機械学習の枠組みによる不正アカウント検知

1. 機械学習の枠組みによる不正アカウント検知
株式会社ビジネスアナリティクス
2014/8/8

2. 2
ポイント取得を目的にサブアカウントを大量作成。
IPアドレスとCookieで識別を試みるが不正アカウントをほどよく区別できない。
IPアドレス：同一IPアドレスからアクセスがあったアカウント数
Cookie：同一Cookieからアクセスがあったアカウント数
不正アカウント検知

3. 3
目検により洗い出された不正アカウントから不正プロファイルを作成し、
全てのアカウントに対し不正確率・不正スコアを付与。
機械学習によるアプローチ
目検により特定された
不正アカウント
不正アカウント
プロファイル
不正確率
不正スコア
付与
プロファイルに利用される項目
• 登録からの経過期間
• 更新からの経過期間
• 流入元サイト
• IPアドレス
• Cookie
• 購入履歴 等

4. 4
IPアドレスと登録経過日数により、
正常アカウント・不正アカウントがほどよく分離される。
不正アカウントの識別

5. 5
全アカウントの内、
10%をスクリーニング。
Cookieによるスクリーニングでは21%、
IPアドレスによるスクリーニングでは30%の
検知にとどまる。
10%のアカウントをスクリーニングすることで、
73%の不正アカウントを排除することが可能に。
導入効果

6. 6
目検による不正アカウントの検知、
その結果を受けたモデルのチューニングは継続的に行う必要がある。
モデルチューニングの必要性
モデル更新を行った場合 モデル更新を行わない場合
as of 2014/8/1
CAP 登録日
不正
検知日
経過
月数
不正
フラグ
不正
確率
1 2014/6/1 - 2 0 0%
2 2014/7/1 - 1 0 50%
3 2014/7/1 2014/8/1 1 1 50%
4 2014/8/1 2014/8/1 0 1 100%
as of 2014/9/1 as of 2014/9/1
CAP 登録日
不正
検知日
経過
月数
不正
フラグ
不正
確率
CAP 登録日
不正
検知日
経過
月数
不正
フラグ
不正
確率
1 2014/6/1 - 3 0 0% 1 2014/6/1 - 3 0 0%
2 2014/7/1 - 2 0 0% 2 2014/7/1 - 2 0 0%
3 2014/7/1 2014/8/1 1 1 100% 3 2014/7/1 2014/8/1 1 1 50%
4 2014/8/1 2014/8/1 0 1 100% 4 2014/8/1 2014/8/1 0 1 100%
時間の経過により
不正確率が変動
※登録からの経過月数だけで不正確率が決まると単純化したケース

7. 7
不正件数の減少
不正確率が高いカスタマを排除しポイント付与を行うことにより、
不正件数が前月比86%減。
購入単価の上昇
不正確率が低い優良カスタマにポイント付与を行うことにより、
結果として、購入単価が前月比24%増。
不正スコア導入効果
カスタマに対するポイント付与に際し、不正確率が高いカスタマを排除しポイント付与
を行った結果、不正件数の減少・購入単価の上昇が実現。

8. 8
本資料、および弊社サービスに関するお問い合わせは、
下記までお願いいたします。
contactus@businessanalytics.jp