Fingerprint ra mắt Fraud Score, báo cáo phát hiện nhiều hơn gần 50% trường hợp gian lận trong thử nghiệm với khách hàng

Fingerprint đã ra mắt Fraud Score, một tín hiệu dự đoán gian lận kết hợp thông tin tình báo thiết bị với các mô hình học máy được huấn luyện dựa trên kết quả gian lận riêng của từng khách hàng. Công ty cho biết trong một cuộc đánh giá đối đầu, sản phẩm phát hiện nhiều hơn gần 50% trường hợp gian lận so với mô hình nội bộ hiện có của một khách hàng, mà không làm tăng số người dùng hợp lệ bị chặn.

Sản phẩm mới giải quyết một vấn đề quen thuộc của các nhóm quản lý rủi ro: thu thập tín hiệu thì dễ, nhưng biến chúng thành một quyết định đáng tin cậy lại khó hơn. Một thiết bị liên kết với nhiều tài khoản có thể là dấu hiệu lạm dụng khuyến mãi, trong khi một thiết bị lạ tìm cách truy cập vào tài khoản đã được thiết lập có thể cần được điều tra theo hướng khác. Fraud Score được thiết kế để nhận biết những khác biệt đó dựa trên người dùng, lưu lượng truy cập và kết quả đã xác nhận thực tế của một tổ chức.

Ý nghĩa của mức tăng phát hiện được công bố

Kết quả nổi bật mà Fingerprint công bố là từ cuộc so sánh với mô hình nội bộ của một khách hàng. Công ty cho biết Fraud Score phát hiện nhiều hơn gần 50% trường hợp gian lận trong khi vẫn giữ nguyên tỷ lệ chặn người dùng hợp lệ. Điều kiện thứ hai này rất đáng lưu ý: một hệ thống có thể phát hiện thêm hoạt động đáng ngờ chỉ bằng cách từ chối nhiều lượt truy cập hơn, nhưng làm vậy cũng có thể khiến khách hàng thật bị từ chối.

Kết quả này dựa trên cuộc so sánh đối đầu với mô hình nội bộ của một khách hàng. Nó cho thấy giá trị của việc học từ các kiểu gian lận của doanh nghiệp đó, đồng thời duy trì tỷ lệ chặn người dùng hợp lệ ở mức ổn định.

Mức tăng này đo lường số trường hợp gian lận được phát hiện thêm. Giá trị tài chính của kết quả phụ thuộc vào các giao dịch liên quan và cách doanh nghiệp sử dụng từng dự đoán.

Các mô hình riêng cho từng loại gian lận

Lựa chọn thiết kế cốt lõi của Fraud Score là chuyên biệt hóa các dự đoán theo loại gian lận. Fingerprint liệt kê gian lận thanh toán, chiếm đoạt tài khoản, sử dụng nhiều tài khoản, tạo tài khoản giả, lạm dụng khuyến mãi, lạm dụng nền tảng và lạm dụng nội dung trong số các mục tiêu được hỗ trợ.

Những nhóm này thể hiện các hành vi và chi phí kinh doanh khác nhau. Mô hình phát hiện gian lận thanh toán có thể giúp đơn vị bán hàng đánh giá một đơn hàng, trong khi mô hình phát hiện lạm dụng khuyến mãi có thể tìm kiếm những lần thử lặp lại nhằm nhận ưu đãi thông qua nhiều tài khoản. Quy trình xử lý chiếm đoạt tài khoản lại có mục tiêu khác: phát hiện truy cập trái phép mà không làm gián đoạn không cần thiết trải nghiệm của chủ tài khoản hợp pháp.

Kết quả từ khách hàng cung cấp dữ liệu phản hồi để huấn luyện. Thay vì yêu cầu từng tổ chức tự xây dựng và vận hành lớp dự đoán, Fingerprint đảm nhận việc huấn luyện và duy trì mô hình, kết hợp các tín hiệu thiết bị của mình với nhãn do doanh nghiệp cung cấp. Những kết quả mới được dùng cho các lần huấn luyện lại tiếp theo khi lưu lượng truy cập và kiểu gian lận của khách hàng thay đổi.

Điều này khiến chất lượng phản hồi trở nên quan trọng. Mô hình được huấn luyện bằng các kết quả đã xác nhận có thông tin giám sát hữu ích hơn mô hình được huấn luyện bằng một danh sách các sự kiện đáng ngờ không phân biệt. Nếu nhãn của một tổ chức không đầy đủ hoặc thiếu nhất quán, các dự đoán tạo ra có thể phản ánh những hạn chế đó.

