mai multe activități suspecte pur și simplu respingând mai mult trafic, însă astfel poate îndepărta și clienți autentici.

Rezultatul provine dintr-o comparație directă cu modelul intern al unui client. Acesta arată valoarea învățării tiparelor de fraudă specifice afacerii respective, menținând în același timp constant nivelul de blocare a utilizatorilor legitimi.

Creșterea măsoară numărul suplimentar de fraude detectate. Valoarea sa financiară depinde de tranzacțiile implicate și de modul în care compania folosește fiecare predicție.

Modele separate pentru diferite tipuri de fraudă

Principala alegere de proiectare din Fraud Score este specializarea predicțiilor în funcție de tipul de fraudă. Fingerprint enumeră frauda la plăți, preluarea conturilor, utilizarea mai multor conturi, crearea de conturi false, abuzarea promoțiilor, abuzarea platformei și abuzarea conținutului printre tipurile de fraudă pe care le poate detecta.

Aceste categorii descriu comportamente și costuri de afaceri diferite. Un model pentru frauda la plăți ar putea ajuta un comerciant să evalueze o comandă, în timp ce un model pentru abuzarea promoțiilor ar putea căuta încercări repetate de revendicare a unei oferte prin mai multe conturi. Un flux de lucru pentru detectarea preluării conturilor are un alt obiectiv: identificarea accesului neautorizat fără a-l întrerupe inutil pe titularul legitim al contului.

Rezultatele înregistrate de clienți furnizează feedbackul necesar pentru antrenare. În loc să ceară fiecărei organizații să-și construiască și să-și opereze propriul nivel de predicție, Fingerprint se ocupă de antrenarea și întreținerea modelelor, combinând semnalele despre dispozitive cu etichetele furnizate de companie. Noile rezultate sunt folosite la antrenările ulterioare, pe măsură ce traficul și tiparele de fraudă ale clientului se schimbă.

Prin urmare, calitatea acestui feedback este importantă. Un model antrenat pe baza unor rezultate confirmate beneficiază de îndrumare mai utilă decât unul antrenat pe o listă nediferențiată de evenimente suspecte. Dacă etichetele unei organizații sunt incomplete sau inconsecvente, predicțiile rezultate pot reflecta aceste limitări.

Informațiile despre dispozitive oferă context dincolo de cont

Platforma Fingerprint de informații despre dispozitive combină identificarea persistentă cu semnale contextuale despre activitatea web și mobilă. Rolul său este să ajute companiile să coreleze activitatea din sesiuni diferite și să examineze tipare care ar putea să nu reiasă doar din detaliile contului.

Catalogul Smart Signals al companiei include indicatori privind automatizarea, modificarea browserului, mașinile virtuale, proxy-urile, VPN-urile și activitatea neobișnuit de intensă a dispozitivului. Acești indicatori oferă context pentru analiză; utilizarea unui instrument de protecție a confidențialității sau a unui mediu necunoscut nu dovedește, prin ea însăși, intenția de a comite o fraudă.

Fraud Score adaugă acestor informații un nivel de predicție antrenat pe datele fiecărui client. Diferența constă în a distinge între identificarea unui mediu și evaluarea modului în care tiparele din acel mediu se raportează la rezultatele privind fraudele unei anumite companii. Echipele pot folosi predicțiile direct sau le pot integra într-un sistem decizional existent, alături de celelalte informații de care dispun.

Abordarea depășește și simpla blocare a unui identificator deja asociat cu abuzuri. Un model antrenat poate căuta combinații de semnale asociate unor cazuri anterioare, ajutând, eventual, o companie să recunoască un comportament similar înainte de finalizarea următoarei tranzacții.

O buclă de feedback prin tabloul de bord, API și S3

Potrivit materialelor de lansare ale Fingerprint, clienții pot furniza rezultatele privind fraudele prin tabloul de bord, API sau S3. Aceștia pot gestiona etichetele și analiza performanța modelului, iar predicțiile le sunt transmise prin răspunsurile API ale Fingerprint.

Această arhitectură se integrează în fluxurile de lucru existente pentru gestionarea riscurilor. Un motor decizional poate folosi predicția împreună cu alte verificări pentru a aproba o interacțiune, a solicita verificări suplimentare sau a o trimite spre analiză.

Reantrenarea continuă urmărește să facă serviciul receptiv la evoluția abuzurilor. Ciclul de feedback depinde în continuare de ceea ce află organizația după un eveniment, inclusiv de rezultate care s-ar putea clarifica abia mai târziu. Prin urmare, monitorizarea în timp a performanței modelului rămâne o parte a operării sistemului.

De ce Flink avea nevoie de mai mult decât blocarea după ID-ul vizitatorului

Anunțul include relatarea companiei Flink, al cărei inginer principal de software, David Fennessey, a declarat că simpla blocare a ID-urilor vizitatorilor nu era suficientă pentru a combate formele mai sofisticate de abuz. El a povestit despre colaborarea cu Fingerprint la un model bazat pe analiza internă a fraudelor realizată de Flink, menit să ajute la prevenirea abuzurilor viitoare înainte de plasarea unei comenzi.

Experiența Flink ilustrează colaborarea din spatele serviciului: compania contribuie cu propria analiză internă a fraudelor, iar Fingerprint folosește acest feedback pentru a crea și menține un model adaptat tiparelor de abuz specifice companiei.

Fraud Score mută accentul de la întreținerea semnalelor și regulilor individuale către învățarea pe baza rezultatelor proprii ale unei companii. Fingerprint se ocupă de antrenarea și reantrenarea modelului, în timp ce echipele antifraudă păstrează controlul asupra modului în care predicțiile le influențează deciziile. Produsul este disponibil pe pagina Fraud Score a Fingerprint.