更深入的潜水 ： Forter ＆ ＃ 8217; s 数据 ＆ ＃ 038; 决策的幕后花絮

更深入的潜水：Forter的数据和决策场景的背后 Forter在整个数字商务旅程中的每一个环节都做出关键决策。这些决策包括阻止虚假账户创建、防止身份盗用（ATO）、批准或拒绝交易、优化银行授权和转化率、阻止滥用行为以及自动化争议处理。 当然，还有一些替代方案也能做出类似的决策。区分这些方案的关键在于决策的准确性。而在数字商务中，准确性依赖于数据——具体而言，（i）你知道多少身份；（ii）你对每个身份了解多少；以及（iii ）你如何利用这些数据。在Forter，我们称之为身份智能。 截至2023年底，Forter已知15亿个身份。至于(ii)和(iii)，在接下来的几页中，我们将解释我们对这些身份了解了多少、我们如何不断深化这些见解，最终是如何将这一切应用到实时决策中，并实现无与伦比的准确性。 准确性 让我们从头脑中的结局开始。福特的方法有什么结果？准确性。 决策的准确性至关重要。无论供应商声称其机器学习（ML）和人工智能（AI）决策多么先进，在整个客户旅程中准确地拦截欺诈者并批准合法客户才是最终的关键。 数据准确性取决于两个因素——数据集的大小（或你所了解的对象）以及你如何利用这些数据。我们之前已经提到，我们的第一方数据集中包含了超过15亿的身份信息，这一数量超过了Amazon、PayPal和Shopify，接下来让我们深入探讨我们如何利用这些数据。 网络情报 为了实时评估可信度，Forter利用了网络和行为智能，这些智能不仅仅关注设备类型、地理位置和交易细节等硬性属性，而是从整体上分析成千上万个硬性和软性数据点，包括在线行为（如左手与右手操作、点击速度）、网络信息（如IP地址、VPN、Wi-Fi、代理），设备信息（如设备类型、插件、语言、屏幕分辨率 ），以及事件信息（如购买行为=支付详情、账单信息，登录行为=电子邮件地址等）。我们利用的数据和数据信号背后的深层次视角如下： ©Forter，保留所有权利 我们收集的数据 每种我们收集的数据类型都是包含数百或数千个子数据点的类别，将特定行为归类到不同的属性中，这些属性被视为模型的不同输入。Forter的信任平台随后利用概率关联来计算每个数据元素被呈现给每位用户的可能性，并同时计算所有可能的数据点排列组合。 •导航路径 •页面内相关事件(模糊，焦点等) •浏览器标识符(防欺骗) •机器配置/硬件提示(操作系统、外围设备、指纹数据) •HTTP标头信息(IP、用户代理、语言等) •网络连接分析指标(通过各种端点，所有异步和延迟尽可能) •鼠标移动(默认情况下不启用，仅针对某些功能) •特定于鼠标的点击(默认情况下不启用，仅针对某些功能) •Javascript性能指标和错误 数据信号的类型 基于每个用户过去的行为和链接的深入声誉分析身份信誉: Forter网络中的其他角色。 在Forter专有概率链接之上计算的信号标识方差和速度： 技术揭示不同身份之间的隐藏联系并识别复杂的身份操纵，例如关联支付方法的数量和变化。 与设备连接质量相关的信号，表示设备和连接操作： 分析用户是否试图通过代理、VPN等方式操纵IP连接。此外，信号还表明行为者是否试图通过欺骗、篡改 、虚拟机和模拟器等方式操纵其设备。 传达Forter对买方行为评估的信号。例如，是否行为分析： 演员表现出合法买家或试图切换身份的用户的特征。 数据使用 我们的JavaScript捕获所有这些数据，并从中推导出数千个属性，然后将其发送给决策API，以添加独特的背景信息和上下文，最终回答：我能信任这个身份吗？ 概率链接 我们如何准确且实时地回答这个问题？Forter的专利概率链接技术是我们获取大部分情报的基础，这使我们能够利用统计建模来确定特定事件与其他过去发生的事件之间的联系，从而准确判断某人是否为真实客户或欺诈者。Forter利用数千个属性，在超过15亿的身份数据集中进行模式匹配，以理解人们之间的关联。这种技术在两个层面上非常强大： •我们能够非常准确地揭露那些通过模糊属性来伪装成合法用户的欺诈者，并相应地批准更多看似存在风险指标但实际上合法的客户。我们提供了对决策背后的理由的可见性，并给予欺诈团队成员反馈权甚至在必要时推翻决策的控制权。 •即使某人对我们完全陌生，这种情况虽然罕见（因为我们了解超过99%的北美消费者和超过95%的全球消费者） ，但如果某人完全不熟悉数字商务，我们也可以利用模式匹配技术。该技术通过分析他们在您网站上的行为，并将其与可能来自相同地区且具有相似行为模式特征的人进行比较。然后利用这些数千个跨维度的属性，非常准确地评估他们是否与我们见过的欺诈行为或合法客户的行为模式相匹配。 ✲合AI •基于规则的AI不够强大 •机器学习算法无法领先于未知形式的欺诈 •人类智力无法扩展 所有供应商都在谈论他们的机器学习（ML）和人工智能（AI）能力，但并非所有的AI都是一样的，因此了解每家供应商的方法至关重要。让我们深入了解一下我们领域内大多数供应商采用的各种方法类型： 基于人类智能和专业知识的自动化系统。挑战在于基于规则的AI： 几乎不可能创建一个全面的规则列表来解决所有形式的欺诈。 一种智能分析数百万个数据点的算法，以设计自己的规则和机器学习： 策略。挑战在于欺诈者不遵守规则，并不断开发新的手法，而机器学习无法应对这些新技巧，以及它从未见过的新形式的欺诈。 专家研究人员搜寻暗网，跟踪新兴技术浮出水面人类智慧： 数字commerce地景中的模式。挑战在于虽然这些专业知识具有高度影响性，但人类无法单独审查数以百万计的在线交易。 Forter的方法是不同的，它结合了机器学习和人类智能的优点。 福特尔利用✲合AI的优势，在像机器一样高效的同时又像人类一样直观和透明。我们的平台能够从海量数据中自我学习，并不断由专家研究人员进行更新。福特尔的平台能够实时识别并主动阻止已知和未知的欺诈形式，同时提供关于每笔客户交易的准确即时信息。 我们的欺诈模型由专家研究人员设计并持续更新，以确保我们能够领先于最新且最复杂的欺诈形式。 并且我们不仅仅依赖一种模型——我们在每一个决策中都会利用数十种不同的模型。为什么？因为无法在每个接触点上做出准确的决策。例如，我们有一个ATO（After-TaxOptimization）模型，因为使用被盗支付方式的过程与接管账户的过程不同。其他模型则考虑了垂直领域的差异和地区性的变化。 总体而言，我们将为每个决策运行多个模型，并且如果一个模型拒绝交互，则整个决策也将被拒绝。我们的方法提高了精确度，同时也有助于扩大规模。我们平衡了所需的模型数量，使其仍然可以由我们的分析师管理，同时足够多以达到最高的准确性。 通过将网络情报数据与上下文属性和概率链接相结合，并将这些数据输入Forter的✲合人工智能中，Forter提供了最准确的结果。