การให้คะแนนการฉ้อโกงคืออะไร?

การให้คะแนนการฉ้อโกงคืออะไร?

การให้คะแนนการฉ้อโกงคือการแปลงสัญญาณความเสี่ยงจำนวนมากให้เป็นค่าเดียวที่แสดงว่าการกระทำหนึ่งมีแนวโน้มจะเป็นการฉ้อโกงมากเพียงใด มันแทนที่กฎแบบทวิภาคที่เปราะบางด้วยการวัดแบบไล่ระดับที่ตรรกะปลายทางสามารถลงมือด้วยความละเอียดอ่อน

คะแนนเป็นบทสรุป เบื้องหลังมันมีตัวบ่งชี้แต่ละตัวหลายสิบตัว — ความคุ้นเคยของอุปกรณ์ ชื่อเสียงของเครือข่าย ความผิดปกติเชิงพฤติกรรม คุณลักษณะของธุรกรรม — แต่ละตัวมีส่วนในหลักฐานสนับสนุนหรือคัดค้านการฉ้อโกง คะแนนชั่งน้ำหนักและรวมทุกอย่างเข้าเป็นตัวเลขเดียว โดยทั่วไปในสเกลที่ทำให้เป็นมาตรฐาน เพื่อให้ภาพความเสี่ยงที่ซับซ้อนกลายเป็นค่าที่ระบบสามารถเทียบกับเกณฑ์

เหตุผลในการให้คะแนนแทนการใช้กฎแข็งคือ การฉ้อโกงเป็นเชิงความน่าจะเป็นและปฏิปักษ์ กฎเดี่ยวเลี่ยงง่ายและหยาบในผลกระทบ คะแนนจับการสะสมของหลักฐานอ่อน เสื่อมลงอย่างค่อยเป็นค่อยไปเมื่อสัญญาณขาดหายไปหรือถูกปลอม และทำให้ธุรกิจปรับความระมัดระวังหรือความผ่อนปรนที่ต้องการได้โดยไม่ต้องเขียนตรรกะใหม่

การให้คะแนนการฉ้อโกงทำงานอย่างไร?

การให้คะแนนการฉ้อโกงทำงานโดยการเก็บสัญญาณเกี่ยวกับการกระทำหนึ่ง ประเมินมันเทียบกับโมเดลหรือกฎที่กำหนดน้ำหนักให้แต่ละสัญญาณ และรวมผลลัพธ์เข้าเป็นคะแนนความเสี่ยงที่ส่งคืนเร็วพอที่จะลงมือในสาย ไปป์ไลน์ทำงานในหลักมิลลิวินาทีที่จุดตัดสินใจ

เมื่อการกระทำที่ให้คะแนนเกิดขึ้น — การสมัคร การล็อกอิน หรือการชำระเงิน — ระบบรวบรวมสัญญาณที่เกี่ยวข้อง ได้แก่ อุปกรณ์คือใครและเชื่อถือได้หรือไม่ การเชื่อมต่อมาจากที่ใดและมีชื่อเสียงเพียงใด เซสชันประพฤติตัวอย่างไร และธุรกรรมมีลักษณะอย่างไร สิ่งเหล่านี้คืออินพุตดิบ

จากนั้นชั้นการประเมินกำหนดน้ำหนัก มันอาจอิงกับกฎ (เงื่อนไขที่ชัดเจนและค่าคะแนน) อิงกับโมเดล (โมเดลทางสถิติหรือแมชชีนเลิร์นนิงที่ฝึกบนผลลัพธ์ที่ติดป้ายกำกับ) หรือแบบผสมที่รวมกฎที่โปร่งใสกับรูปแบบที่เรียนรู้ ผลงานที่ชั่งน้ำหนักถูกรวมเข้าเป็นคะแนนสุดท้าย ซึ่งส่งคืนไปยังแอปพลิเคชันเพื่อขับเคลื่อนการตัดสินใจ

สัญญาณใดขับเคลื่อนคะแนนการฉ้อโกง?

คะแนนการฉ้อโกงถูกขับเคลื่อนด้วยสัญญาณของอุปกรณ์ สัญญาณของเครือข่าย สัญญาณเชิงพฤติกรรม และสัญญาณของธุรกรรมหรือบริบท คะแนนที่ดีที่สุดพึ่งพาทั้งสี่ตระกูล เพราะแต่ละตระกูลครอบคลุมจุดบอดที่ตระกูลอื่นทิ้งไว้

สัญญาณของอุปกรณ์กำหนดว่าผู้กระทำเป็นอุปกรณ์ที่รู้จักและเชื่อถือได้ หรือเป็นอุปกรณ์ที่ไม่รู้จักและอาจเป็นอัตโนมัติ — มักเป็นอินพุตเดี่ยวที่ทำนายได้มากที่สุด เนื่องจากการฉ้อโกงมักมาจากอุปกรณ์ใหม่หรือที่ใช้ร่วมกันบ่อยครั้ง สัญญาณของเครือข่ายเพิ่มต้นกำเนิดและชื่อเสียง ได้แก่ VPN พร็อกซี ช่วงของดาต้าเซ็นเตอร์ และความสอดคล้องทางภูมิศาสตร์