Thông tin tình báo thiết bị cung cấp bối cảnh vượt ra ngoài tài khoản

Nền tảng thông tin tình báo thiết bị của Fingerprint kết hợp khả năng nhận dạng ổn định với các tín hiệu ngữ cảnh về hoạt động trên web và thiết bị di động. Nền tảng giúp doanh nghiệp liên kết hoạt động giữa các phiên và xem xét những kiểu hành vi mà chỉ thông tin tài khoản có thể không cho thấy.

Danh mục Smart Signals của công ty bao gồm các chỉ báo về tự động hóa, can thiệp vào trình duyệt, máy ảo, máy chủ proxy, VPN và hoạt động thiết bị cao bất thường. Những tín hiệu này cung cấp bối cảnh để phân tích; bản thân việc sử dụng công cụ bảo vệ quyền riêng tư hoặc hoạt động trong môi trường lạ không chứng minh ý định gian lận.

Fraud Score bổ sung một lớp dự đoán được huấn luyện bằng dữ liệu của khách hàng vào những bằng chứng đó. Điểm khác biệt nằm ở chỗ nhận diện một môi trường và đánh giá mối liên hệ giữa các kiểu hành vi trong môi trường đó với kết quả gian lận của một doanh nghiệp cụ thể. Các nhóm có thể sử dụng trực tiếp những dự đoán này hoặc đưa chúng vào hệ thống ra quyết định hiện có cùng với các thông tin khác.

Cách tiếp cận này cũng vượt ra ngoài việc chặn một mã định danh vốn đã liên quan đến hành vi lạm dụng. Mô hình được huấn luyện có thể tìm kiếm những tổ hợp tín hiệu từng gắn với các trường hợp trước đây, qua đó có khả năng giúp doanh nghiệp nhận ra hành vi tương tự trước khi giao dịch tiếp theo hoàn tất.

Vòng phản hồi qua bảng điều khiển, API và S3

Theo tài liệu ra mắt của Fingerprint, khách hàng có thể gửi kết quả gian lận qua bảng điều khiển, API hoặc S3. Họ có thể quản lý nhãn và phân tích hiệu suất mô hình, trong khi các dự đoán được cung cấp qua phản hồi API của Fingerprint.

Kiến trúc này phù hợp với các quy trình quản lý rủi ro hiện có. Công cụ ra quyết định có thể sử dụng dự đoán cùng với các bước kiểm tra khác để phê duyệt một tương tác, yêu cầu xác minh bổ sung hoặc chuyển tương tác đó đi xem xét.

Việc tiếp tục huấn luyện lại nhằm giúp dịch vụ thích ứng với các hình thức lạm dụng đang biến đổi. Chu trình phản hồi vẫn phụ thuộc vào những gì tổ chức tìm hiểu được sau một sự kiện, bao gồm cả những kết quả có thể chỉ sáng tỏ về sau. Vì vậy, việc theo dõi hiệu suất mô hình theo thời gian vẫn là một phần trong quá trình vận hành hệ thống.

Vì sao Flink cần nhiều hơn việc chặn ID khách truy cập

Thông báo có lời chia sẻ từ Flink. David Fennessey, kỹ sư phần mềm chính của công ty, cho biết chỉ chặn ID khách truy cập là chưa đủ để chống lại các hành vi lạm dụng tinh vi hơn. Ông mô tả việc hợp tác với Fingerprint để xây dựng một mô hình dựa trên phân tích gian lận nội bộ của Flink, nhằm giúp ngăn chặn các hành vi lạm dụng trong tương lai trước khi đơn hàng được đặt.

Trải nghiệm của Flink cho thấy cách thức hợp tác đằng sau dịch vụ này: doanh nghiệp đóng góp phân tích gian lận nội bộ, còn Fingerprint sử dụng phản hồi đó để xây dựng và duy trì một mô hình phù hợp với các kiểu hành vi lạm dụng của doanh nghiệp.

Fraud Score chuyển trọng tâm từ việc duy trì từng tín hiệu và quy tắc riêng lẻ sang học hỏi từ kết quả thực tế của chính doanh nghiệp. Fingerprint phụ trách huấn luyện và huấn luyện lại mô hình, trong khi các nhóm chống gian lận vẫn kiểm soát cách sử dụng dự đoán để đưa ra quyết định. Có thể sử dụng sản phẩm này thông qua trang Fraud Score của Fingerprint.