Vertikal mana yang paling banyak merugi akibat fraud, dan mengapa polanya berbeda

Tidak semua industri menghadapi lanskap fraud yang sama. Sebagian berada di atas attack surface yang secara inheren lebih menarik bagi operasi fraud profesional; yang lain memiliki karakteristik yang membatasi volume serangan bahkan ketika pertahanannya lemah.

Tulisan ini membahas lima vertikal yang secara konsisten kehilangan persentase pendapatan terbesar akibat masalah terkait fraud — iGaming, Crypto/Web3, FinTech/lending, AdTech, dan E-commerce — serta menjelaskan faktor struktural yang menjadikan setiap vertikal menarik bagi penyerang. Ditulis untuk para pemimpin di bidang produk, operasi, dan risiko yang ingin memahami apakah angka kerugian fraud yang mereka lihat wajar untuk kategori mereka atau ada yang tidak beres.

Mengapa fraud tidak terdistribusi merata

Penyerang beroperasi berdasarkan unit economics. Perhitungan untuk setiap operasi fraud adalah: biaya serangan < nilai yang diekstraksi. Vertikal yang memaksimalkan sisi kanan pertidaksamaan ini menarik perhatian profesional paling banyak.

Tiga faktor struktural menentukan ekstraksi nilai:

Faktor 1: Kecepatan monetisasi. Seberapa cepat penyerang dapat mengubah keberhasilan fraud menjadi uang tunai? iGaming memiliki monetisasi cepat (klaim bonus, mainkan wagering, tarik dana). E-commerce memiliki monetisasi lebih lambat (pesan barang, terima barang, jual kembali). Crypto bisa memiliki monetisasi yang sangat cepat (klaim airdrop, jual di DEX). Monetisasi yang lebih cepat menarik operasi yang lebih canggih.

Faktor 2: Nilai per unit. Berapa nilai finansial dari satu peristiwa fraud yang berhasil? Fraud pinjaman dengan synthetic identity mungkin mengekstraksi $15K–25K per bust-out yang berhasil. Penyalahgunaan bonus mungkin mengekstraksi €50–500 per akun. Click fraud mungkin mengekstraksi beberapa sen per klik tetapi dalam volume masif. Nilai per unit yang lebih tinggi menarik serangan yang lebih terfokus; kategori bervolume tinggi bernilai rendah menarik otomasi industrial yang lebih masif.

Faktor 3: Kesulitan deteksi. Vertikal di mana fraud berbaur dengan perilaku sah lebih sulit dipertahankan. Synthetic identity sulit karena dokumen tampak asli dan perilaku tampak normal selama 12–18 bulan. Kolusi sulit karena setiap pemain tampak sah secara individual. Click fraud sulit karena klik individual tampak seperti perilaku pengguna normal.

Kelima vertikal di bawah ini mendapat skor tinggi pada setidaknya dua dari tiga faktor ini. Mereka bukan satu-satunya vertikal dengan masalah fraud — setiap platform yang menghadap konsumen menghadapi sebagian — tetapi merekalah yang perhitungannya paling kuat menguntungkan penyerang.

iGaming: 8–20% dari GGR

Industri di mana jumlah dolarnya paling banyak dibahas karena regulator mewajibkan pengungkapan. Pasar iGaming matang di yurisdiksi teregulasi biasanya kehilangan 8–15% dari gross gaming revenue akibat masalah terkait fraud. Pasar yang kurang matang dan operator dengan pertahanan lebih lemah bisa kehilangan hingga 20%.

Faktor strukturalnya:

• Anggaran bonus besar menarik penyalahgunaan bonus. Operator membelanjakan 5–15% dari pendapatan untuk welcome bonus, risk-free bet, dan penawaran promosi. Anggaran bonus adalah sasaran. Penyerang membuat multi-account untuk mengklaim penawaran ini berulang kali.
• Monetisasi cepat melalui wagering dan penarikan. Klaim bonus, wager minimum, penarikan — total waktu dari fraud ke uang tunai sering kali hanya beberapa jam, bukan hari. Ini membuat operasi efisien secara ekonomi bahkan pada nilai per akun yang moderat.
• Infrastruktur penyerang yang matang. iGaming telah menjadi sasaran utama selama lebih dari satu dekade. Operasi bonus farming profesional ada dalam skala besar. Layanan KYC bypass adalah industri matang. Pasar perolehan dokumen sudah mapan.
• Regulasi perlindungan pemain menciptakan keunggulan bagi penyerang. Operator menghadapi friksi dalam menantang pengguna secara agresif (false positive menghasilkan keluhan dan perhatian regulator). Penyerang menghadapi lebih sedikit friksi dalam beriterasi melawan pertahanan.

