Fraud detection ломается не на ML, а на плохом чек-листе входных сигналов

Fraud detection ломается не на ML, а на плохом чек-листе входных сигналов

Если система смотрит только на IP, user-agent и страну, её быстро учат обходить. Для антифрода важнее не один «сильный» признак, а связка слабых: скорость событий, повторяемость паттерна, согласованность fingerprint и поведение сессии. Один сигнал шумит, набор сигналов уже даёт картину.

Проверьте базовый слой:
— одинаковые device-id у разных аккаунтов;
— резкие скачки по времени между кликами, регистрацией и депом;
— несовпадение языка, часового пояса, WebGL и гео;
— слишком ровные движения мыши и одинаковые сценарии скролла;
— частые возвраты на одну и ту же страницу перед конверсией.

Дальше нужен не только детект, но и политика реакции. Жёсткий бан по одному триггеру обычно режет хороший трафик. Лучше строить уровни: soft challenge, дополнительная верификация, ручная проверка, а уже потом блок. Так вы сохраняете конверсию и не отдаёте разметку боту.

Есть наблюдение которое стоит проверить: чем позже воронка получает антифрод-сигнал, тем дороже ошибка. Ловить мусор надо на входе, а не после выплаты или постфактум-ревью. Иначе вы обучаете не модель, а собственные потери.