【网络潜准绳(大器晚成卡塔 尔(阿拉伯语:ق

原标题:生命不息,作弊不止:怎么发现自己的流量被人做了弊?

程序化购买在2016年得到了飞速的发展,尤其是PDB(定价定量购买)私有程序化购买的出现进一步加速了程序化营销的发展步伐。PDB私有程序化购买在消除程序化投放不确定性的同时,广告投放效果能够更好的被透明优化,将程序化交易的优势模式推向了一个新的高度。2016年,很多广告主都开始采用PDB私有程序化营销模式,经过2016年一年的实践,无论是在PDB投放和管理技术、媒体选择、流量退还和程序化投放预估等方面都积累了丰富的实战经验。

《国际广告主协会》联合专注互联网反作弊公司White Ops发布的网络广告欺诈报告显示:2016年由于非人类产生的流量,广告商和企业将损失72亿美元。百度发布的《2015搜索推广作弊市场调研报告》指出:百度推广每天监测并过滤千万量级无效点击,其中5%为人工作弊,49-65%为机器作弊。

简介

全文约3000字,阅读大约需要5分钟。你将看到以下内容:

广告作弊与反作弊

百度SEO反作弊

淘宝电商反作弊

作者:纷析数据

2016年,AdMaster为众多知名品牌提供了PDB营销广告投放技术AdServing(即AdMaster SmartServing:帮助广告主实现透明自主控制的程序化广告投放控制和管理系统),并取得了广泛的客户认可。服务包括快消、汽车、金融、母婴、互联网电商、航空行业等众多知名品牌。

回顾程序化购买的生态链条,每一个参与者既是利益共享者,又是利益竞争者,扑朔迷离之中造就了行业潜规则:部分媒体供应方在驱逐利益的过程中,将作弊作为最大化利益的一种方式,而有时候作弊的也不仅仅是媒体供应方。他们这种投机取巧的做法让身为米饭班主的广告主无处申冤,虽然表面上达到了预期的KPI,但投资回报率却不尽如人意。

互联网作弊是什么?

互联网作弊是一种很普遍的行为,就我们所最熟悉的来说,有电商和O2O的刷单刷信誉行为、广告作弊等,具体分类如下图:

图片 1

来源:网站分析在中国(ID:chinawebanalytics)

经过2016年的成功探索和经验积累,2017年PDB私有程序化营销如何能够更高效的扬帆起航?为此,AdMaster总结了2017年PDB营销必读的5大核心点,带领你轻松玩转PDB营销。

作弊数据除了浪费广告主预算外,还会干扰真实投放数据和后续分析与归因,影响广告主的营销决策和优化。广告主该如何保障自身品牌和利益,最大程度避免流量作弊?“反作弊”应运而生,成为“程序化X”时代的热点和关键。

广告作弊与反作弊

本文为作者授权鸟哥笔记发布,转载请联系作者并注明出处。

2017年PDB营销需要掌握的5大核心点:

从整个广告投放流程来看,作弊节点不外乎存在于曝光、点击和转化(包括但不限于注册、激活、互动、购买等)三个环节:

1.背景:互联网广告成为主流

技术的进步增加了广告投放的效率和效果,也带来了更加凶猛的作弊。

1-提升TA%、频次优化及多方识别率是关键:

曝光环节:针对曝光环节的作弊最简单粗暴,也最高效,常见于用CPM结算的媒体。

2.数字营销(互联网广告)分两类:

●品牌广告:以品牌宣传为主,多以千次曝光的形式计费,广告主追求的是长期的品牌溢价;

●效果广告:多以单次点击或单次行为的形式计费,更关注短期转化和收益

投放方式:CPA、CPC、CPM每千人成本、CPP每购买成本等

这是一个永恒不灭的话题。

在退量的OTVPDB营销模式中,由于优质DMP的接入,对媒体流量进一步通过人群性别、年龄、兴趣等方面进行筛选,将不符合要求的人群退回,通常是进一步优化iGRP&Reach的常规实现方法。利用这种方式确实可以实现良好的优化效果,但也存在着隐患。