สัญญาณเชิงพฤติกรรมจับว่าการกระทำถูกดำเนินการอย่างไร — ความเร็ว รูปแบบเซสชัน และการเบี่ยงเบนจากบรรทัดฐานของผู้ใช้ — ในขณะที่สัญญาณของธุรกรรมและบริบทอธิบายตัวการกระทำเอง ได้แก่ มูลค่า ความใหม่ จังหวะเวลา และการเปรียบเทียบกับประวัติที่ตั้งไว้ คะแนนที่สร้างบนตระกูลเดียวเลี่ยงง่าย คะแนนที่สร้างบนทั้งสี่ไม่เลี่ยงง่าย

• อุปกรณ์: การรับรู้ ประวัติความเชื่อถือ สัดส่วนอุปกรณ์ต่อบัญชี และตัวบ่งชี้ของการทำงานอัตโนมัติ
• เครือข่าย: ชื่อเสียงของ IP การตรวจจับ VPN/พร็อกซี/ดาต้าเซ็นเตอร์ และความสอดคล้องของการระบุตำแหน่งทางภูมิศาสตร์
• เชิงพฤติกรรม: ความเร็วของการกระทำ รูปแบบเซสชัน และการเบี่ยงเบนจากบรรทัดฐานอ้างอิงของผู้ใช้
• ธุรกรรม/บริบท: มูลค่า ความใหม่ จังหวะเวลา และความสอดคล้องกับประวัติของบัญชี

จะกำหนดเกณฑ์และการตัดสินใจของคะแนนการฉ้อโกงอย่างไร?

เกณฑ์เปลี่ยนคะแนนต่อเนื่องให้เป็นการกระทำที่เป็นรูปธรรมด้วยการกำหนดช่วง ต่ำกว่าจุดตัดหนึ่งการกระทำผ่านไป สูงกว่าอีกจุดหนึ่งมันถูกบล็อก และตรงกลางมันถูกท้าทายหรือตรวจสอบ จุดตัดเหล่านั้นอยู่ที่ใดเป็นการตัดสินใจทางธุรกิจที่สมดุลความสูญเสียจากการฉ้อโกงกับแรงเสียดทานกับผู้ใช้

การแลกเปลี่ยนหลักคือระหว่างการจับการฉ้อโกงและการรบกวนผู้ใช้ที่ดี เกณฑ์การบล็อกที่ต่ำจับการฉ้อโกงมากขึ้นแต่ผลิตผลบวกลวงมากขึ้นที่ทำให้ลูกค้าที่ถูกต้องหงุดหงิด เกณฑ์ที่สูงปกป้องประสบการณ์แต่ปล่อยการฉ้อโกงผ่านมากขึ้น จุดที่เหมาะสมขึ้นอยู่กับต้นทุนของการฉ้อโกงเทียบกับต้นทุนของแรงเสียดทานในโฟลว์หนึ่ง ๆ — การชำระเงินมูลค่าสูงทนต่อแรงเสียดทานได้มากกว่าการล็อกอินตามปกติ

การตอบสนองแบบไล่ระดับบรรเทาความตึงเครียดนี้ แทนที่จะเพียงผ่านหรือบล็อก ช่วงกลางสามารถกระตุ้นการยืนยันตัวตนที่เข้มขึ้นหรือการตรวจสอบด้วยมือ เพื่อให้กรณีที่ไม่แน่นอนถูกตรวจสอบแทนที่จะถูกปฏิเสธผิดหรืออนุญาตผิด หลายทีมยังรันคะแนนใหม่ในโหมดสังเกตอย่างเดียวก่อน เปรียบเทียบกับผลลัพธ์ที่รู้จักก่อนปล่อยให้มันลงมือ ซึ่งปรับเทียบเกณฑ์เทียบกับความจริง

กฎ แมชชีนเลิร์นนิง หรือทั้งสอง?

การให้คะแนนการฉ้อโกงที่แข็งแกร่งที่สุดมักผสมกฎที่ชัดเจนกับโมเดลแมชชีนเลิร์นนิง โดยใช้แต่ละอย่างในที่ที่มันดีที่สุด กฎสำหรับรูปแบบที่รู้จักและอธิบายได้และข้อกำหนดแข็ง โมเดลสำหรับรูปแบบที่ละเอียดอ่อนและเปลี่ยนแปลงที่มนุษย์ไม่สามารถแจกแจงได้ มันแทบไม่เคยเป็นทางเลือกอย่างใดอย่างหนึ่ง

การให้คะแนนที่อิงกับกฎโปร่งใสและแม่นยำสำหรับการฉ้อโกงที่รู้จัก มันเข้าใจ ตรวจสอบ และปรับได้ง่าย และบังคับใช้เงื่อนไขที่ต่อรองไม่ได้อย่างสะอาด จุดอ่อนคือมันจับได้เฉพาะสิ่งที่บางคนคิดที่จะเขียนเป็นโค้ด และผู้โจมตีสำรวจรูปแบบที่กฎปล่อยผ่านนั่นเอง

