Fingerprint推出Fraud Score：客户测试显示检测到的欺诈行为增加近50%

Fingerprint推出了Fraud Score，这是一种预测型欺诈信号，结合设备情报与基于各客户自身欺诈结果训练的机器学习模型。该公司称，在一项正面对比测试中，该产品检测到的欺诈行为比一位客户现有的内部模型多近50%，同时没有增加被拦截的合法用户数量。

此次推出的产品旨在解决风险团队常见的难题：收集信号相对容易，难的是将这些信号转化为可靠的判断。一个设备关联多个账户，可能意味着有人滥用促销活动；而一个陌生设备试图登录已建立的账户，则可能需要采取不同的调查方式。Fraud Score旨在根据组织的实际用户、流量和已确认结果，学习这些差异。

报告中的检测提升说明了什么

Fingerprint公布的主要结果，是与一位客户的内部模型进行比较所得。该公司称，在拦截合法用户的比例相同的情况下，Fraud Score检测到的欺诈行为多近50%。后一项条件至关重要：系统只要拒绝更多流量，就可能发现更多可疑活动，但这样做也可能把真正的客户拒之门外。

这一结果来自与一位客户内部模型的正面对比，表明在保持拦截合法用户的比例稳定的同时，从该企业的欺诈模式中学习能够带来价值。

这一提升衡量的是额外检测到的欺诈行为。其财务价值取决于涉及的交易，以及企业如何使用每项预测。

针对不同欺诈问题采用不同模型

Fraud Score的核心设计理念，是针对不同欺诈类型分别进行预测。Fingerprint列出的支持目标包括支付欺诈、账户接管、多账户操作、虚假账户创建、促销滥用、平台滥用和内容滥用。

这些类别对应着不同的行为和业务成本。支付欺诈模型可以帮助商家评估订单，而促销滥用模型则可以查找通过多个账户反复尝试领取优惠的行为。账户接管工作流程的目标又有所不同：在避免不必要地打断合法账户持有人的同时，检测未经授权的访问。

客户提供的结果构成训练反馈。Fingerprint不再要求每个组织自行构建和运营预测层，而是负责模型训练和维护，并将其设备信号与企业提供的标签相结合。随着客户流量和欺诈模式的变化，新的结果会用于后续的重新训练。

因此，反馈质量十分重要。与基于一份未加区分的可疑事件清单训练的模型相比，基于已确认结果训练的模型能够获得更有价值的监督信号。如果组织提供的标签不完整或不一致，生成的预测结果也可能受到这些局限的影响。

设备情报提供账户之外的背景信息

Fingerprint的设备情报平台将持久识别能力与有关网络和移动端活动的背景信号相结合。该平台旨在帮助企业关联不同会话中的活动，并检查仅凭账户信息可能无法揭示的模式。

该公司的Smart Signals信号目录包含自动化、浏览器篡改、虚拟机、代理、VPN以及设备活动异常频繁等指标。这些信号为分析提供背景信息；使用隐私工具或处于陌生环境，本身并不能证明存在欺诈意图。

Fraud Score在这些证据的基础上，增加了一个基于客户数据训练的预测层。两者的区别在于：前者识别所处环境，后者评估该环境中的模式与特定企业欺诈结果之间的关联。团队可以直接使用这些预测，也可以将其与其他信息一同输入现有的决策系统。

这种方法也不局限于拦截已知与滥用行为相关联的标识符。经过训练的模型可以查找与既往案例相关的信号组合，从而有望帮助企业在下一笔交易完成前识别类似行为。

通过仪表板、API和S3构建反馈闭环

根据Fingerprint的发布资料，客户可以通过其仪表板、API或S3提交欺诈结果。客户可以管理标签并分析模型表现，而预测结果则通过Fingerprint的API响应提供。

这种架构适用于现有的风险工作流程。决策引擎可以将预测结果与其他检查结果结合，用于批准操作、要求进一步验证，或将其转交审核。

持续重新训练旨在让服务能够应对不断演变的滥用行为。反馈周期仍取决于组织在事件发生后了解到的信息，其中一些结果可能要过一段时间才会明朗。因此，随时间监控模型表现仍是系统运营的一部分。

为什么Flink认为仅拦截访客ID还不够

公告中还引用了 Flink 的说法。Flink 首席软件工程师 David Fennessey 表示，仅阻止访客 ID 不足以应对更复杂的滥用行为。他介绍了 Flink 如何与 Fingerprint 合作，根据 Flink 内部的欺诈分析训练模型，以便在下单前阻止未来的滥用行为。

Flink 的经验体现了这项服务背后的合作方式：企业提供内部欺诈分析，Fingerprint 则利用这些反馈，构建并维护一个针对其滥用行为模式量身定制的模型。

Fraud Score 将重点从维护单个信号和规则，转向从企业自身的结果中学习。Fingerprint 负责训练和重新训练模型，同时由欺诈团队决定如何根据预测结果作出决策。该产品可通过 Fingerprint 的Fraud Score 页面获取。