点击环节:常见于用CPC结算的媒体。随着广告主越来越看重CTR,一些非CPC结算的媒体,也会为了提升CTR在点击上做手脚。

3.现象:数据作弊

2016年上半年, AdMaster推出的《广告反欺诈白皮书》显示:2016上半年,AdMaster的广告反欺诈监测系统

平均每天识别出高达 28% 的虚假流量。的确,中国的数字营销生态环境也正遭受着虚假流量的侵蚀。

品牌广告的作弊一直以来被人诟病,效果类广告的虚假流量其实也很猖獗。

最大的隐患是PC端Cookie识别率的问题,这也是一个老生常谈的问题。由于各家对于Cookie使用、各自的生成和采集方法不同,因此需要事前持续的Cookie 匹配,才能实现媒体和Server、Server和DMP间ID的互相识别;越多方的参与,会越降低最终媒体到DMP的识别率,这对于TA的优选效率上有很大的影响。

转化环节:广告主为了降低风险,直接跟媒体谈判CPA甚至CPS的结算方式。但是上有政策下有对策,来自流量端的作弊手段的进化速度已经超过了广告主的应变速度。

4.作弊类型

曝光作弊:可能把广告展现在一些完全没有商业价值的垃圾流量上

点击作弊:利用机器、人工或诱导用户点击,例如把广告换成一个美女图片,吸引完全不符合广告意图的点击。另外,竞争对手还可能进行恶意点击。

转化作弊:在注册、激活、下单等不同场景下通过自动化程序的模拟真人行为

线上营销的成本不停升高,再加上流量掺水作假,对广告主而言,不啻为一个黑暗的考验。

举个例子,一个PC端的项目,如果媒体到Server的Cookie识别率约为60%左右,Server到DMP的Cookie识别率也在60%,那相当于其实媒体中可被认识的流量仅36%,这就会造成大部分的流量是随机投放完成的。

图片 2

5.如何鉴别广告作弊

①初级作弊辨别:发现数据异常点。例如:

●异常峰值

●出现峰值时转化数据并没有增长

●出现峰值时到站跳出率增长

●投放的媒体属性和点击的地域属性不符

②中级作弊辨别:真人点击和机器模拟点击。例如

●点击请求的Headers异常

●点击行为分析:机器点击具有一定的连续性,可以通过判断同IP同设备的连续点击、同IP段的大量点击、同IP连续点击间隔时间等进行判断。(作者:岂安科技,出处:艾媒网)

③转化作弊辨别。例如:

行为频率、次数异常

●注册者的URL访问轨迹:机器只访问注册URL频繁注册

●注册者是否查看了页面上的静态资源:机器注册在访问时只关心网页上的文字

●不同账号同密码注册

●注册者从到站到注册间的时间间隔:真人在注册前会有较长时间的浏览过程,而机器行为则直奔主题

(以上整理自

到底作弊有多厉害?

应对策略:

大多数情况下,广告技术需求方平台(DSP)和广告主都把焦点放在了非人类流量上,然而作弊远远不止那些机器人流量。下面简单列举几种常见的作弊方式:

6.如何反作弊?

●目的:无限压缩作弊行为在正常商业行为中的比例,而非绝对根除。

●最好的实现方法在于让作弊成本剧增。

●思路:砌墙(不断的加限制条件);拆台(使作弊行为的获利大幅度减少)

①排重:添加监测链接,通过Cookie、设备号或IP排重,如大量出现218.175.11.x这种相同C段的IP号。

②频度控制、SDK加密防护、人工介入监控

③点击有效期:限制点击的有效期,在有效期内,后续转化归属相应平台,如超时则不予计算。

④异常数据黑名单:对点击记录超过一定范围标记为黑名单,长期过滤。

⑤归因时间差监控:归因时间差即指从点击到下载激活的时间。一般作弊时,伪造点击与激活是并存的,所以往往在时间逻辑上是错误的。

⑥增加行为操作的复杂度,但可能伤害用户

AdMaster刚刚发布了2018年上半年的数字广告无效流量白皮书。数据显示,2018 上半年,上千家广告主企业(行业范围涵盖快消、母婴、汽车、餐饮、金融、互联网等各行各业),无效流量占比为 28.8%,同比 2017 年上半年无效流量的占比 29.6%和 2016 年上半年无效流量的占比 30.4%,虽逐年有小幅下降,但形势依然严峻。