Kategori fraud yang mendorong kerugian: penyalahgunaan bonus dan multi-accounting (volume tertinggi), kolusi dalam format poker, eksploitasi risk-free bet, account takeover untuk akun yang memiliki deposit. Masing-masing memerlukan penanganan berbeda.

Penilaian yang jujur: sebagian besar operator mengukur tingkat fraud mereka lebih rendah dari kenyataan. Mereka menghitung apa yang mereka tangkap dan melewatkan apa yang tidak. Tingkat sebenarnya biasanya 1,5–2× lebih tinggi dari angka yang dilaporkan.

Crypto dan Web3: 50–80% pada distribusi rentan Sybil

Pendatang terbaru dalam daftar fraud tinggi dan bisa dibilang yang paling ekstrem. Peluncuran token, mint NFT, airdrop, dan mekanisme distribusi lainnya secara rutin melihat 50–80% dari distribusi jatuh ke operasi farming alih-alih peserta yang sah.

Faktor strukturalnya:

• Peristiwa distribusi berskala besar, cepat, dan bernilai tinggi. Peluncuran token mungkin mendistribusikan nilai $50–500M dalam hitungan jam. Jendela serangannya sempit tetapi nilai yang dipertaruhkan sangat besar.
• Composability menguntungkan otomasi. Filosofi desain Web3 menekankan akses tanpa izin. Properti yang sama yang membuat Web3 kuat membuatnya menarik bagi penyerang — mereka dapat berinteraksi dengan protokol tanpa friksi yang dibutuhkan keuangan tradisional.
• Resistansi Sybil secara struktural sulit. Membedakan satu entitas yang mengendalikan 1.000 wallet dari 1.000 entitas terpisah yang masing-masing mengendalikan satu wallet adalah masalah kriptografis fundamental. Pendekatan standar (proof of activity, social graph, reputasi on-chain) semuanya memiliki celah penghindaran yang diketahui.
• Infrastruktur anti-detect browser diadaptasi untuk Web3. Alat yang sama yang digunakan dalam bonus farming iGaming bekerja untuk farming distribusi Web3, sering kali lebih efektif karena platform Web3 cenderung memiliki pertahanan lebih lemah.

Kategori fraud: serangan Sybil pada distribusi token, airdrop farming dengan wallet yang sudah dipanaskan sebelumnya, KYC bypass pada exchange terpusat, volume perdagangan palsu di DEX, atribusi scam wallet. Masing-masing adalah masalah berbeda; masing-masing memerlukan penanganan berbeda.

Penilaian yang jujur: tingkat farming 50–80% pada airdrop dilaporkan secara luas dan konsisten dengan data yang dilihat Tracio pada deployment pelanggan. Protokol yang tidak aktif mempertahankan diri dapat mengharapkan sebagian besar distribusinya mencapai farmer. Protokol yang mempertahankan diri dengan benar dapat membalikkannya menjadi 90%+ distribusi yang sah.

FinTech dan lending: 3–10% dari portofolio

Kategori luas yang mencakup consumer lending, BNPL, neobank, platform pembayaran, dan jembatan crypto-FinTech. Kerugian bervariasi lebar menurut subkategori, tetapi rata-rata industri terkonsolidasi berada di sekitar 3–10% dari portofolio.

