Categories
Sicherheit, Schutz und Datenschutz stehen im Mittelpunkt unserer Organisation. Unsere Branche steht vor Veränderungen und Herausforderungen. Und wir sind vorne mit dabei.
Schlechte Stichprobenqualität ist heute eines der größten Probleme der Marktforschungsbranche. Unsere Branche steht organisierten Betrugsnetzwerken gegenüber, die in der Lage sind, hochentwickelte Script-Betrugstechnologien zu entwickeln und einzusetzen, mit denen sie echte Menschen und reale Geräte nachahmen können. Als wäre das nicht genug, ist die Branche auch anfällig für groß angelegte, schnelle Angriffe, die von Click-Farmen und automatisierten Bots durchgeführt werden.
Betrüger versuchen ständig, Sicherheitsprüfungen zu umgehen. Daher engagiert sich Cint dafür, Produkte zu entwickeln, die unseren Kunden die Sicherheit geben, dass ihre Daten bestmöglich geschützt sind.
Eine unserer wichtigsten Sicherheitsressourcen ist der Cint Trust Score, ein proprietärer Machine-Learning-/KI-Dienst, der proaktiv vorhersagt, wann eine Sitzung zu einer negativen Abrechnung führen könnte. Wachsam und anpassungsfähig ist es bereit, neue Datensignale zu verarbeiten und sich an sich ändernde Muster und Bedingungen anzupassen.
Das Modell bewertet Umfrageteilnehmende mithilfe von Machine Learning und künstlicher Intelligenz, um potenziell betrügerisches Verhalten schnell zu erkennen und die betreffende Umfragesitzung sofort zu beenden.
Die Vorteile des Trust Score sind vielfältig. Als Cint-Kunde steigert das Wissen um die hohe Qualität Ihrer Daten das Vertrauen in die Erkenntnisse und ermöglicht Ihnen, fundierte Geschäftsentscheidungen zu treffen.
Das klingt alles gut, aber wie funktioniert der Trust Score eigentlich? Wir sprachen mit Jimmy Snyder, VP Trust and Safety, und Alex Namzoff, Principal Product Manager, um einen Einblick in das ‚Gehirn‘ des Modells zu erhalten, das Cint das Vertrauen gibt, unseren Kunden Vertrauen zu schenken.
Die Mensch-Maschine
„Machine Learning“ ist ein häufig verwendeter Begriff im Jahr 2024, aber was bedeutet er eigentlich? Und wie wird es angewendet, um potenziellen Betrug im Cint Trust Score Modell zu erkennen?
„Stellen Sie sich vor, wir hätten hundert Umfrageeingaben, von denen zehn rückgängig gemacht wurden und 90 erfolgreich waren, also abgeschlossen und vom Käufer genehmigt wurden“, sagt Namzoff. „Die Idee ist, dass wir eine Methode finden wollen, um die Muster der zehn rückgängig gemachten Fälle zu erkennen, damit wir künftig neue Einträge mit ähnlichem Verhalten identifizieren und blockieren können – sodass wir beim nächsten Mal hundert erfolgreiche Fälle erhalten.“
Im Wesentlichen ist Machine Learning, wie Namzoff sagt, genau dieser Trainingsprozess.
Dabei wird dem Algorithmus all die Informationen zugeführt, damit er die Muster erkennen kann. Das Modell ist im Wesentlichen das Werkzeug, das zukünftig die aktuellen Daten überprüft und feststellt, ob sie mit den Metadaten dieses Musters übereinstimmen.
Snyder bringt es noch einfacher auf den Punkt. „Trust Score ist unser Machine-Learning-Dienst. Er sagt voraus, welche Sitzungen zu einer negativen Abrechnung führen könnten.“
Die Details des Cint Trust Score
Neue Modelle basieren auf den Scoring-Daten der vergangenen drei Monate. „Sobald ein Teilnehmer an einer Umfrage teilgenommen hat, können wir eine Bewertung basierend auf der Umfrageverlauf der letzten sieben Tage durchführen“, sagt Snyder.
