Amazon Fraud Detector non è più aperto a nuovi clienti a partire dal 7 novembre 2025. Per funzionalità simili a Amazon Fraud Detector, esplora Amazon SageMaker AutoGluon, e. AWS WAF
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Scegli un tipo di modello
I seguenti tipi di modelli sono disponibili in Amazon Fraud Detector. Scegli un tipo di modello adatto al tuo caso d'uso.
+ **Informazioni sulle frodi online**
Il tipo di modello *Online Fraud Insights* è ottimizzato per rilevare le frodi quando sono disponibili pochi dati storici sull'entità oggetto della valutazione, ad esempio quando un nuovo cliente si registra online per creare un nuovo account.
+ **Informazioni sulle frodi transazionali**
Il tipo di modello *Transaction Fraud Insights* è più adatto per rilevare casi d'uso fraudolenti in cui l'entità oggetto della valutazione potrebbe avere una cronologia di interazioni che il modello può analizzare per migliorare l'accuratezza delle previsioni (ad esempio, un cliente esistente con una cronologia degli acquisti passati).
+ **Account Takeover Insights**
Il tipo di modello *Account Takeover Insights* rileva se un account è stato compromesso dal phishing o da un altro tipo di attacco. I dati di accesso di un account compromesso, come il browser e il dispositivo utilizzati al momento dell'accesso, sono diversi dai dati di accesso storici associati all'account.
# Informazioni sulle frodi online
Online Fraud Insights è un modello di machine learning supervisionato, il che significa che utilizza esempi storici di transazioni fraudolente e legittime per addestrare il modello. Il modello Online Fraud Insights è in grado di rilevare le frodi sulla base di pochi dati storici. Gli input del modello sono flessibili, quindi puoi adattarlo per rilevare una serie di rischi di frode, tra cui recensioni false, abusi nelle promozioni e frodi al check-out degli ospiti.
Il modello Online Fraud Insights utilizza un insieme di algoritmi di apprendimento automatico per l'arricchimento, la trasformazione e la classificazione delle frodi dei dati. Come parte del processo di formazione del modello, Online Fraud Insights arricchisce elementi di dati grezzi come l'indirizzo IP e il numero BIN con dati di terze parti come la geolocalizzazione dell'indirizzo IP o la banca emittente di una carta di credito. Oltre ai dati di terze parti, Online Fraud Insights utilizza algoritmi di deep learning che tengono conto dei modelli di frode rilevati su Amazon e AWS. Questi modelli di frode diventano funzionalità di input per il modello utilizzando un algoritmo di potenziamento dell'albero dei gradienti.
Per aumentare le prestazioni, Online Fraud Insights ottimizza gli iperparametri dell'algoritmo di potenziamento dell'albero del gradiente tramite un processo di ottimizzazione bayesiano. Addestra in sequenza dozzine di modelli diversi con diversi parametri del modello (come il numero di alberi, la profondità degli alberi e il numero di campioni per foglia). Utilizza inoltre diverse strategie di ottimizzazione, come l'aumento di peso della popolazione minoritaria responsabile delle frodi per far fronte a tassi di frode molto bassi.
## Selezione della fonte di dati
Durante l'addestramento di un modello Online Fraud Insights, puoi scegliere di addestrare il modello sui dati degli eventi archiviati esternamente (al di fuori di Amazon Fraud Detector) o archiviati all'interno di Amazon Fraud Detector. Lo storage esterno attualmente supportato da Amazon Fraud Detector è Amazon Simple Storage Service (Amazon S3). Se utilizzi uno storage esterno, il set di dati degli eventi deve essere caricato come formato di valori separati da virgole (CSV) in un bucket Amazon S3. Queste opzioni di archiviazione dei dati sono indicate nella configurazione di addestramento del modello come EXTERNAL\$1EVENTS (per lo storage esterno) e INGESTED\$1EVENTS (per lo storage interno). Per ulteriori informazioni sulle fonti di dati disponibili e su come archiviare i dati al loro interno, vedere. [Archiviazione dei dati degli eventi](event-data-storage.md)
## Preparazione dei dati
Indipendentemente da dove scegli di archiviare i dati degli eventi (Amazon S3 o Amazon Fraud Detector), i requisiti per il tipo di modello Online Fraud Insights sono gli stessi.
