Fraud detection ломается не на «ботах», а на плохих сигналах и слабой логике

Fraud detection ломается не на «ботах», а на плохих сигналах и слабой логике

Первый чек-лист для любой антифрод-схемы: не верить одному признаку. IP из дата-центра, свежий fingerprint, одинаковые тайминги и однотипные клики по отдельности почти ничего не доказывают. Работает только связка: устройство + поведение + маршрут + повторяемость.

Второй слой — нормализация. Если вы смешали новые и возвращающиеся сессии, мобильный и десктопный трафик, разные GEO и разные источники в одну корзину, модель начнёт шуметь. Сначала режьте трафик на понятные кластеры, потом ищите аномалии внутри кластера, а не по всей массе.

Третий слой — проверка на «слишком идеально». Боты часто выглядят лучше людей: ровные интервалы, чистые куки, одинаковые глубины скролла, предсказуемый путь до формы. У человека всегда есть микрослучайность. Если её нет, правило должно не банить сразу, а отправлять сессию в дополнительную валидацию.

И последнее: хороший fraud detection не только ловит, но и объясняет. Для каждого срабатывания храните причину, иначе команда быстро перестанет доверять системе. Чем короче и прозрачнее цепочка решения, тем меньше ложных банов и тем быстрее можно чинить источник проблемы.