12.11.26 (включительно)

денежный

Готовый продукт

Задачи ИКТ

Медиасфера

Другие технологические решения

Мобильное приложение

Ticketon регулярно запускает промо-акции (скидка на первый заказ, партнёрские промокоды, реферальная программа «пригласи друга»). Часть скидочного бюджета уходит не целевой аудитории, а организованным схемам: перебор промокодов по маске, массовая регистрация новых аккаунтов ради скидки «для новых пользователей», самонакрутка реферальной программы через фиктивные аккаунты. Текущее состояние: – промокоды на разовые акции имеют предсказуемый формат (общий префикс + короткий суффикс), что делает их уязвимыми к автоматическому перебору; – скидка «для нового пользователя» применяется повторно через регистрацию новых аккаунтов на тот же номер/устройство с минимальными отличиями в данных; – реферальная программа фиксирует аномальные цепочки приглашений с одного устройства/IP, которые похожи на самонакрутку, но не блокируются автоматически; – оценка потерь бюджета на нецелевые/мошеннические применения скидок — не считается системно, точных метрик нет.

Ожидаемый результат Проектный документ с архитектурой защиты промо-механик: workflow выпуска/применения кодов, логика скоринга злоупотреблений, политика деградации акции при атаке, правила для реферальной программы и набор метрик. Критерий успеха — решение заметно снижает долю промо-бюджета, уходящего на злоупотребления, сохраняя лёгкость получения и применения скидки для целевой аудитории. Пилот / MVP Решение может быть внедрено поэтапно, участник сам предлагает объём пилота. Рекомендуемый путь: сначала shadow-режим на исторических данных (система считает вердикты, но не блокирует ничего реально), затем ограниченный запуск на одной акции или механике (например, только на реферальной программе), и только после подтверждения качества — расширение на остальные сценарии. Критерий перехода к боевому запуску участник формулирует сам как часть решения. Источники данных Для проектирования доступны (как гипотетическая модель данных, без выгрузки реального production): история заказов и промокодов (когда выпущен, когда применён, статус); профиль пользователя (телефон, email, дата регистрации); данные устройства и сессии мобильного приложения (app-инстанс, IP, грубая гео-метка — точный device fingerprint считать отдельной задачей, если участник не обоснует иное); структура реферальных приглашений (кто кого пригласил и когда). Участник указывает, какие источники использует и какие допущения делает там, где данных не хватает. Необходимые интеграции Решение должно описывать точки интеграции с существующими системами: promo/discount-сервис (выдача и валидация кодов), backend заказов (оформление, статус оплаты), канал верификации пользователя (SMS/OTP для challenge-сценариев). Отдельно — обоснованный выбор: делать ли device-fingerprinting самостоятельно или подключать внешнего антифрод-провайдера (build vs buy, с аргументацией). Также в объём входит интеграция с аналитикой/BI для метрик и с очередью разбора инцидентов для команды Fraud-ops.

Тембаев Тамерлан Бейбутулы