Il set di dati deve contenere l'intestazione della colonna EVENT\$1LABEL. Questa variabile classifica un evento come fraudolento o legittimo. Quando si utilizza un file CSV (archiviazione esterna), è necessario includere EVENT\$1LABEL per ogni evento nel file. Per l'archiviazione interna, il campo EVENT\$1LABEL è facoltativo, ma tutti gli eventi devono essere etichettati per essere inclusi in un set di dati di formazione. Quando configuri il modello di addestramento, puoi scegliere se ignorare gli eventi senza etichetta, assumere un'etichetta legittima per gli eventi senza etichetta o ipotizzare un'etichetta fraudolenta per tutti gli eventi senza etichetta.
## Selezione dei dati
Consulta [Raccogliere i dati degli eventi](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#gather-event-data) per informazioni sulla selezione dei dati per la formazione del modello Online Fraud Insights.
Il processo di formazione di Online Fraud Insights campiona e partiziona i dati storici in base a EVENT\$1TIMESTAMP. Non è necessario campionare manualmente i dati e ciò potrebbe influire negativamente sui risultati del modello.
## Variabili di evento
Il modello Online Fraud Insights richiede almeno due variabili, oltre ai metadati degli eventi richiesti, che abbiano superato la [convalida dei dati per l'](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#dataset-validation)addestramento del modello e consenta fino a 100 variabili per modello. In genere, maggiore è il numero di variabili fornite, migliore è la capacità del modello di distinguere tra frodi ed eventi legittimi. Sebbene il modello Online Fraud Insights sia in grado di supportare dozzine di variabili, incluse variabili personalizzate, consigliamo di includere l'indirizzo IP e l'indirizzo e-mail, poiché queste variabili sono in genere le più efficaci per identificare l'entità oggetto di valutazione.
## Convalida dei dati
Come parte del processo di formazione, Online Fraud Insights convaliderà il set di dati per rilevare eventuali problemi di qualità dei dati che potrebbero influire sulla formazione dei modelli. Dopo aver convalidato i dati, Amazon Fraud Detector intraprenderà le azioni appropriate per creare il miglior modello possibile. Ciò include l'emissione di avvisi per potenziali problemi di qualità dei dati, la rimozione automatica delle variabili che presentano problemi di qualità dei dati o l'emissione di un errore e l'interruzione del processo di addestramento del modello. [Per ulteriori informazioni, consulta Convalida del set di dati.](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#dataset-validation)
# Informazioni sulle frodi nelle transazioni
Il tipo di modello Transaction Fraud Insights è progettato per rilevare frodi online o card-not-present relative a transazioni. Transaction Fraud Insights è un modello di apprendimento automatico supervisionato, il che significa che utilizza esempi storici di transazioni fraudolente e legittime per addestrare il modello.
Il modello Transaction Fraud Insights utilizza un insieme di algoritmi di apprendimento automatico per l'arricchimento, la trasformazione e la classificazione delle frodi dei dati. Sfrutta un motore di progettazione delle funzionalità per creare aggregati a livello di entità e a livello di evento. Come parte del processo di formazione del modello, Transaction Fraud Insights arricchisce gli elementi di dati grezzi come l'indirizzo IP e il numero BIN con dati di terze parti come la geolocalizzazione dell'indirizzo IP o la banca emittente di una carta di credito. Oltre ai dati di terze parti, Transaction Fraud Insights utilizza algoritmi di deep learning che tengono conto dei modelli di frode rilevati su Amazon e AWS questi modelli di frode diventano funzionalità di input per il tuo modello utilizzando un algoritmo di potenziamento dell'albero dei gradienti.
Per aumentare le prestazioni, Transaction Fraud Insights ottimizza gli iperparametri dell'algoritmo di potenziamento dell'albero a gradiente tramite un processo di ottimizzazione bayesiano, addestrando in sequenza dozzine di modelli diversi con diversi parametri del modello (come numero di alberi, profondità degli alberi, numero di campioni per foglia) e diverse strategie di ottimizzazione, come l'aumento di peso della popolazione minoritaria di frodi per far fronte a tassi di frode molto bassi.
Come parte del processo di formazione del modello, il motore di progettazione delle funzionalità del modello Transaction Fraud calcola i valori per ogni entità unica all'interno del set di dati di formazione per contribuire a migliorare le previsioni sulle frodi. Ad esempio, durante il processo di formazione, Amazon Fraud Detector calcola e memorizza l'ultima volta che un'entità ha effettuato un acquisto e aggiorna dinamicamente questo valore ogni volta che chiami l'API or. `GetEventPrediction` `SendEvent` Durante una previsione di frode, le variabili degli eventi vengono combinate con altri metadati di entità ed eventi per prevedere se la transazione è fraudolenta.
