Registreringsflöden är byggda för konvertering, och den designen skapar en förutsägbar öppning för registreringsmissbruk. Falska konton och operationer med flera konton utnyttjar samma lågfriktionsförhållanden som gör det snabbt att registrera sig för alla andra: minimal verifiering och ett system som behandlar varje inkommande konto som en främling utan historik. Bedrägeri med falska konton är ett stort problem; 62 % av handlarna rapporterade en ökning av tvister under 2025 på grund av bedrägliga aktörer som utger sig för att vara någon annan eller manipulerar sina konton.

Nedan kommer vi att utforska hur man upptäcker falska användare och samordnat missbruk av flera konton, hur länkanalys kopplar samman konton som ser olika ut men delar underliggande infrastruktur, och hur man riktar in sig på återkommande förövare utan att sakta ner legitima registreringar.

Viktiga punkter

• Falska användare och missbruk av flera konton är svåra att upptäcka när varje enskilt konto ser äkta ut. Detta gör länkanalys över delade attribut till ett effektivt alternativ.

• Stegvis verifiering håller konverteringen hög genom att reservera friktion för konton med förhöjda riskpoäng istället för att tillämpa samma kontroller vid varje registrering.

• Missbruk av flera konton är den vanliga mekanismen bakom missbruk av gratis provperioder, värvningsbedrägerier och abonnemangsbedrägerier. Registreringsdetektering bör vara en central del av din bredare strategi för bedrägerier.

Vad är falska användare och registreringsmissbruk av flera konton?

Falska användare är konton som skapas med identitetssignaler med lågt förtroende, såsom engångs-e-postadresser, syntetiska namn, virtuella telefonnummer eller identiteter som klarar grundläggande validering men inte motsvarar en verklig person med genuina avsikter. Missbruk av flera konton är ett relaterat men distinkt problem: en aktör skapar flera konton, ofta med identiteter som ser olika ut, för att kringgå gränser, policyer eller avstängningar som du redan har tillämpat.

Varför är registreringsmissbruk av flera konton så vanligt i registreringsflöden?

De förhållanden som gör registreringskonvertering bra är samma förhållanden som gör det lätt att missbruka.

Här är vad som driver problemet:

• Enkel registrering: Minimal verifiering vid registrering behandlar varje nytt konto som en främling, och en beslutsam aktör utnyttjar detta upprepade gånger. E-postbekräftelse hjälper till att stoppa tillfälligt missbruk, men det gör ingenting mot aktörer som använder domäner som stöder alias eller engångsinkorgar.

• Automatisering: Att skapa konton manuellt kräver arbete. Att skapa dem med ett skript, rotera autentiseringsuppgifter och växla mellan bostadsproxyservrar tar några timmars konfiguration och kan generera hundratals konton. Tröskeln för automatisering har sjunkit i takt med att verktyg för e-postalias, generering av virtuella nummer och förfalskning av webbläsarfingeravtryck har blivit allmänt tillgängliga.

• Svag verifiering: Telefonverifiering avskräcker bedrägerier, men kan kringgås med VoIP-nummer (Voice over Internet Protocol). Varken e-post- eller telefonbekräftelse på egen hand fastställer att ett inkommande konto är skilt från konton som ett företag redan har sett.

• Meningsfulla incitament: När en gratis provperiod, värvningskredit eller kampanjrabatt är kopplad till ett nytt konto har skapandet av kontot ett mätbart monetärt värde.

Mekanismen bakom farming av gratis provperioder, värvningsbedrägerier, undvikande av avstängningar och insamling av kampanjkrediter är densamma: ett företags registreringsflöde har inget minne, och bedragare vet om det.

Vilka signaler tyder på falska användare och missbruk av registrering av flera konton?

Ingen enskild signal är avgörande, men flera i kombination är mycket förutsägbara.