在项目上线前,甚至在决定使用的供应商时,广告主和代理公司也需要关注供应商提供的Cookie识别率指标。Cookie匹配量级对各家媒体、Server、DMP来说,都是一个基本要求。供应商能够合理安排可匹配的流量、优化匹配对象分配,确保项目中媒体到DMP保持较高的 Cookie 识别率。

假用户:一般是利用机器人,不断地变换IP、cookie甚至设备id等来伪装成不同的“用户”去刷广告页面或点击广告。

SEO反作弊——以百度为例

SEO来自于Search Engine Optimization缩写,译为“搜索引擎优化”。

具体来说,就是通过站内优化比如网站结构调整、内容建设、代码优化等,以及站外优化比如网站站外推广、品牌建设等,使网站满足搜索引擎收录排名需求,在搜索引擎中提高关键词排名,从而吸引精准用户进入网站,获得免费流量,产生直接销售或品牌推广。

图片 3

虽然在移动端并不涉及各家识别率的问题,但也同样存在移动设备ID的通用性和稳定性等问题。目前移动端数据的流通性较低,仅少数DMP公司开放移动端的数据,更多的DMP公司基于数据安全问题,基本的解决策略都是由AdServing方提供数据。2017年,AdMaster将会积极投入更多的资源,推动拥有高质量数据源的巨头们,安全、有序地流通移动端数据,更好的激活各家移动端数据,帮助广告主更精准的寻找到品牌的TA。

真用户假流量:这类作弊是机器人作弊的进阶版。它利用了真实的用户设备,使得作弊流量的用户属性特征更接近真实流量。常见手段有:广告容器设置为1x1像素、利用插件植入不可见的广告位置、肉鸡刷广告、雇佣“枪手”刷广告等。

百度怎么反作弊?

①绿萝算法:2013年2月上线的搜索引擎反作弊算法,主要打击超链中介、出卖链接、购买链接等超链作弊行为。通过综合外链内容的相关性、A及B网站页面内容品质、更新频率、违规历史记录、总权重值,从而判断外链的权重传递是否有效。

②石榴算法:针对低质量网站的进一步打击的升级版,将重点整顿含有大量妨碍用户正常浏览的恶劣广告的页面,尤其以弹出大量低质弹窗广告、混淆页面主体内容的垃圾广告页面为代表。

接近三分之一的流量是有问题的流量。

2-媒体流量稳定性是PDB营销各项KPI提升的关键:

用户真流量:这类作弊相较于前两种作弊方式而言逼格更高。表现一就是“挂羊头卖狗肉”,用劣质流量滥竽充数卖高价。表现二是通过http或者DNS进行流量劫持,不完全算是作弊流量,叫它“非法流量”可能更准确。

电商反作弊——以淘宝为例

淘宝搜索反作弊系统不仅监控卖家行为,同时也监控买家行为,并且通过对买家ID的行为监控可倒推反证卖家作弊。而且,该算法还可以作为推荐算法使用。

反作弊手段大致划分为以下3种:信任传播模型、不信任传播模型和异常发现模型

(以下来源于淘宝搜索技术内参,由薄言整理

①信任传播模型:在海量的宝贝网页数据中,通过一定手段,筛选出绝不会作弊的店铺、宝贝和ID(即白名单)。算法以这些白名单内的页面作为出发点,赋予白名单内的页面节点较高的信任度分值,其他宝贝、买家、卖家是否作弊,要根据其和白名单内节点店铺或宝贝的成交关系来确定。白名单内节点通过成交关系将信任度分值向外扩散传播,如果某个节点最后得到的信任度分值低于这一阀值,那么该宝贝网页、买家或卖家则会被认为是有作弊嫌疑。

②不信任传播模型:从大的技术框架上来讲,其和信任传播模型是相似的,最大的区别在于初始的页面子集合不是值得信任的店铺或宝贝页面节点,而是确认存在作弊行为的页面或ID集合(即黑名单)赋予黑名单内页面节点不信任分值,通过成交关系将这种不信任关系传播出去,如果最后页面节点的不信任分值大于设定的阀值,则会被认为是作弊网页或有作弊嫌疑。

③异常发现模型:先找到一些作弊或非作弊的集合,分析出其绝对特征有哪些,然后利用这些特征来识别作弊行为。具体来说,一种是直接从作弊行为包含的独特特征来构建算法;另一种是通过统计等手段分析正常的店铺、宝贝和ID应该具备哪些特征,如果不具备则被认为是作弊。

