Cross-device tracking: sessies koppelen zonder login

Wanneer een gebruiker uw site 's ochtends op de laptop bezoekt en 's middags op de telefoon, zien de meeste analyticsplatforms twee volledig gescheiden bezoekers. Ons device-identificatiealgoritme kan deze sessies probabilistisch koppelen — zonder login te vereisen — door signaaloverlap te analyseren en device graphs op te bouwen.

Het cross-device-probleem

Traditionele fingerprinting genereert een unieke ID per browserinstantie. Chrome op een laptop produceert de ene ID; Safari op een iPhone een andere. Zelfs op hetzelfde apparaat genereren verschillende browsers verschillende fingerprints, omdat ze verschillende user agents, verschillende feature-ondersteuning en verschillende rendering-eigenschappen hebben.

Maar gebruikers denken niet in browsers. Ze denken in sessies. Ze beginnen een aankoop op hun telefoon tijdens de lunch en ronden die thuis af op hun laptop. Ze onderzoeken een product op hun tablet en kopen het op hun desktop. Voor fraudedetectie en personalisatie is het cruciaal om te begrijpen dat deze sessies bij dezelfde persoon horen.

Probabilistische signaalmatching

Onze cross-device koppeling werkt door signalen te identificeren die worden gedeeld tussen apparaten op hetzelfde netwerk of in bezit van dezelfde persoon. IP-adres en netwerkkenmerken zijn de meest voor de hand liggende gedeelde signalen — apparaten op hetzelfde wifi-netwerk delen hetzelfde publieke IP en vaak dezelfde ISP en ASN.

Maar IP alleen is niet genoeg. Veel gebruikers delen hetzelfde IP (kantoornetwerken, universiteitscampussen, carrier-grade NAT). We combineren IP-matching met temporele analyse (vinden de sessies op vergelijkbare tijdstippen plaats?), gedragsovereenkomst (bezoeken ze vergelijkbare pagina's?) en hardwarecorrelatie (passen de apparaten bij één enkele eigenaar — bijvoorbeeld een MacBook en een iPhone in plaats van twee Windows-desktops?).

Opbouw van de device graph

Elke bevestigde koppeling of koppeling met hoge waarschijnlijkheid tussen sessies creëert een edge in een device graph. De grafiek verbindt browserinstanties met device-nodes, en device-nodes met persoon-nodes. Naarmate er in de loop van de tijd meer sessies samenkomen, wordt de grafiek steeds nauwkeuriger.

De opbouw van de grafiek hanteert een conservatieve aanpak: we vereisen meerdere bevestigende signalen voordat we een koppeling maken, en we kennen aan elke edge een confidence score toe. Een koppeling op basis van alleen een gedeeld IP heeft mogelijk een confidence van 0,3, terwijl een koppeling op basis van gedeeld IP + temporele correlatie + consistent device-ecosysteem een confidence van 0,9 kan hebben.

Toepassingen voor fraudedetectie

Cross-device koppeling is bijzonder krachtig voor fraudedetectie. Een fraudeur die accounts aanmaakt op meerdere apparaten kan worden geïdentificeerd wanneer die apparaten netwerkkenmerken delen. Een gestolen creditcard die wordt gebruikt op een apparaat dat nooit met de device graph van de kaarthouder is geassocieerd, zet direct een waarschuwing in gang.

We hebben fraudenetwerken gezien waarbij één enkele operator tientallen virtuele machines gebruikt om nepaccounts aan te maken. Hoewel elke VM een unieke fingerprint heeft, delen ze allemaal dezelfde onderliggende hardwarekenmerken en hetzelfde netwerkprofiel. Onze grafiekanalyse verbindt ze en legt het volledige netwerk bloot vanuit één enkel gedetecteerd account.

Privacy-vriendelijk ontwerp

Cross-device koppeling roept terechte privacyzorgen op. Onze aanpak beperkt die door middel van verschillende ontwerpkeuzes. Ten eerste is koppeling probabilistisch, niet deterministisch — we claimen nooit zekerheid over cross-device verbindingen. Ten tweede vindt alle koppeling server-side plaats op uw infrastructuur, niet die van ons. Ten derde kan koppeling volledig worden uitgeschakeld als die niet relevant is voor uw use case. Ten vierde kunnen gebruikers via uw privacy-interface transparantie krijgen over gekoppelde apparaten.

Nauwkeurigheidsmetrieken

In gecontroleerde tests met bekende cross-device sessies haalt ons koppelingsalgoritme 78% recall (78% van de echte cross-device paren wordt gevonden) bij 94% precision (94% van de geïdentificeerde koppelingen is correct). Deze cijfers weerspiegelen een bewuste afweging ten gunste van precision boven recall — we missen liever een koppeling dan dat we een onjuiste aanmaken.