Faktor strukturalnya:

• Nilai per insiden tinggi. Fraud pinjaman synthetic identity mengekstraksi $15K–25K per bust-out yang berhasil. Account takeover pada akun dengan metode pembayaran dapat mengekstraksi jumlah serupa. Nilai per insiden membenarkan operasi serangan yang canggih.
• KYC menciptakan rasa aman yang palsu. Verifikasi dokumen menangkap penipu amatir dan melewatkan yang canggih. Industri KYC matang, tetapi begitu pula industri KYC bypass. Pasar perolehan dokumen dan operasi identity-as-a-service mengalahkan verifikasi standar.
• Data biro tertinggal dari real-time. Biro kredit memperbarui dalam siklus 24–72 jam. Penyerang mengeksploitasi jendela ini untuk loan stacking — mengajukan aplikasi ke banyak pemberi pinjaman dalam satu jam, semuanya menyetujui karena tidak ada yang melihat yang lain untuk saat ini.
• Friendly fraud dan penyalahgunaan chargeback. Sebagian tidak sepele dari fraud FinTech diprakarsai konsumen: pelanggan sah menyanggah transaksi untuk mendapatkan pengembalian dana sambil tetap menyimpan barang, atau mengklaim fraud atas pembelian yang sah.

Kategori fraud: account takeover (volume tertinggi), synthetic identity (nilai per insiden tertinggi), loan stacking (khusus untuk produk lending), fraud card-not-present, friendly fraud dan penyalahgunaan chargeback. Campuran kategori bervariasi secara dramatis menurut jenis produk — lanskap fraud sebuah consumer lender berbeda dari milik payment processor.

Penilaian yang jujur: operator FinTech cenderung mengukur fraud lebih ketat daripada vertikal lain karena regulator mewajibkannya. Angka yang dipublikasikan lebih andal daripada di iGaming. Kisaran 3–10% mencerminkan pengukuran yang jujur; kerugian yang mendasarinya biasanya tidak melebihi kisaran ini secara signifikan bahkan pada operator yang pertahanannya buruk karena batas produk, kontrol fraud tingkat akun, dan koordinasi biro membatasi eksposur per akun.

AdTech: 15–30% dari belanja iklan

Vertikal di mana angka dolar absolutnya terbesar karena pasar yang mendasarinya juga terbesar. Kerugian ad fraud global diperkirakan $84B pada 2025, diperkirakan melampaui $100B pada 2026. Berbagai studi menempatkan persentase belanja iklan yang hilang akibat fraud di mana saja dari 15% hingga 30%.

Faktor strukturalnya:

• Trafik bot tampak seperti trafik sah dalam sinyal pre-bid. Angka 49,6% trafik internet yang dilaporkan Imperva sebagai otomatis adalah baseline; pada inventaris yang dimonetisasi iklan secara khusus, persentasenya sering lebih tinggi karena penyerang secara khusus menargetkan destinasi yang dimonetisasi iklan.
• Banyak pihak dalam rantai nilai menciptakan celah akuntabilitas. Pengiklan → ad exchange → SSP → publisher → pengguna. Ketika fraud terjadi, setiap pihak memiliki insentif untuk menyalahkan yang lain. Tanggung jawab deteksi tidak jelas.
• Analisis post-bid menangkap fraud setelah pembayaran. Model verifikasi dominan (MOAT, IAS, DV) menganalisis impresi setelah disajikan dan dihitung. Pada saat fraud dikonfirmasi, anggaran sudah terpakai. Deteksi pre-bid adalah lapisan yang kurang diinvestasikan.
• Domain spoofing mengeksploitasi kepercayaan SSP. Membeli inventaris pada domain premium melalui SSP itu praktis tetapi menciptakan attack surface. Spoofer memalsukan inventaris; SSP kadang memiliki verifikasi lemah; pengiklan membayar harga premium untuk impresi pada destinasi yang meragukan.

Kategori fraud: click fraud (bot mengeklik iklan berbayar), impression fraud (tampilan palsu), conversion fraud (konversi palsu di jaringan afiliasi), domain spoofing, ad stacking, pixel stuffing. Masing-masing memerlukan pendekatan deteksi berbeda.

Penilaian yang jujur: AdTech adalah vertikal di mana kesenjangan antara pembeli canggih dan pembeli tidak canggih paling besar. Pengiklan besar dengan tim brand safety khusus menangkap sebagian besar fraud. Pengiklan kecil dan menengah yang beroperasi melalui agensi sering kehilangan 25%+ dari belanja tanpa pernah menyadarinya. Rata-rata seluruh kategori tinggi sebagian karena long tail-nya lemah dipertahankan.