这几种都是通过分析行为之间、物品之间的相似度或区别度,故也可以用来用于用户的个性化推荐,比如我们常见的“猜你喜欢”、“向你推荐”等。这是我了解的最有趣的一点。

全文完。【互联网潜规则(二)】敏感词屏蔽,链接是

而流量的来源上,垂直门户一直都是重灾区。再加上今天的网民行为的迁移,垂直门户的日子只会越来越难过。

PDB营销是一种通过程序化的形式实现更精准的投放控制、目标人群定向等媒介优化的购买方式,主要通过技术手段优化并提升如CTR,TA%等多项KPI,但除了技术驱动外,确保这些KPI指标能够提升的基础是媒体推送流量的质量和稳定性、优先级上需要至少需保持和常规购买一致。PDB项目最终效果中媒体的推送量质量是较为关键的影响因素。

图片 4

图片 5

通常,媒体端流量质量和稳定性的评估可以从两个方面考量:

有些媒体的作弊手段千变万化,DSP和广告主都得打起十二分精神,才能识破这些作弊伎俩。下面从三个角度分享反作弊的基础理论和方法:

媒体行业细分来看,还是品牌类广告行业的无效流量占比多。而且,女性相关媒体的流量情况触目惊心,接近50%!汽车行业媒体的流量作弊有所抬头。

a)推送量中不稳定流量占比

用户标识

图片 6

行业会把无法再现的流量、某些有异常行为的流量(如曝光前点击、瞬时多次行为等)称为不稳定的流量。当某些项目中如果不稳定流量过高时,首先DMP无法识别这些流量,无从判定性别年龄,这就影响了对于推送量的筛选。同时,不稳定的流量的Stable%也会低于常规,这对于最终计算iGRP&Reach也同样存在着影响。

一般是根据IP、cookie(或设备ID)作为分辨用户的依据,统计某些用户是否存在高频次或高频率曝光或点击。

与常识不同,AdMaster给出的移动端的作弊少于PC端。但并不奇怪,因为AdMaster监测数据主要覆盖的是品牌广告主,尤其是视频贴片+信息流+开屏等广告。如果包含了其他的移动端ADX以及效果类的广告,从我们投放的经验上看,移动端的作弊,尤其是安卓系统的作弊,比PC端严重太多。

b)PDB优先级与常规是否一致

有些媒体会通过机器人来变换IP,干扰视线,这种情况下就必须综合考虑浏览器、操作系统、分辨率、页面窗口大小、设备品牌等标识来识别作弊流量。比如:

图片 7

通常PDB项目的效果优化都是基于同期或者之前一波常规项目表现上的提升,这要求了PDB项目的流量分布上应与常规项目差异不大。当某波项目,如果存在频次分布、性别年龄分布较大的差异,比如一波控5的项目,在超频还是低频的占比都是常规项目的表现好于PDB的推送,那可能最终由PDB优化后的项目结果仍低于常规项目。

当IP或者cookie都不一样,但是这群IP或者cookie的浏览器型号、分辨率、用户窗口大小、操作系统版本号、设备品牌都相同时,就需要引起特别注意。

发现效果类作弊

应对策略:

用户行为|广告浏览/点击

发现效果类作弊只要牢记几点,其实并不困难。

A.通过技术手段规避不稳定流量:在Server选择退量时,就考虑关于流量稳定性指标,最大化避免不稳定流量;

对用户的广告浏览和点击频次和频率进行分析。常见的典型作弊行为模式包括:

1. 对流量的细分标记一定要做好。

B.Server方能够按照实时曝光的情况,更好的控制对于推送量的选择,优化退量逻辑;

同一用户、同一时间在多个广告位产生了浏览或点击行为,或短时间内在同一广告位产生多次曝光或点击;

你不做细分流量,怎么发现什么流量有问题呢?