Här är de starkaste indikatorerna på falska användare och missbruk av registrering av flera konton:

• Enhets- och webbläsaröverlappning: Ett delat fingeravtryck över flera konton är en hög signalindikator. Fingeravtryck kan förfalskas, men att göra det konsekvent över många konton kräver ansträngning som missbruksoperationer ibland hoppar över.

• Ovanliga nätverksmönster: Upprepade registreringar från samma IP-adress, samma ASN (Autonomous System Number) eller ett datacenterintervall kan starkt antyda automatisering eller samordning. Bostadsproxytrafik är svårare att filtrera, men kan visa geografiska avvikelser.

• Repetitiv e-poststruktur: Bedragare kan använda engångsdomäner och aliasmönster (t.ex. ”+tag”-suffixet i e-postadresser eller punktvariationer som j.ohn.doe@domain.com). De kan också använda en hög volym av registreringar från en enda liten domän eller adresser som följer ett upptäckbart namnmönster över konton.

• Likhet i identitetsfält: Namn, adresser och telefonnummer som är något varierade men delar strukturella likheter (t.ex. sekventiella nummer, omkastade tecken, samma basnamn med olika suffix) kan tyda på genererade istället för verkliga identiteter.

• Robotliknande registreringshastighet och timing: Konton som skapas i korta skurar eller med jämna mellanrum som antyder ett skriptat beteende stämmer inte överens med hur mänskliga användare registrerar sig.

• Beteendemönster efter registrering: Riktiga användare utforskar. Missbrukande konton kan gå direkt till den mest värdefulla åtgärden, som att aktivera en provperiod, göra anspråk på en kampanjkod eller inleda en värvning, och sedan stanna där. En hög andel konton som slutför en specifik åtgärd och sedan blir inaktiva är värda att undersöka.

Hur upptäcker man falska användare och registreringsmissbruk av flera konton genom länkanalys?

Att blockera enskilda signaler är nödvändigt men inte tillräckligt. En beslutsam aktör roterar inmatningar, så den mer hållbara metoden är länkanalys.

Så här gör du:

• Behandla identitetsattribut som grafnoder: En e-postadress, ett fingeravtryck för en enhet, ett telefonnummer och en faktureringsadress är olika noder. När två konton delar en nod är de anslutna. När ett kluster av konton delar flera noder över flera attribut tittar du troligen på ett samordnat missbruk.

• Samla in attribut vid registrering, såväl som vid transaktioner: Att hasha fingeravtryck för enheter, IP-adresser och identitetsfält vid registreringstillfället ger dig råmaterialet för länkanalys när du behöver det senare.

• Kluster över tidsfönster: Att länka konton som skapats inom samma kampanjfönster synliggör samordnade registreringar som inte skulle se misstänkta ut på egen hand.

• Kör retroaktiv analys på bekräftat missbruk: När du bekräftar att ett konto är bedrägligt, granska din nodgraf för att hitta anslutna konton som du inte har flaggat ännu. En bekräftad bedragare kan exponera flera till.

• Använd konfidenspoäng, inte binära flaggor: Tilldela en riskpoäng baserat på antalet kopplingar och deras styrka, så att åtgärderna kan vara proportionella. Ett konto med en svag länk kan utsättas för friktion, medan ett konto med fyra starka länkar blockeras.

Vilka förebyggande strategier stoppar registreringsmissbruk av flera konton utan att skada konverteringen?

Om ditt system för bedrägeridetektering är för strikt kan du blockera legitima användare. Om det är för slappt kan missbruk slinka igenom. Stegvis verifiering kringgår det problemet genom att göra svaren proportionella mot risken.

Så här strukturerar du det:

• Låga riskpoäng = ingen åtgärd: Standardregistrering med omedelbar åtkomst. Användare kan hamna här, och ingenting i deras upplevelse förändras.

• Måttliga riskpoäng = lätt verifiering: Lägg till ett steg som är enkelt för en riktig person och dyrt för en automatiserad operation, till exempel telefonbekräftelse med en riktig uppslagning av teleoperatör (utöver standardformatvalidering) eller en tidsbegränsad e-postbekräftelse som batchåtgärder inte kan hantera effektivt.