การให้คะแนนด้วยแมชชีนเลิร์นนิงสรุปทั่วไปไปยังรูปแบบที่ไม่มีใครเขียนและปรับตัวเมื่อการฉ้อโกงพัฒนา โดยแลกกับความโปร่งใสและความต้องการข้อมูลที่ติดป้ายกำกับคุณภาพดี การรวมทั้งสองให้ความสามารถในการอธิบายและการควบคุมของกฎกับความครอบคลุมที่ปรับตัวได้ของโมเดล — ข้อกำหนดแข็งถูกบังคับใช้อย่างชัดเจน ความเสี่ยงที่คลุมเครือถูกประเมินทางสถิติ

ทำไมการให้คะแนนการฉ้อโกงจึงต้องเป็นแบบเรียลไทม์?

การให้คะแนนการฉ้อโกงต้องเป็นแบบเรียลไทม์เพราะการตัดสินใจที่มันขับเคลื่อน — อนุญาต ท้าทาย หรือบล็อก — เกิดขึ้นในสาย ในขณะที่ล็อกอินหรือชำระเงิน เมื่อไม่มีโอกาสให้คะแนนภายหลัง คำตัดสินที่มาถึงหลังการกระทำไม่มีค่าต่อการป้องกัน

ช่วงเวลาที่ให้คะแนนเป็นแบบซิงโครนัส ผู้ใช้กำลังรอให้การล็อกอินเสร็จหรือการชำระเงินได้รับอนุมัติ คะแนนต้องส่งคืนภายในงบประมาณเวลาแฝงที่จำกัดของโฟลว์นั้น มิฉะนั้นมันจะหน่วงผู้ใช้ (ทำร้ายการแปลง) หรือถูกข้ามไปเลย (ทำลายวัตถุประสงค์) นั่นคือเหตุผลที่เวลาแฝงเป็นข้อกำหนดชั้นหนึ่ง ไม่ใช่รายละเอียดที่คิดทีหลัง

การให้คะแนนแบบเรียลไทม์ยังเปิดใช้การป้องกัน ไม่ใช่แค่การตรวจจับ การให้คะแนนหลังเหตุการณ์สามารถสัญญาณเตือนการฉ้อโกงเพื่อการสืบสวน แต่มีเพียงคะแนนในสายเท่านั้นที่สามารถหยุดการกระทำที่ฉ้อโกงก่อนที่มูลค่าจะออกจากระบบ TRACIO ส่งคืนสัญญาณความเสี่ยงที่อิงกับอุปกรณ์ด้วยเวลาแฝง P95 ต่ำกว่า 50 มิลลิวินาที เพื่อให้การให้คะแนนพอดีกับงบประมาณของการล็อกอินและการชำระเงิน

จะวัดประสิทธิภาพของการให้คะแนนการฉ้อโกงอย่างไร?

ประสิทธิภาพของการให้คะแนนการฉ้อโกงถูกวัดด้วยว่ามันจับการฉ้อโกงได้ดีเพียงใด (อัตราการตรวจจับ) เทียบกับว่ามันสัญญาณเตือนผู้ใช้ที่ดีน้อยเพียงใด (อัตราผลบวกลวง) พร้อมกับเวลาแฝงที่มันส่งมอบคำตัดสิน สิ่งเหล่านี้ต้องอ่านเป็นชุด เพราะการปรับให้เหมาะที่สุดอย่างใดอย่างหนึ่งเพียงลำพังนั้นง่ายและทำให้เข้าใจผิด

อัตราการตรวจจับจับสัดส่วนของการฉ้อโกงจริงที่คะแนนสัญญาณเตือน และอัตราผลบวกลวงจับว่าการกระทำที่ถูกต้องถูกสัญญาณเตือนผิดบ่อยเพียงใด พวกมันชดเชยซึ่งกันและกัน เกณฑ์ใดที่ยกระดับหนึ่งมักยกระดับอีกอันด้วย ดังนั้นตัวเลขเดี่ยวจึงบอกได้น้อย วิธีที่ซื่อสัตย์ในการตัดสินระบบคือดูทั้งเส้นโค้ง — มันจับการฉ้อโกงได้เท่าใดที่ระดับผลบวกลวงที่ยอมรับได้

เวลาแฝงเติมเต็มภาพ เพราะคะแนนที่แม่นยำแต่ช้าเกินกว่าจะรันในสายจะไม่มีวันถูกใช้ในที่ที่สำคัญ นอกจากนี้ ทีมต่าง ๆ ติดตามผลลัพธ์ทางธุรกิจที่คะแนนควรเคลื่อน — ความสูญเสียจากการฉ้อโกง อัตรา chargeback ปริมาณการตรวจสอบด้วยมือ — เพราะสิ่งเหล่านี้ ไม่ใช่ความแม่นยำเชิงนามธรรม คือสิ่งที่คะแนนมีอยู่เพื่อปรับปรุง