Stripe lanserar Radar 2.0 – Ger nya verktyg för att upptäcka bedrägerier

Stripes verktyg mot bedrägerier släpps i uppdaterad version, Radar 2.0.

Storföretag kommer bland annat kunna dra nytta av den nya funktionen ”Radar for Fraud teams” för att ytterligare reducera bedrägerier med upp till 25 procent.

Igår lanserar Stripe Radar 2.0 en rad avancerade verktyg som identifierar och motverkar bedrägerier riktade mot större företag.

Stripe radar 2.0 ger företag följande fördelar för att förhindra bedrägerier

  • Snabbare och mer exakt granskning: när betalningar granskas visar Radar relevant information och relaterade betalningar som en användares företag gjort. Genom att få en bredare insikt i detaljer som köpbeteende eller felaktig matchning mellan IP-adress och land där betalkortet utfärdades kan bedrägeriförsök utredas snabbare.
  • Anpassade regler med realtidsåterkoppling: Logikmotorn i Radar kan numera anpassas med unika regler (exempelvis ’blockera alla transaktioner över 10 000 kronor om IP-numret inte matchar betalkortets utfärdandeland). Verktyget förhandsvisar även regeln baserat på historiska data för att utvärdera dess praktiska inverkan.
  • Anpassade tröskelvärden för risk: Användare kan enkelt sätta olika tröskelvärden där betalningar blockeras.
  • Blockerings- och medgivandelistor: Användare har nu ett enkelt sätt att skapa och hantera listor med attribut som kortnummer, mailadresser, IP-adresser och liknande och hur de ska tillåtas eller blockeras.
  • Riskanalys för bedrägerihantering: Radar visar trender för en användares företag, effektiviteten i flaggade betalningar och ett företags anpassade reglers inverkan.

Watsi, Fitbit, Restock, Patreon är några företag som idag använder Radar for Fraud Teams.

Stripe uppdaterar Radars maskininlärningsmodeller

Stripe har in Radar 2.0 lagt till hundratals nya signaler som skiljer legitima konsumenter från bedragare. Med de nya och uppgraderade maskininlärningsmodellerna kan företag minska bedrägerier med ytterligare 25 procent samtidigt som antalet godkända betalningar hålls på en hög nivå.

Proxy-identifiering är ett exempel på en ny, högeffektiv signal som byggts in i Radars maskininlärning. Den mäter tiden mellan Stripe och en bedragares webbläsare, vilket hjälper till att identifiera om personen använder en Proxy- eller VPN-lösning.

Radar utvärderar även ett företags unika mönster löpande. Radar uppdaterar och tränar om sina modeller på daglig basis och samtidigt varje individuell användares transaktionsprofil för att avgöra vilka modeller som ger bäst resultat. Genom att träna maskininlärningsprocesser för specifika användarscenarion kan Radar ge företag av alla storlekar säkrare och bättre resultat. Genom att använda en molnbaserad tjänst kan användare automatiskt dra nytta av framtida uppdateringar av tjänsten, med skydd som anpassar sig ännu snabbare till de ständigt föränderliga strategierna hos bedragare.

– Stripes maskininlärningsmodeller har tränats genom hundratals miljoner datapunkter från företagets nätverk. Vi har använt det för att uppdatera våra modeller mot bedrägerier, vilket hjälper företag som använder Stripe att bättre identifiera bedrägeriförsök och reducera antalet bedrägerier med upp till 25 procent. Detta samtidigt som antalet godkända betalningar hålls på en hög nivå. Med Radar for Fraud teams lanserar vi gruppbaserade verktyg för att bekämpa bedrägerier, särskilt inriktade mot större företag. Det ger dem detaljerad kontroll för att mer effektivt kunna bekämpa bedrägerier. Det säger Michael Manapat, Engineering Manager för Radar och maskininlärning på Stripe.