„Nehmen wir an, wir haben heute ein Modell auf Basis der Daten der letzten drei Monate trainiert. Jetzt haben wir einen Prozess, mit dem wir jeden neuen Versuch, an einer Umfrage teilzunehmen, prüfen können, um zu sehen, ob er diesem früheren Muster entspricht“, sagt Namzoff. „Nehmen wir auch an, ich werde heute an einer Umfrage teilnehmen. Wir müssen herausfinden, welche Informationen von mir mit dem zuvor entwickelten Muster des historischen Modells verglichen werden. Was wir tun, ist, die letzten sieben Tage meiner Historie zu erfassen und sie mit den Mustern aus diesem dreimonatigen Datensatz zu vergleichen.“
Warum sieben Tage?
„Sieben Tage sind sozusagen der Sweet Spot in Bezug darauf, wie viele Informationen wir sammeln müssen, um sie mit dem Modell vergleichen zu können. Mehr als das liefert uns keine besseren Informationen oder mehr Genauigkeit, und weniger wären zu wenig“, sagt Namzoff.
Die Methodik hinter den Zeitrahmen spiegelt wider, dass die Verarbeitung hinter dem Modell in Echtzeit erfolgt und die Erfahrung für den Kunden so nahtlos und schnell wie möglich sein muss.
„Wir können nicht die letzten drei Monate an Daten heranziehen und einen Teilnehmer drei Minuten warten lassen, während wir die Informationen im Modell verarbeiten, um zu prüfen, ob wir ihn zur Teilnahme an der Umfrage zulassen“, sagt Namzoff. „Es ist so, als würden Sie in einen Laden gehen und müssten fünf Minuten warten, während Ihre Vorgeschichte überprüft wird.“
Es ist wichtig zu beachten, dass Kontrollmechanismen wie das Trust-Score-Modell zum Schutz von Kunden und Umfrageteilnehmern gleichermaßen eingerichtet, entwickelt und implementiert wurden.
Wie Namzoff sagt: „Wir balancieren ständig zwischen dem Bedarf, Betrug zu bekämpfen, und der Tatsache, dass die überwiegende Mehrheit der Umfrageteilnehmer legitim und gute Befragte sind, und wollen diese nicht unnötig beeinträchtigen.“
Spion gegen Spion
„Betrug hat in den letzten fünf Jahren erheblich zugenommen“, sagt Snyder. „Wir haben gesehen, wie organisierte Betrugsgruppen rasant gewachsen sind, sich abgestimmt haben und unsere Branche in alarmierendem Tempo angreifen.“
Er fügt hinzu: „In den letzten fünf Jahren ist es gewachsen, da organisierte Gruppen Methoden teilen und sogar monetarisieren, wie man damit eigenes Geld verdienen kann. Sie entwickeln fast schon Produkte daraus, wie sie an uns verdienen können.“
Dieses Wachstum resultiert möglicherweise daraus, dass in den letzten Jahren der Zugang zu Technologien, die Betrug dieser Art ermöglichen, leichter geworden ist, wobei Produkte wie generative Chat-Tools im digitalen Alltag immer verbreiteter werden.
Betrüger setzen verschiedene Methoden ein. Eine davon ist der Einsatz sogenannter„ Click-Farmen“. Der Begriff bezeichnet die Praxis, (oft) schlecht bezahlte Arbeitskräfte einzusetzen, die Umfragen durchklicken, um die angebotenen Belohnungen zu erhalten.
„Click-Farmen können massive Gruppen von Menschen sein, die alle VPNs nutzen
und Umfragen ausfüllen. Es könnte auch eine einzelne Person sein, die mit 85 Monitoren einen Bot betreibt und so Angriffe durchführt. Da wir den Betrug nicht live miterleben, wissen wir es nicht.“
Ganz gleich, welche Infiltrationsmethode versucht wurde – unsere Kunden, Teilnehmenden und Partner können sich darauf verlassen, dass sobald das Trust-Score-Modell einen Betrüger erkennt, dieser vom Cint-Umfrage-Ökosystem ausgeschlossen wird.
Mehr über Cints Ansatz zu Trust und Safety können Sie hierlesen.
