Fraud detection ломается не на модели, а на плохом наборе сигналов

Fraud detection ломается не на модели, а на плохом наборе сигналов

Если смотреть только на IP и страну, вы ловите часть мусора, но пропускаете связки сессий, которые выглядят «человечно». Рабочая схема обычно строится слоями: устройство, поведение, сеть, транзакция. Каждый слой сам по себе шумный, но вместе они дают картину.

Слабые места, которые стоит закрыть первыми:
— однотипные тайминги кликов и скролла;
— слишком ровные переходы между экранами;
— повторяющиеся fingerprint-паттерны при разных аккаунтах;
— несовпадение языка, часового пояса и модели поведения.

Не пытайтесь сразу сделать «вердикт» на одном событии. Надёжнее копить риск по цепочке: регистрация, вход, просмотр оффера, ввод данных, повторные попытки. У честного юзера путь обычно рваный; у фарма и ботов — слишком аккуратный или, наоборот, механически ломаный. 🙂

Ещё один полезный фильтр — сверка не по абсолютным значениям, а по отклонениям от собственного фона. Для iGaming и CPA это особенно заметно: один и тот же паттерн может быть нормой для одного гео и красным флагом для другого.

Если коротко: ловите не «плохой IP», а несостыковку между слоями. Чем меньше система зависит от одного сигнала, тем труднее её обойти и тем меньше ложных банов.