• Höga riskpoäng = stäng åtgärden som genererar värde: Blockera inte registreringen. Stäng åtkomsten till aktivering av provperiod, inlösen av kampanjer eller utbetalningar för värvningar tills kontot har visat ett grundläggande legitimt beteende. Att logga in från samma enhet två gånger under två dagar, slutföra en profil eller göra ett första köp fungerar alla som mjuk verifiering. Denna typ av fördröjning kan vara mer effektiv än att blockera kontot helt. En bedragare som väntar 72 timmar på en utbetalning som aldrig kommer lär sig snabbt att deras upplägg inte fungerar. En riktig användare som väntar samma period besväras endast milt.

Begränsa frekvens efter konto men också efter attribut. Om ett fingeravtryck för en enhet eller en IP-adress redan har kopplats till tre registreringar under de senaste 24 timmarna måste nya registreringar från det attributet få förhöjd utredning eller en hård paus, även om varje enskilt konto ser legitimt ut.

Hur hänger missbruk av registrering av flera konton ihop med bedrägerier med provperioder, kampanjer och abonnemang?

Det är sällsynt att någon skapar flera konton bara för att ha dem. Att förstå sambandet mellan missbruk av registrering av flera konton och andra typer av bedrägeri är det som kopplar registreringsdetektering till din bredare bedrägeristrategi.

Här är var överlappningen sker:

• Missbruk av gratis provperioder: Om din provperiod återställs vid skapandet av kontot kan vem som helst med ett skript och tillgång till e-postadresser få tillgång till din produkt på obestämd tid utan att betala. Registreringsdetektering är din första effektiva försvarslinje. När en provperiod missbrukas existerar kontot redan.

• Farming av kampanjrabatter: Rabatter för nya användare och incitament för första beställning har ett mätbart monetärt värde per skapat konto. Det förvandlar ditt registreringsflöde till ett direkt mål för samordnade missbruksoperationer som körs i stor skala.

• Värvningsbedrägeri: Värvningsprogram som betalar ut när ett nytt konto utför en åtgärd är särskilt utsatta. En aktör som kontrollerar både det värvande kontot och det nya kontot kan generera utbetalningar utan att något verkligt användarförvärv har skett på endera sida.

• Abonnemangsbedrägeri: En avstängd eller återkallad användare kan skapa ett nytt konto och prenumerera på nytt om dina kontroller av betalningsmetoder inte korsrefererar identitetssignaler från det flaggade kontot. Registreringen är återställningsmekanismen, och utan länkanalys som kopplar det nya kontot till det gamla blir åtgärderna inte ihållande.

Hur Stripe Radar kan hjälpa till

Stripe Radar använder AI-modeller som tränats på data från Stripes globala nätverk och uppdateras kontinuerligt baserat på de senaste bedrägeritrenderna, vilket skyddar ditt företag när bedrägerierna utvecklas.

Stripe erbjuder även Radar for Fraud Teams, som gör det möjligt för användare att lägga till anpassade regler som hanterar bedrägeriscenarier för just deras företag och få tillgång till avancerade bedrägeriinsikter.
Radar kan hjälpa ditt företag att:

• Förhindra bedrägeriförluster: Stripe hanterar över 1 biljon USD i betalningar årligen. Denna omfattning gör det möjligt för Radar att på ett korrekt sätt upptäcka och förhindra bedrägerier, vilket sparar pengar.

• Öka intäkterna: Radars AI-modeller är tränade på verkliga tvistdata, kundinformation, webbläsardata etc. Detta gör att Radar kan identifiera riskabla transaktioner och minska falska positiva resultat, vilket ökar dina intäkter.

• Spara tid: Radar är inbyggt i Stripe och kan konfigureras med noll kodrader. Du kan också övervaka din bedrägeriprestanda, skriva regler och annat på en enda plattform, vilket ökar effektiviteten.

Läs mer om Stripe Radar eller börja idag.