C.设定媒体关于推送量质量和稳定性的KPI。

同一用户的广告浏览或点击时间间隔过于规律;

细分流量一般有两种方法,最常用的是link tag的方法(见我这篇文章:用Google Analytics的Link Tag深入了解流量来源的质量,拷贝这个URL在浏览器中阅读:

3-避免溢价过高,导致效果优化无法满足溢价,影响ROI的提升

曝光数和点击数在某个时间点暴涨;

另外一种方法,是直接给每个不同的流量不同的落地页,不想做不同页面的话,同一个页面不同URL即可。同样可以区分出不同的流量。这种方法用得少,但是在不能给流量做link tag的时候,这个方法很解决问题。

这其实与流量质量控制有一定的共同点。因为媒介库存的不足,由于要求多推送量产生的对库存的挑战,也嫁接到了媒介价格层面;当媒体溢价已经超过了预估的可优化空间时,ROI也变为负值,这个状态下做PDB的意义是什么?如何避免溢价过高?或者直接不接受溢价过高的媒体?

用户未浏览广告就直接产生了点击行为,通常表现为出现大量无曝光的点击;

2. 查看各个细分流量的用户行为。

应对策略:

用户浏览广告的面积和时长数据异常,一般用广告可见度(viewability)来衡量和分析;

这些行为已经不能只是透过简单的跳出率来查看了。原因看我这篇文章:时光流逝,互联网运营的经典指标还剩下几个?。

目前,各家媒体正在积极的探索关于库存上的优化,解决媒介库存压力,比如高差异品牌间推送量共享,PD模式的推广、信息流等新兴资源的价值认证等,为更好的程序化购买创造空间。

用户点击广告的位置过于规律或过于集中,一般用广告位热图来观察分析;

我们需要看更加具体的用户的行为,诸如点击的分布,设备的分布,地域的分布,时间的分布,互动时间与参与状况等。显然,大部分效果类的作弊,都很难真正的模拟人的行为,所以,发现作弊其实真正无敌的方法,就是看这些流量的行为是不是“真人”。没错,利用一定的方法,你肯定能分辨出来。具体看我这篇文章:信息流投放没效果?可能不是你自己的问题!,在这篇文章中,你会看到出现严重问题的流量是怎么被发现与证实的。

4-科学的PDB效果预估,高效提升iGRP&Reach:

用户行为的各环节(浏览广告->点击广告->转化)遵循严谨的时间先后顺序,如果点击广告的时间早于浏览广告的时间,或浏览和点击行为之间的时间间隔异常,一般可以判断为作弊。

3. 查看流量的行为演进过程。

目前大多数的PDB营销项目的预估都是媒介策划基于经验和常规预估制定的,没有考虑到媒体流量的实际分布,TA、控频等都分别需要一定的优化空间、DMP识别率及DMP准确率等数据,这些维度都会影响最终iGRP&Reach的实现情况。如何更科学更系统化的完善PDB的预估,甚至能结合常规购买做联合预估等,也需要更多的力量去探讨和实现。

用户行为|到站情况

作弊流量和低质量流量的共同特征,就是它们不会往交易的更深处“演进”。对于转化需要多个步骤完成的业态,这个方法尤为有用。这些流量集中在落地页,但是停留在这里,不再继续发展。这些流量背后一般不是机器,但垃圾无效流量较多。

如何实现科学的预估?利用能够将媒体流量的实际分布,TA、控频、以及DMP数据情况涵盖在媒介规划系统内,更好的了解PDB能够带来的提升,已最终决策溢价和ROI的平衡。

综合考量用户留存、停留时间,访问深度等指标,用于分析转化用户的质量。

行为演进的细分与分析,还能够帮助我们发现一些客户端的劫持。典型特征是,当流量演进到购物车或者支付环节的时候,就不再继续进行下去了。而另外一些流量则莫名其妙的以购物车或者支付环节为落地页。

图片 8

同时,还得关注用户的站内交互情况(点击、滚动、输入等操作)。和广告点击作弊一样,为了制造用户活跃的假象,作弊的媒体供应方可能会利用机器产生大量页面点击,同样地,我们可以利用点击的区域、次数、频率、页面窗口大小等指标去伪存真

不过,有一类效果作弊基本上没有办法能够被找出来,即互联网基础通信服务端发起的劫持。唉,当一个流量一出现的时候,就已经被人从头到尾改换了门庭,而且还是从互联网基础设施的角度改换的。那就真心没办法能查能堵了。正因为如此,这一类作弊,是目前效果类作弊的最严重的,屡禁不止呀(关键也没有任何强力机构会禁止这种抢钱行为)。虽然说你不能真正发现这类作弊,但还是可以“能感觉到”。比如,当你真的停掉那些ROI很差或者“毫无作为”的流量了以后,那些看起来本来很好的流量渠道也应声下降。