## Selezione della fonte dei dati
I modelli Transaction Fraud Insights vengono addestrati solo su set di dati archiviati internamente con Amazon Fraud Detector (INGESTED\$1EVENTS). Ciò consente ad Amazon Fraud Detector di aggiornare continuamente i valori calcolati sulle entità che stai valutando. Per ulteriori informazioni sulle fonti di dati disponibili, consulta [Archiviazione dei dati degli eventi](event-data-storage.md)
## Preparazione dei dati
Prima di addestrare un modello Transaction Fraud Insights, assicurati che il file di dati contenga tutte le intestazioni, come indicato in [Prepare il set di dati degli eventi](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#prepare-event-dataset). Il modello Transaction Fraud Insights confronta le nuove entità ricevute con gli esempi di entità fraudolente e legittime presenti nel set di dati, quindi è utile fornire molti esempi per ciascuna entità.
Amazon Fraud Detector trasforma automaticamente il set di dati degli eventi archiviato nel formato corretto per la formazione. Dopo che il modello ha completato l'addestramento, puoi rivedere le metriche delle prestazioni e determinare se aggiungere entità al set di dati di addestramento.
## Selezione dei dati
Per impostazione predefinita, Transaction Fraud Insights si basa sull'intero set di dati archiviato per il tipo di evento selezionato. Facoltativamente, puoi impostare un intervallo di tempo per ridurre gli eventi utilizzati per addestrare il tuo modello. Quando impostate un intervallo di tempo, assicuratevi che i record utilizzati per addestrare il modello abbiano avuto il tempo sufficiente per maturare. Cioè, è trascorso abbastanza tempo per garantire che i record legittimi e fraudolenti siano stati identificati correttamente. Ad esempio, per le frodi relative ai chargeback, spesso occorrono 60 giorni o più per identificare correttamente gli eventi fraudolenti. Per ottenere le migliori prestazioni del modello, assicuratevi che tutti i record del set di dati di allenamento siano maturi.
Non è necessario selezionare un intervallo di tempo che rappresenti un tasso di frode ideale. Amazon Fraud Detector campiona automaticamente i dati per raggiungere un equilibrio tra tassi di frode, intervallo di tempo e numero di entità.
Amazon Fraud Detector restituisce un errore di convalida durante l'addestramento del modello se selezioni un intervallo di tempo per il quale non ci sono abbastanza eventi per addestrare correttamente un modello. Per i set di dati memorizzati, il campo EVENT\$1LABEL è facoltativo, ma gli eventi devono essere etichettati per essere inclusi nel set di dati di addestramento. Quando configuri il modello di addestramento, puoi scegliere se ignorare gli eventi senza etichetta, assumere un'etichetta legittima per gli eventi senza etichetta o assumere un'etichetta fraudolenta per gli eventi senza etichetta.
## Variabili di evento
Il tipo di evento utilizzato per addestrare il modello deve contenere almeno 2 variabili, oltre ai metadati degli eventi richiesti, che hanno superato la [convalida dei dati](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#dataset-validation) e possono contenere fino a 100 variabili. In genere, maggiore è il numero di variabili fornite, migliore è la capacità del modello di distinguere tra frodi ed eventi legittimi. Sebbene il modello Transaction Fraud Insight possa supportare dozzine di variabili, incluse variabili personalizzate, ti consigliamo di includere l'indirizzo IP, l'indirizzo email, il tipo di strumento di pagamento, il prezzo dell'ordine e il BIN della carta.
## Convalida dei dati
Come parte del processo di formazione, Transaction Fraud Insights convalida il set di dati di formazione per problemi di qualità dei dati che potrebbero influire sulla formazione dei modelli. Dopo aver convalidato i dati, Amazon Fraud Detector intraprende le azioni appropriate per creare il miglior modello possibile. Ciò include l'emissione di avvisi per potenziali problemi di qualità dei dati, la rimozione automatica delle variabili che presentano problemi di qualità dei dati o l'emissione di un errore e l'interruzione del processo di addestramento del modello. [Per ulteriori informazioni, vedere Convalida del set di dati.](https://docs.aws.amazon.com//frauddetector/latest/ug/create-event-dataset.html#dataset-validation)
Amazon Fraud Detector emetterà un avviso ma continuerà ad addestrare un modello se il numero di entità uniche è inferiore a 1.500, poiché ciò può influire sulla qualità dei dati di addestramento. Se ricevi un avviso, esamina la metrica delle [prestazioni](training-performance-metrics.md).
