Fingerprint запускає Fraud Score: під час тестування в клієнта виявлено майже на 50% більше шахрайства

Fingerprint запустила Fraud Score — прогностичний сигнал для виявлення шахрайства, який поєднує аналіз пристроїв із моделями машинного навчання, навченими на даних про випадки шахрайства в кожного клієнта. Компанія повідомляє, що під час прямого порівняння продукт виявив майже на 50% більше шахрайства, ніж наявна внутрішня модель одного з клієнтів, не збільшивши кількість заблокованих добросовісних користувачів.

Запуск продукту має розв’язати знайому проблему команд з управління ризиками: збирати сигнали простіше, ніж перетворювати їх на надійне рішення. Пристрій, пов’язаний із кількома обліковими записами, може свідчити про зловживання акціями, тоді як спроба ввійти в наявний обліковий запис із незнайомого пристрою може вимагати іншого розслідування. Fraud Score розроблено так, щоб система розпізнавала ці відмінності на основі даних про реальних користувачів організації, її трафік і підтверджені результати.

Що свідчить про заявлене зростання виявлення

Головний результат, про який повідомляє Fingerprint, — це порівняння з внутрішньою моделлю одного з клієнтів. За словами компанії, Fraud Score виявила майже на 50% більше шахрайства за незмінного рівня блокування добросовісних користувачів. Ця друга умова має значення: система може виявляти більше підозрілої активності, просто відхиляючи більше запитів, але через це вона також може відмовити справжнім клієнтам.

Результат отримано під час прямого порівняння з внутрішньою моделлю одного з клієнтів. Він демонструє цінність навчання на закономірностях шахрайства в цьому бізнесі за незмінного рівня блокування добросовісних користувачів.

Приріст показує, скільки додаткових випадків шахрайства було виявлено. Його фінансова цінність залежить від транзакцій і від того, як компанія використовує кожен прогноз.

Окремі моделі для різних видів шахрайства

Ключове рішення в розробці Fraud Score — спеціалізація прогнозів за видами шахрайства. Fingerprint зазначає серед підтримуваних напрямів шахрайство з платежами, захоплення облікових записів, використання кількох облікових записів, створення фальшивих облікових записів, зловживання акціями, зловживання платформою та зловживання контентом.

Ці категорії описують різні типи поведінки та пов’язані з ними бізнес-витрати. Модель виявлення шахрайства з платежами може допомогти продавцю оцінити замовлення, тоді як модель виявлення зловживань акціями може шукати повторні спроби скористатися пропозицією через кілька облікових записів. Робочий процес виявлення захоплення облікового запису має іншу мету: виявляти несанкціонований доступ, не перешкоджаючи без потреби законному власникові облікового запису.

Результати клієнтів слугують зворотним зв’язком для навчання. Замість того щоб вимагати від кожної організації створювати й підтримувати власний рівень прогнозування, Fingerprint бере на себе навчання та обслуговування моделей, поєднуючи сигнали пристроїв із мітками, які надає компанія. Нові результати використовуються для подальшого перенавчання в міру зміни трафіку клієнта та закономірностей шахрайства.

Тому якість такого зворотного зв’язку має велике значення. Модель, навчена на підтверджених результатах, отримує корисніший сигнал для навчання, ніж модель, навчена на нерозрізненому переліку підозрілих подій. Якщо мітки організації неповні або непослідовні, отримані прогнози можуть відображати ці обмеження.

Контекст, що виходить за межі облікового запису: аналітика пристроїв

Платформа аналітики пристроїв Fingerprint поєднує стійку ідентифікацію з контекстними сигналами про активність у вебі та на мобільних пристроях. Вона допомагає компаніям пов’язувати активність між сеансами та аналізувати закономірності, які можуть бути непомітними, якщо враховувати лише дані облікового запису.

Каталог Smart Signals компанії містить індикатори автоматизації, втручання в роботу браузера, віртуальних машин, проксі-серверів, VPN і незвично високої активності пристроїв. Ці сигнали дають контекст для аналізу; сам по собі інструмент захисту конфіденційності або незнайоме середовище не свідчить про шахрайський намір.

Fraud Score додає до цих даних рівень прогнозування, навчений на даних клієнта. Різниця полягає в тому, що система не просто розпізнає середовище, а й оцінює, як пов’язані з ним закономірності співвідносяться з результатами боротьби з шахрайством у конкретній компанії. Команди можуть використовувати прогнози безпосередньо або передавати їх до наявної системи ухвалення рішень разом з іншими даними.

Цей підхід також виходить за межі блокування ідентифікатора, уже пов’язаного зі зловживаннями. Навчена модель може шукати комбінації сигналів, пов’язані з попередніми випадками, і потенційно допомогти компанії розпізнати подібну поведінку до завершення наступної транзакції.

Цикл зворотного зв’язку через панель керування, API та S3

Згідно з матеріалами Fingerprint про запуск, клієнти можуть передавати дані про результати боротьби з шахрайством через панель керування, API або S3. Вони можуть керувати мітками й аналізувати ефективність моделі, а прогнози надходять у відповідях API Fingerprint.

Така архітектура відповідає наявним робочим процесам управління ризиками. Система ухвалення рішень може враховувати прогноз разом з іншими перевірками, щоб схвалити дію, запросити додаткове підтвердження або передати її на перевірку.

Постійне перенавчання має допомогти сервісу пристосовуватися до нових видів зловживань. Цикл зворотного зв’язку й надалі залежить від того, що організація дізнається після події, зокрема від результатів, які можуть з’ясуватися лише згодом. Тому моніторинг ефективності моделі з часом залишається частиною експлуатації системи.

Чому Flink хотіла не обмежуватися блокуванням за ідентифікатором відвідувача

В оголошенні наведено коментар Flink. Провідний інженер-програміст компанії Девід Феннессі зазначив, що блокування самих лише ідентифікаторів відвідувачів недостатньо для протидії складнішим зловживанням. Він розповів про співпрацю з Fingerprint над моделлю, яка враховує внутрішній аналіз шахрайства у Flink і допомагає запобігати майбутнім зловживанням ще до оформлення замовлення.

Досвід Flink демонструє, як побудовано співпрацю в межах сервісу: компанія надає свій внутрішній аналіз шахрайства, а Fingerprint використовує ці дані для створення й підтримки моделі, адаптованої до характерних для неї зловживань.

Fraud Score зміщує акцент із підтримки окремих сигналів і правил на навчання на основі власних результатів компанії. Fingerprint відповідає за навчання та повторне навчання моделі, а команди з протидії шахрайству зберігають контроль над тим, як прогнози впливають на їхні рішення. Продукт доступний на сторінці Fraud Score на сайті Fingerprint.