Fingerprint lanserar Fraud Score och rapporterar nästan 50% fler upptäckta bedrägerier i kundtest

Fingerprint har lanserat Fraud Score, en prediktiv bedrägerisignal som kombinerar enhetsintelligens med maskininlärningsmodeller tränade på varje kunds egna bedrägeriutfall. Företaget uppger att produkten upptäckte nästan 50 % fler bedrägerier än en kunds befintliga interna modell i en direkt jämförelse, utan att öka antalet legitima användare som blockerades.

Lanseringen adresserar ett välbekant problem för riskteam: det är enklare att samla in signaler än att omvandla dem till ett tillförlitligt beslut. En enhet som är kopplad till flera konton kan tyda på missbruk av erbjudanden, medan en okänd enhet som försöker logga in på ett etablerat konto kan kräva en annan utredning. Fraud Score är utformat för att lära sig skilja mellan sådana fall utifrån en organisations faktiska användare, trafik och bekräftade utfall.

Vad den rapporterade ökningen av upptäckta bedrägerier visar

Fingerprints främsta resultat gäller en jämförelse med en kunds interna modell. Företaget uppger att Fraud Score upptäckte nästan 50 % fler bedrägerier vid samma nivå av blockering av legitima användare. Det senare villkoret är viktigt: ett system kan fånga upp mer misstänkt aktivitet helt enkelt genom att avvisa mer trafik, men då kan även riktiga kunder avvisas.

Resultatet bygger på en direkt jämförelse med en kunds interna modell. Det visar värdet av att lära sig av företagets bedrägerimönster och samtidigt hålla blockeringen av legitima användare på en oförändrad nivå.

Ökningen avser ytterligare upptäckta bedrägerier. Det ekonomiska värdet beror på vilka transaktioner det gäller och hur företaget använder varje förutsägelse.

Separata modeller för olika bedrägeriproblem

Fraud Scores centrala designval är att anpassa förutsägelserna efter typen av bedrägeri. Fingerprint listar betalningsbedrägerier, kontokapning, användning av flera konton, skapande av falska konton, missbruk av erbjudanden, plattformsmissbruk och innehållsmissbruk bland de bedrägerityper som tjänsten stöder.

Kategorierna beskriver olika beteenden och kostnader för företagen. En modell för betalningsbedrägerier kan hjälpa en handlare att bedöma en beställning, medan en modell för missbruk av erbjudanden kan leta efter upprepade försök att utnyttja ett erbjudande via flera konton. Ett arbetsflöde för att upptäcka kontokapning har ett annat mål: att upptäcka obehörig åtkomst utan att i onödan störa den legitima kontoinnehavaren.

Kundernas utfall ger återkoppling för träningen. I stället för att be varje organisation bygga och driva ett eget förutsägelselager hanterar Fingerprint modellträningen och underhållet och kombinerar sina enhetssignaler med etiketter som företaget tillhandahåller. Nya utfall används vid efterföljande omträning i takt med att kundens trafik och bedrägerimönster förändras.

Därför är återkopplingens kvalitet viktig. En modell som tränats på bekräftade utfall får mer användbar vägledning än en modell som tränats på en odifferentierad lista över misstänkta händelser. Om en organisations etiketter är ofullständiga eller inkonsekventa kan de resulterande förutsägelserna återspegla dessa begränsningar.

Enhetsintelligens ger sammanhang utöver kontot

Fingerprints plattform för enhetsintelligens kombinerar beständig identifiering med kontextuella signaler om webb- och mobilaktivitet. Syftet är att hjälpa företag att koppla samman aktivitet mellan sessioner och undersöka mönster som kanske inte framgår enbart av kontouppgifter.

Företagets katalog över Smart Signals omfattar indikatorer på automatisering, manipulation av webbläsare, virtuella maskiner, proxyservrar, VPN-tjänster och ovanligt hög enhetsaktivitet. Signalerna ger sammanhang för analysen; ett integritetsverktyg eller en okänd miljö bevisar inte i sig att det finns ett bedrägligt uppsåt.

Fraud Score lägger till ett kundtränat förutsägelselager till dessa uppgifter. Skillnaden ligger mellan att känna igen en miljö och att bedöma hur mönster i den miljön hänger samman med ett visst företags bedrägeriutfall. Team kan använda förutsägelserna direkt eller mata in dem i ett befintligt beslutssystem tillsammans med annan information.

Metoden går också längre än att blockera en identifierare som redan har kopplats till missbruk. En tränad modell kan leta efter kombinationer av signaler som förknippats med tidigare fall och därmed potentiellt hjälpa ett företag att känna igen liknande beteenden innan nästa transaktion slutförs.

En återkopplingsloop via kontrollpanelen, API:et och S3

Enligt Fingerprints lanseringsmaterial kan kunder lämna uppgifter om bedrägeriutfall via företagets kontrollpanel, API eller S3. De kan hantera etiketter och analysera modellens prestanda, medan förutsägelser levereras i svar från Fingerprints API.

Den arkitekturen passar in i befintliga riskarbetsflöden. En beslutsmotor kan använda förutsägelsen tillsammans med andra kontroller för att godkänna en interaktion, begära ytterligare verifiering eller skicka den vidare för granskning.

Den fortlöpande omträningen är tänkt att göra tjänsten mottaglig för föränderliga former av missbruk. Återkopplingscykeln är fortfarande beroende av vad organisationen får veta efter en händelse, däribland utfall som kanske inte blir tydliga förrän senare. Att följa modellens prestanda över tid är därför fortfarande en del av driften av systemet.

Varför Flink ville ha mer än blockering av besökar-ID:n

I tillkännagivandet ingår en kommentar från Flink. Företagets ledande mjukvaruingenjör, David Fennessey, sade att det inte räckte att enbart blockera besökar-ID:n för att stoppa mer sofistikerat missbruk. Han beskrev hur Flink samarbetade med Fingerprint kring en modell som bygger på Flinks interna bedrägerianalys och ska bidra till att stoppa framtida missbruk innan en order läggs.

Flinks erfarenheter visar hur samarbetet bakom tjänsten fungerar: företaget bidrar med sin interna bedrägerianalys, och Fingerprint använder återkopplingen för att bygga och underhålla en modell anpassad efter företagets missbruksmönster.

Fraud Score flyttar fokus från att underhålla enskilda signaler och regler till att lära av företagets egna utfall. Fingerprint sköter träning och omträning, medan bedrägeriteamen behåller kontrollen över hur förutsägelserna vägs in i besluten. Produkten finns på Fingerprints sida för Fraud Score.