E-commerce: 3–8% dari pendapatan

Vertikal terluas, mulai dari marketplace besar hingga toko Shopify produk tunggal. Kerugian akibat fraud di seluruh industri diperkirakan 3–8% dari pendapatan di seluruh kategori, dengan variansi signifikan menurut subsegmen.

Faktor strukturalnya:

• Anggaran promo menarik penyalahgunaan. Diskon selamat datang, kredit referral, program loyalitas, dan promosi musiman menciptakan anggaran yang ditargetkan penyerang. Penyalahgunaan promo mengikuti pola yang sama dengan penyalahgunaan bonus iGaming tetapi dengan nilai per insiden lebih rendah dan volume lebih tinggi.
• Returns fraud bersifat struktural di industri. Kebijakan pengembalian yang murah hati adalah standar kompetitif; ia juga dapat dieksploitasi. Wardrobing, pengembalian kotak kosong, chargeback friendly fraud. Diperkirakan 5–10% dari pengembalian bersifat curang.
• Pembayaran card-not-present membuat card testing menarik. Penyerang menguji nomor kartu curian terhadap checkout e-commerce dalam skala besar, mengidentifikasi kartu mana yang masih berfungsi sebelum menggunakannya untuk pembelian yang lebih besar. Sebagian besar platform e-commerce melihat trafik card testing yang signifikan tanpa menyadarinya.
• Serangan snipe inventaris pada drop terbatas. Sepatu sneaker, konsol game, NFT terbatas — di mana pun inventaris langka dan permintaan tinggi, pembelian otomatis menciptakan pasar penjualan kembali paralel.

Kategori fraud: penyalahgunaan promo, returns fraud, fraud pembayaran card-not-present, card testing, account takeover pada akun dengan metode pembayaran tersimpan, bot penimbunan inventaris. Campurannya bervariasi secara dramatis menurut jenis produk — lanskap fraud sebuah peritel fashion mewah berbeda dari toko Shopify biasa.

Penilaian yang jujur: sebagian besar operator e-commerce tidak memisahkan kerugian fraud dari kategori kerugian lain secara rapi. Chargeback diperlakukan sebagai biaya bisnis. Returns fraud bercampur dengan pengembalian yang sah. Penyalahgunaan promo bersembunyi dalam metrik kinerja pemasaran. Kisaran 3–8% mencerminkan apa yang diukur operator yang serius; operator yang kurang ketat sering memiliki kerugian aktual lebih tinggi yang tidak dapat mereka lihat.

Apa kesamaan vertikal-vertikal ini

Meskipun mekanisme serangannya berbeda, kelima vertikal fraud tinggi ini memiliki empat karakteristik yang menjelaskan mengapa mereka menjadi sasaran:

Faktor umum 1: Perpindahan uang berkecepatan tinggi. Baik monetisasi cepat (iGaming, Crypto), nilai per insiden besar (FinTech), atau nilai agregat masif (AdTech, E-commerce).

Faktor umum 2: Multi-accounting sebagai kerentanan. Kelima vertikal rentan terhadap serangan di mana satu entitas membuat banyak akun untuk mengekstraksi nilai yang ditujukan per pengguna. Welcome bonus, airdrop, uji coba gratis, kode promo, jalur kredit baru.

Faktor umum 3: Kesulitan deteksi terhadap otomasi modern. Tidak satu pun dari kelima vertikal dapat bertahan dengan KYC saja atau pemblokiran IP saja. Semua memerlukan deteksi berlapis yang mencakup device intelligence untuk menangkap pola yang dilewatkan pertahanan yang lebih sederhana.

Faktor umum 4: Kurangnya investasi dalam pengukuran. Di setiap vertikal ini, operator tipikal mengukur lebih longgar daripada yang seharusnya sesuai kerugian aktual. Angka pada dashboard biasanya 60–70% dari angka sebenarnya. Kerugian tersembunyi menumpuk tanpa pernah terlihat oleh manajemen.

Apa yang berhasil di kelima vertikal

Arsitektur deteksi yang efektif di kelima vertikal memiliki elemen-elemen umum terlepas dari kategori fraud spesifik yang dipertahankan:

Elemen 1: Device intelligence sebagai fondasi. Deteksi multi-account, pertahanan ATO, resistansi Sybil, dan pencegahan click fraud semuanya diuntungkan oleh kemampuan mengidentifikasi perangkat yang sama di berbagai sesi, akun, atau tindakan. Ini adalah blok pembangun yang paling universal.

