Fingerprint запускает Fraud Score: в тесте с одним из клиентов выявлено почти на 50% больше случаев мошенничества

Fingerprint запустила Fraud Score — прогностический сигнал мошенничества, который объединяет данные об устройствах с моделями машинного обучения, обученными на данных о случаях мошенничества у каждого клиента. Компания сообщает, что в прямом сравнительном тестировании продукт выявил почти на 50% больше случаев мошенничества, чем существующая внутренняя модель одного из клиентов, при этом число заблокированных добросовестных пользователей не увеличилось.

Запуск призван решить знакомую специалистам по управлению рисками проблему: собирать сигналы проще, чем превращать их в надежное решение. Устройство, связанное с несколькими учетными записями, может указывать на злоупотребление промоакциями, тогда как попытка войти в существующую учетную запись с незнакомого устройства может потребовать другого расследования. Fraud Score должна учиться различать такие случаи на основе данных о реальных пользователях организации, ее трафике и подтвержденных результатах.

Что показывает заявленный рост выявляемости

Главный результат, представленный Fingerprint, — сравнение с внутренней моделью одного из клиентов. По словам компании, Fraud Score выявила почти на 50% больше случаев мошенничества при том же уровне блокировки добросовестных пользователей. Это важное условие: система может обнаруживать больше подозрительной активности, просто отклоняя больше запросов, но в результате она может отказывать и реальным клиентам.

Результат получен в ходе прямого сравнения с внутренней моделью одного из клиентов. Он демонстрирует ценность обучения на закономерностях мошенничества, характерных для конкретного бизнеса, при сохранении прежнего уровня блокировки добросовестных пользователей.

Этот показатель отражает дополнительное количество выявленных случаев мошенничества. Финансовая ценность результата зависит от типов затронутых транзакций и от того, как компания использует прогнозы.

Отдельные модели для разных видов мошенничества

Главная особенность Fraud Score — специализированные прогнозы для разных видов мошенничества. Среди поддерживаемых направлений Fingerprint называет мошенничество с платежами, захват учетных записей, использование нескольких учетных записей одним пользователем, создание поддельных учетных записей, злоупотребление промоакциями, злоупотребление платформой и злоупотребление контентом.

Эти категории описывают разные модели поведения и связанные с ними издержки для бизнеса. Модель для выявления мошенничества с платежами может помочь продавцу оценить заказ, а модель для выявления злоупотреблений промоакциями — обнаружить неоднократные попытки получить предложение через несколько учетных записей. У процесса выявления захвата учетных записей другая цель: обнаруживать несанкционированный доступ, не создавая лишних помех законному владельцу учетной записи.

Данные о результатах работы с клиентами используются для обратной связи при обучении. Вместо того чтобы предлагать каждой организации самостоятельно создавать и обслуживать собственный слой прогнозирования, Fingerprint берет на себя обучение и сопровождение моделей, объединяя сигналы устройств с метками, предоставленными компанией. Новые данные о результатах используются при последующем переобучении по мере изменения трафика клиента и характерных для него схем мошенничества.

Поэтому качество обратной связи имеет большое значение. Модель, обученная на подтвержденных результатах, получает более полезные обучающие данные, чем модель, обученная на неразличающем списке подозрительных событий. Если метки организации неполны или непоследовательны, прогнозы модели могут отражать эти ограничения.

Аналитика устройств дает контекст, выходящий за рамки учетной записи

Платформа Fingerprint для анализа устройств объединяет постоянную идентификацию с контекстными сигналами о действиях в интернете и на мобильных устройствах. Она помогает компаниям связывать действия между сессиями и выявлять закономерности, которые могут быть незаметны при анализе одних лишь данных учетной записи.

Каталог Smart Signals компании включает индикаторы автоматизации, вмешательства в работу браузера, использования виртуальных машин, прокси-серверов и VPN, а также необычно высокой активности устройства. Эти сигналы дают контекст для анализа; сами по себе средство защиты конфиденциальности или незнакомая среда не свидетельствуют о намерении совершить мошенничество.

Fraud Score добавляет к этим данным слой прогнозирования, обученный на информации конкретного клиента. Важно различать распознавание среды и оценку того, как связанные с ней закономерности соотносятся с результатами выявления мошенничества в конкретном бизнесе. Команды могут использовать прогнозы напрямую или передавать их в существующую систему принятия решений наряду с другими данными.

Этот подход позволяет не ограничиваться блокировкой идентификатора, уже связанного со злоупотреблениями. Обученная модель может выявлять сочетания сигналов, характерные для прежних случаев, и тем самым потенциально помогать компании распознавать аналогичное поведение до завершения следующей транзакции.

Цикл обратной связи через панель управления, API и S3

Согласно материалам Fingerprint о запуске, клиенты могут передавать данные о случаях мошенничества через панель управления, API или S3. Они могут управлять метками и анализировать эффективность модели, а прогнозы предоставляются в ответах API Fingerprint.

Такая архитектура подходит для уже существующих процессов управления рисками. Система принятия решений может учитывать прогноз вместе с результатами других проверок, чтобы одобрить действие, запросить дополнительное подтверждение или направить его на проверку.

Постоянное переобучение должно позволить сервису адаптироваться к меняющимся схемам злоупотреблений. При этом цикл обратной связи по-прежнему зависит от того, что организация узнает после события, включая результаты, которые могут проясниться лишь со временем. Поэтому мониторинг эффективности модели остается важной частью эксплуатации системы.

Почему Flink было недостаточно блокировки по идентификатору посетителя

В объявлении приводится рассказ Flink: главный инженер-программист компании Дэвид Феннессей отметил, что блокировки одних лишь идентификаторов посетителей недостаточно для борьбы с более изощрёнными злоупотреблениями. Он рассказал о совместной работе с Fingerprint над моделью, обученной на основе внутреннего анализа мошенничества Flink и призванной предотвращать злоупотребления до оформления заказа.

Опыт Flink иллюстрирует сотрудничество, лежащее в основе сервиса: компания предоставляет результаты внутреннего анализа мошенничества, а Fingerprint использует эту информацию, чтобы создавать и поддерживать модель, адаптированную к характерным для компании схемам злоупотреблений.

Fraud Score смещает акцент с поддержки отдельных сигналов и правил на обучение на основе собственных результатов компании. Fingerprint отвечает за обучение и переобучение модели, а команды по борьбе с мошенничеством сохраняют контроль над тем, как прогнозы влияют на их решения. Продукт доступен на странице Fraud Score Fingerprint.