Cross-Device Tracking: Menautkan Sesi Tanpa Login

Ketika seorang pengguna mengunjungi situs Anda dari laptopnya pada pagi hari dan dari ponselnya pada sore hari, sebagian besar platform analitik melihatnya sebagai dua pengunjung yang sepenuhnya terpisah. Algoritma identifikasi perangkat kami dapat menautkan sesi-sesi ini secara probabilistik — tanpa memerlukan login — dengan menganalisis tumpang tindih sinyal dan membangun device graph.

Masalah Lintas Perangkat

Fingerprinting tradisional menghasilkan ID unik per instance browser. Chrome di laptop menghasilkan satu ID; Safari di iPhone menghasilkan ID lain. Bahkan pada perangkat yang sama, browser yang berbeda menghasilkan fingerprint yang berbeda karena mereka memiliki user agent yang berbeda, dukungan fitur yang berbeda, dan karakteristik rendering yang berbeda.

Namun pengguna tidak berpikir dalam kerangka browser. Mereka berpikir dalam kerangka sesi. Mereka memulai pembelian dari ponsel saat makan siang dan menyelesaikannya dari laptop di rumah. Mereka meneliti sebuah produk di tablet dan membelinya di desktop. Untuk fraud detection dan personalisasi, memahami bahwa sesi-sesi ini milik orang yang sama sangatlah penting.

Pencocokan Sinyal Probabilistik

Penautan lintas perangkat kami bekerja dengan mengidentifikasi sinyal yang dibagikan antar-perangkat pada jaringan yang sama atau dimiliki oleh orang yang sama. Alamat IP dan karakteristik jaringan adalah sinyal bersama yang paling jelas — perangkat pada jaringan Wi-Fi yang sama berbagi IP publik yang sama dan sering kali ISP serta ASN yang sama.

Namun IP saja tidak cukup. Banyak pengguna berbagi IP yang sama (jaringan kantor, kampus universitas, carrier-grade NAT). Kami menggabungkan pencocokan IP dengan analisis temporal (apakah sesi terjadi pada waktu yang mirip?), kemiripan perilaku (apakah mereka mengunjungi halaman yang mirip?), dan korelasi hardware (apakah perangkat-perangkat itu konsisten dengan satu pemilik — misalnya, sebuah MacBook dan sebuah iPhone, bukan dua desktop Windows?).

Konstruksi Device Graph

Setiap tautan antar-sesi yang terkonfirmasi atau berprobabilitas tinggi menciptakan sebuah edge dalam device graph. Graf ini menghubungkan instance browser ke node perangkat, dan node perangkat ke node orang. Seiring waktu, ketika lebih banyak sesi terakumulasi, graf menjadi semakin akurat.

Konstruksi graf menggunakan pendekatan konservatif: kami mensyaratkan beberapa sinyal yang saling menguatkan sebelum membuat sebuah tautan, dan kami memberikan skor kepercayaan pada setiap edge. Tautan yang berdasarkan IP bersama saja mungkin memiliki kepercayaan 0,3, sedangkan tautan yang berdasarkan IP bersama + korelasi temporal + ekosistem perangkat yang konsisten mungkin memiliki kepercayaan 0,9.

Penerapan pada Fraud Detection

Penautan lintas perangkat sangat kuat untuk fraud detection. Seorang pelaku fraud yang membuat akun di beberapa perangkat dapat diidentifikasi ketika perangkat-perangkat itu berbagi karakteristik jaringan. Kartu kredit curian yang digunakan pada perangkat yang belum pernah dikaitkan dengan device graph pemegang kartu memicu peringatan seketika.

Kami telah menjumpai fraud ring di mana seorang operator tunggal menggunakan puluhan virtual machine untuk membuat akun palsu. Meskipun setiap VM memiliki fingerprint unik, semuanya berbagi karakteristik hardware dan profil jaringan yang mendasari yang sama. Analisis graf kami menghubungkan mereka, membongkar seluruh ring dari satu akun yang terdeteksi.

Desain yang Menjaga Privasi

Penautan lintas perangkat menimbulkan kekhawatiran privasi yang wajar. Pendekatan kami memitigasinya melalui beberapa keputusan desain. Pertama, penautan bersifat probabilistik, bukan deterministik — kami tidak pernah mengklaim kepastian tentang koneksi lintas perangkat. Kedua, semua penautan terjadi di sisi server pada infrastruktur Anda, bukan infrastruktur kami. Ketiga, penautan dapat dinonaktifkan sepenuhnya jika tidak relevan dengan kasus penggunaan Anda. Keempat, pengguna dapat diberi transparansi mengenai perangkat yang tertaut melalui antarmuka privasi Anda.

Metrik Akurasi

Dalam pengujian terkendali dengan sesi lintas perangkat yang diketahui, algoritma penautan kami mencapai recall 78% (menemukan 78% dari pasangan lintas perangkat yang sebenarnya) dengan precision 94% (94% dari tautan yang teridentifikasi adalah benar). Angka-angka ini mencerminkan tradeoff yang sengaja mengutamakan precision di atas recall — kami lebih memilih melewatkan sebuah tautan daripada membuat tautan yang palsu.