# Informazioni sull'acquisizione dell'account
Il tipo di modello Account Takeover Insights (ATI) identifica le attività online fraudolente rilevando se gli account sono stati compromessi a seguito di acquisizioni dolose, phishing o furto di credenziali. Account Takeover Insights è un modello di apprendimento automatico che utilizza gli eventi di accesso della tua attività online per addestrare il modello.
Puoi incorporare un modello Account Takeover Insights addestrato nel flusso di accesso in tempo reale per rilevare se un account è compromesso. Il modello valuta una varietà di tipi di autenticazione e accesso. Includono accessi alle applicazioni Web, autenticazioni basate su API e (SSO). single-sign-on Per utilizzare il modello Account Takeover Insights, chiama l'[GetEventPrediction](https://docs.aws.amazon.com/frauddetector/latest/api/API_GetEventPrediction.html)API dopo aver fornito credenziali di accesso valide. L'API genera un punteggio che quantifica il rischio di compromissione dell'account. Amazon Fraud Detector utilizza il punteggio e le regole che hai definito per restituire uno o più risultati per gli eventi di accesso. I risultati sono quelli che hai configurato. In base ai risultati ricevuti, puoi intraprendere le azioni appropriate per ogni accesso. Cioè, puoi approvare o contestare le credenziali presentate per l'accesso. Ad esempio, puoi contestare le credenziali chiedendo il PIN dell'account come verifica aggiuntiva.
Puoi anche utilizzare il modello Account Takeover Insights per valutare gli accessi agli account in modo asincrono e intraprendere azioni sugli account ad alto rischio. Ad esempio, è possibile aggiungere un account ad alto rischio alla coda di indagine per consentire a un revisore umano di determinare se sono necessarie ulteriori azioni, come sospendere l'account.
Il modello Account Takeover Insights viene addestrato utilizzando un set di dati che contiene gli eventi di accesso storici della tua azienda. Questi dati sono forniti dall'utente. Facoltativamente, puoi etichettare gli account come legittimi o fraudolenti. Tuttavia, ciò non è necessario per addestrare il modello. Il modello Account Takeover Insights rileva le anomalie in base alla cronologia degli accessi riusciti di un account. Impara inoltre a rilevare anomalie nel comportamento di un utente che suggeriscano un aumento del rischio di acquisizione dolosa dell'account. Ad esempio, un utente che in genere accede dallo stesso set di dispositivi e indirizzi IP. Un truffatore in genere accede da un dispositivo e da una geolocalizzazione diversi. Questa tecnica genera un punteggio di rischio relativo all'anomalia di un'attività, che in genere è una caratteristica principale delle acquisizioni dolose di account.
Prima di addestrare un modello Account Takeover Insights, Amazon Fraud Detector utilizza una combinazione di tecniche di apprendimento automatico per eseguire l'arricchimento, l'aggregazione e la trasformazione dei dati. Quindi, durante il processo di formazione, Amazon Fraud Detector arricchisce gli elementi di dati grezzi che fornisci. Esempi di elementi di dati grezzi includono l'indirizzo IP e lo user agent. Amazon Fraud Detector utilizza questi elementi per creare input aggiuntivi che descrivono i dati di accesso. Questi input includono gli input del dispositivo, del browser e della geolocalizzazione. Amazon Fraud Detector utilizza anche i dati di accesso che fornisci per calcolare continuamente variabili aggregate che descrivono il comportamento passato degli utenti. Esempi di comportamento dell'utente includono il numero di volte in cui l'utente ha effettuato l'accesso da un indirizzo IP specifico. Utilizzando questi arricchimenti e aggregati aggiuntivi, Amazon Fraud Detector può generare ottime prestazioni del modello da un piccolo set di input dai tuoi eventi di accesso.