Elemen 2: Cross-account linking. Dalam satu platform, mengidentifikasi bahwa akun-akun yang "berbeda" berbagi karakteristik mendasar sangatlah kritis. Di berbagai platform (melalui sinyal cross-customer yang dianonimkan), pendekatan yang sama menangkap kampanye terkoordinasi.

Elemen 3: Verdict real-time. Pertahanan yang mendeteksi fraud setelah terjadi berguna untuk klaim pengembalian dana dan laporan biro, tetapi tidak mencegah kerugian. Deteksi real-time pada momen keputusan kritis (pendaftaran, klaim, login, transaksi) itulah yang benar-benar menggerakkan angka kerugian.

Elemen 4: Arsitektur berlapis. Tidak ada sinyal tunggal yang bertahan melawan penyerang modern. Sinyal jaringan, sinyal perangkat, sinyal perilaku, pemeriksaan koherensi, cross-platform intelligence — kombinasilah yang berhasil.

Elemen 5: Kode sisi klien polimorfik. Penyerang merekayasa balik deteksi statis dan mengirimkan penghindaran. Kode yang berotasi menolak mereka waktu untuk melakukan ini secara efektif.

Apa yang harus dilakukan selanjutnya

Jika Anda beroperasi di salah satu dari kelima vertikal ini, tiga tindakan menghasilkan nilai langsung:

Tindakan 1: Ukur dengan jujur. Audit sampel tingkat fraud Anda di seluruh mekanisme spesifik kategori Anda. Hasilnya kemungkinan akan mengejutkan Anda. Pengukuran jujur pertama adalah yang tersulit karena memaksa percakapan yang tidak nyaman, tetapi ia adalah fondasi untuk segala hal lainnya.

Tindakan 2: Identifikasi titik pertahanan dengan daya ungkit tertinggi. iGaming: pendaftaran dan klaim bonus. Crypto: verifikasi peristiwa distribusi. FinTech: login dan aplikasi pinjaman. AdTech: evaluasi impresi pre-bid. E-commerce: checkout dan pengembalian.

Tindakan 3: Terapkan deteksi berlapis pada titik tersebut. Pertahanan lapisan tunggal gagal melawan penyerang canggih. Arsitektur yang bertahan bersifat berlapis, dengan pemeriksaan koherensi antarlapisan, kode klien polimorfik, dan berbagi sinyal cross-customer.

Ekspektasi yang jujur: deployment memperbaiki kerugian fraud sebesar 50–80% dalam 90 hari pertama untuk sebagian besar platform. Platform matang dengan pertahanan baseline yang lebih baik melihat perbaikan lebih kecil; platform yang kurang matang melihat yang lebih besar. Perhitungan ROI berhasil di setiap vertikal: biaya infrastruktur deteksi sangat kecil dibandingkan kerugian fraud untuk platform mana pun di atas skala pendapatan yang sederhana.

Di mana Tracio cocok

Tracio adalah device intelligence yang dibangun khusus untuk vertikal fraud tinggi. Arsitekturnya mencakup sinyal-sinyal yang bertahan di kelima vertikal — jaringan, perangkat, perilaku, koherensi, cross-customer — dengan template aturan spesifik vertikal untuk iGaming, Crypto, FinTech, AdTech, dan E-commerce.

Deployment cepat: satu SDK di halaman, panggilan verify sisi server pada titik keputusan. Lapisan JavaScript polimorfik berotasi setiap hari. Verdict kembali dalam kurang dari 50 milidetik.

Tier gratis mencakup 2.500 verifikasi per bulan — cukup untuk menjalankan pilot yang berarti pada sebagian trafik Anda dan menghasilkan data yang menunjukkan tingkat fraud aktual Anda.

Ingin melihat seperti apa tingkat fraud Anda sebenarnya?

Mulai uji coba gratis Anda — 2.500 verifikasi gratis, tanpa kartu kredit. Pesan demo untuk menelusuri pola fraud spesifik vertikal Anda bersama tim kami.