Тонкости поведенческого анализа


Вот что нам известно на сегодняшний день в области поведенческого анализа:

Поведение каждого человека уникально. Профиль поведения человека можно фиксировать. Пользователь, поведение которого отличается от поведенческого профиля по многочисленным параметрам, вызывает подозрения.

Как это будет работать в реальности? Что происходит, если пользователь ведет себя иначе?

Компаниям необходимо найти способ предотвращения  мошенничества на ранних этапах. Им также нужно сократить вероятность отказа добросовестным клиентом от покупки. Таким образом, возникает необходимость в системе сбора данных, способной достоверно определять, что пользователь является мошенником, и что ему необходимо заблокировать возможность совершения покупки.

На этом этапе важную роль играет машинное самообучение. Алгоритмы машинного самообучения определяют шаблоны на основе собранных данных, позволяющие определить вероятность совершения покупки мошенническими средствами.

Вот простой план шагов поведенческого анализа, направленного на выявление мошенничества:

Собирается массив данных для создания шаблона поведения пользователя и «обучения» системы.

Создается поведенческий шаблон и устанавливается порог для определения перехода от нормального поведения к мошенническим действиям. Этот порог может представлять собой процент вероятности того, что операция носит мошеннический характер (например, 95%).

При контакте с пользователем вычисляется вероятность того, что операция является мошеннической, исходя из поведения пользователя. Если процент превышает пороговую величину  (в данном случае, 95%), операция пользователя блокируется.

По сути, алгоритмы машинного обучения разрабатывают шаблон. Затем, на основе данного шаблона производится расчет степени риска. Если выявленный риск признается достаточно высоким, то со значительной степенью вероятности пользователь использует мошеннические практики.  После этого пользователю либо блокируется доступ к учетной записи, либо ему отказывают в возможности завершения покупки, в зависимости от того, как применяется поведенческий анализ.

Порог риска можно корректировать. Установление слишком высокого порога означает вероятность потенциального блокирования аутентичного пользователя, в то время как слишком низкий порог может помешать распознать мошенника.

Количество ложноположительных срабатываний варьируется в зависимости от анализируемого поведения и точности технологии, используемой для сбора данных. В целом, поведенческая биометрия обеспечивает меньшее количество ложноположительных срабатываний,  чем другие методы распознавания.