Il modello Account Takeover Insights rileva i casi in cui un malintenzionato accede a un account legittimo, indipendentemente dal fatto che il malintenzionato sia umano o robot. Il modello produce un singolo punteggio che indica il rischio relativo di compromissione dell'account. Gli account che potrebbero essere stati compromessi vengono contrassegnati come account ad alto rischio. È possibile elaborare gli account ad alto rischio in due modi. In entrambi i casi, puoi imporre un'ulteriore verifica dell'identità. In alternativa, puoi mettere l'account in coda per un'indagine manuale.
## Selezione della fonte di dati
I modelli Account Takeover Insights vengono addestrati su un set di dati archiviato internamente, in Amazon Fraud Detector. Per archiviare i dati degli eventi di accesso con Amazon Fraud Detector, crea un file CSV con gli eventi di accesso degli utenti. Per ogni evento, includi dati di accesso come data e ora dell'evento, ID utente, indirizzo IP, agente utente e verifica se i dati di accesso sono validi. Dopo aver creato il file CSV, carica prima il file su Amazon Fraud Detector, quindi utilizza la funzionalità di importazione per archiviare i dati. Puoi quindi addestrare il tuo modello utilizzando i dati memorizzati. Per ulteriori informazioni sull'archiviazione del set di dati degli eventi con Amazon Fraud Detector, consulta [Archivia i dati degli eventi internamente con Amazon Fraud Detector](storing-event-data-afd.md)
## Preparazione dei dati
Amazon Fraud Detector richiede che tu fornisca i dati di accesso al tuo account utente in un file con valori separati da virgole (CSV) codificato nel formato UTF-8. La prima riga del file CSV deve contenere un'intestazione del file. L'intestazione del file è composta da metadati di eventi e variabili di evento che descrivono ogni elemento di dati. I dati dell'evento seguono l'intestazione. Ogni riga dei dati dell'evento è costituita dai dati di un singolo evento di accesso.
Per il modello Accounts Takeover Insights, è necessario fornire i seguenti metadati e variabili di evento nella riga di intestazione del file CSV.
**Metadati degli eventi**
Ti consigliamo di fornire i seguenti metadati nell'intestazione del file CSV. I metadati dell'evento devono essere in lettere maiuscole.
+ EVENT\$1ID - Un identificatore univoco per l'evento di accesso.
+ ENTITY\$1TYPE - L'entità che esegue l'evento di accesso, ad esempio un commerciante o un cliente.
+ ENTITY\$1ID - Un identificatore per l'entità che esegue l'evento di accesso.
+ EVENT\$1TIMESTAMP - Il timestamp in cui si è verificato l'evento di accesso. Il timestamp deve essere conforme allo standard ISO 8601 in UTC.
+ EVENT\$1LABEL (consigliato): un'etichetta che classifica l'evento come fraudolento o legittimo. Puoi utilizzare qualsiasi etichetta, come «fraudolenta», «legittima», «1" o «0".
**Nota**
I metadati degli eventi devono essere in lettere maiuscole. È sensibile alle maiuscole.
Le etichette non sono richieste per gli eventi di accesso. Tuttavia, ti consigliamo di includere i metadati EVENT\$1LABEL e di fornire etichette per i tuoi eventi di accesso. Va bene se le etichette sono incomplete o sporadiche. Se fornisci etichette, Amazon Fraud Detector le utilizzerà per calcolare automaticamente un Account Takeover Discovery Rate e visualizzarlo nel grafico e nella tabella delle prestazioni del modello.
**Variabili di evento**
Per il modello Accounts Takeover Insights, ci sono sia variabili obbligatorie (obbligatorie) che è necessario fornire sia variabili facoltative. Quando create le variabili, assicuratevi di assegnare la variabile al tipo di variabile corretto. Come parte del processo di formazione del modello, Amazon Fraud Detector utilizza il tipo di variabile associato alla variabile per eseguire l'arricchimento delle variabili e l'ingegnerizzazione delle funzionalità.
**Nota**
I nomi delle variabili di evento devono essere in lettere minuscole. Sono sensibili alle maiuscole.
**Variabili obbligatorie**
Le seguenti variabili sono necessarie per la formazione di un modello Accounts Takeover Insights.
| Categoria | Tipo della variabile | Description |
| --- | --- | --- |
| IP address (Indirizzo IP) | IP\$1ADDRESS | L'indirizzo IP utilizzato nell'evento di accesso |
| Browser e dispositivo | AGENTE UTENTE | Il browser, il dispositivo e il sistema operativo utilizzati nell'evento di accesso |
| Credenziali valide | CARTA DI CREDITO VALIDA | Indica se le credenziali utilizzate per l'accesso sono valide |
**Variabili opzionali**
Le seguenti variabili sono opzionali per la formazione di un modello Accounts Takeover Insights.
| Categoria | Tipo | Description |
| --- | --- | --- |
| Browser e dispositivo | IMPRONTA DIGITALE | L'identificatore univoco dell'impronta digitale del browser o del dispositivo |
| ID della sessione | SESSION\$1ID | L'identificatore per una sessione di autenticazione |
| Etichetta | EVENT\$1LABEL | Un'etichetta che classifica l'evento come fraudolento o legittimo. Puoi utilizzare qualsiasi etichetta, come «frode», «legittimo», «1" o «0". |
| Time stamp | LABEL\$1TIMESTAMP | Il timestamp dell'ultimo aggiornamento dell'etichetta. Questo è necessario se viene fornito EVENT\$1LABEL. |
**Nota**
È possibile fornire qualsiasi nome di variabile per entrambe le variabili obbligatorie (variabili opzionali). È importante che ogni variabile obbligatoria e facoltativa sia assegnata al tipo di variabile corretto.
Puoi fornire variabili aggiuntive. Tuttavia, Amazon Fraud Detector non includerà queste variabili per la formazione di un modello Accounts Takeover Insights.
## Selezione dei dati
La raccolta di dati è un passaggio importante per creare il modello Account Takeover Insights. Quando inizi a raccogliere i tuoi dati di accesso, prendi in considerazione i seguenti requisiti e consigli:
**Campo obbligatorio**
+ Fornisci almeno 1.500 esempi di account utente, ciascuno con almeno due eventi di accesso associati.
+ Il set di dati deve coprire almeno 30 giorni di eventi di accesso. Successivamente è possibile specificare l'intervallo di tempo specifico degli eventi da utilizzare per addestrare il modello.
**Consigliato**
+ Il set di dati include esempi di eventi di accesso non riusciti. Facoltativamente, puoi etichettare questi accessi non riusciti come «fraudolenti» o «legittimi».
+ Prepara i dati storici con eventi di accesso che durano più di sei mesi e includi 100.000 entità.
Se non disponi di un set di dati che soddisfi già i requisiti minimi, valuta la possibilità di trasmettere i dati degli eventi ad Amazon Fraud Detector chiamando [SendEvent](https://docs.aws.amazon.com/frauddetector/latest/api/API_SendEvent.html)l'operatore dell'API.
## Convalida dei dati
Prima di creare il modello Account Takeover Insights, Amazon Fraud Detector verifica se i metadati e le variabili che hai incluso nel set di dati per l'addestramento del modello soddisfano i requisiti di dimensione e formato. Per ulteriori informazioni, consulta [Convalida del set di dati](create-event-dataset.md#dataset-validation). Verifica anche la presenza di altri requisiti. Se il set di dati non supera la convalida, il modello non viene creato. Affinché il modello venga creato correttamente, assicurati di correggere i dati che non hanno superato la convalida prima di eseguire nuovamente l'addestramento.
**Errori comuni dei set di dati**
Durante la convalida di un set di dati per l'addestramento di un modello Account Takeover Insights, Amazon Fraud Detector analizza questi e altri problemi e genera un errore se riscontra uno o più problemi.
+ Il file CSV non è in formato UTF-8.
+ L'intestazione del file CSV non contiene almeno uno dei seguenti metadati:, o. `EVENT_ID` `ENTITY_ID` `EVENT_TIMESTAMP`
+ L'intestazione del file CSV non contiene almeno una variabile dei seguenti tipi di variabili:, o. `IP_ADDRESS` `USERAGENT` `VALIDCRED`
+ Esiste più di una variabile associata allo stesso tipo di variabile.
+ Oltre lo 0,1% dei valori `EVENT_TIMESTAMP` contiene valori null o valori diversi dai formati di data e ora supportati.
+ Il numero di giorni tra il primo e l'ultimo evento è inferiore a 30 giorni.
+ Più del 10% delle variabili del tipo di `IP_ADDRESS` variabile non sono valide o sono nulle.
+ Oltre il 50% delle variabili del tipo di `USERAGENT` variabile contiene valori null.
+ Tutte le variabili del tipo di `VALIDCRED` variabile sono impostate su. `false`