5-投放前期,多方沟通很重要

广告来源

发现品牌类作弊

PDB营销中不仅涉及到常规的排期,还存在下单流程的区别,对于推送比、溢价等谈判因素的沟通。同时,常规购买中媒体的控频、TA优化等因素在PDB营销中也存在,而这部分的KPI是针对于推送量还是曝光结果,目前市场中还没有明确的定义,所以前期代理公司和PDB营销涉及到的多方沟通非常重要。

对到站流量进行来源页面(一般叫refer)的侦查。将refer数据与投放媒体进行匹配,如果出现以下情况,则可以判定为作弊流量:

品牌类的作弊,按照AdMaster上面的数据,大约三分之一的流量有问题。

例如,无论在常规还是PDB投放中,项目策略中可能都会涉及到对媒体控频的要求。常规很好理解,直接通过最后的曝光监测数据中单媒体频次数据,来确定媒体是否做好了控频;而在PDB营销中,如果还是通过单媒体曝光的频次数据,其实是并不能直接判断媒体的控频。因为在PDB项目中,这并不是媒体的执行效果,而是由Server的进一步优化完成的。同时,如果KPI制定为曝光频次,当推送量中的媒体超频流量已经占了一部分比例,这时就会减少在推送量中Server原本对于跨媒体控频、TA的优化空间。因此,在PDB中,对媒体的控频要求更好的是需要针对推送量而非曝光。

出现大量无refer的广告流量:一般是通过非法手段直接刷广告点击代码,而不是通过媒体页面上的广告点击跳转。

品牌类的作弊的发现,较效果类要困难。直接原因,品牌类广告的目标是影响消费者的心智,而不是直接作用于消费者的行为。

2017年将会是程序化购买更趋向于成熟的一年。程序化交易模式日益得到广告主的认可,同时更多的程序化购买模式也会愈发丰富。购买方式方面,除了PDB外,PD、PMP等模式的扩展;广告形式方面,除视频外,更多的原生信息流、OTT等广告形式的增加;以及DMP方面,更多基于品牌第一方数据的定制化人群标签和受众模型的应用,都会是2017年程序化购买的重要推进和创新源泉。同时,随着更多的优质资源方、数据方的加入,如跨屏识别、品牌安全等也会开始更多的应用在PDB、PD等程序化购买上。AdMaster经过2016年一年的实践与经验,将进一步优化技术实力、跨屏打通能力和投放优化能力,更好的服务于飞速发展的程序化广告。

refer与所投放的媒体不对应,例如要求投向A网站,refer却出现大量B网站。

可是,直到今天,也没有什么特别有效且高效的方法去衡量消费者的心智变化。因此,品牌类广告的投放,在作弊方面天然“有优势”。

反击作弊

发现品牌类投放的作弊流量,主要有如下方法:

即使作弊手法花样繁多,但邪不压正,最终难以与反作弊技术抗衡。作弊有规律可循,反作弊技术就是通过发现作弊规律,反向打击异常流量

1. 查看Click和Impression的频次。

DSP(Demand Side Platform) 作为需求方平台,站在广告主的需求和利益角度考虑,从技术、数据、算法和团队四个方位出发,通过实时监测,为广告主过滤作弊流量。广告主在选择DSP的时候,应从这四个方位出发进行权衡,才能选择最佳DSP为自己实现可观的投资回报。

Click的点击频次应不高于1.1,而1.2以上基本上存在很大问题了。Impression的频次作为指针相对比较弱,但如果发现有局部IP普遍频次超过10,那么虚假的可能性也很大。

具备领先的广告技术和丰富的服务经验,具备高能和实时反作弊引擎的DSP平台,才能为广告主的预算提供可信赖的保障。

2. 与效果类类似,如果流量有落地(网站、app、小程序之类),那么查看流量的行为。

DSP的反作弊体系应包括实时防作弊系统(实时过滤作弊和无效流量)、全天防作弊系统(基于全天数据进行更复杂和全面的判断)、人工排查机制(拥有丰富反作弊经验的专业工程技术团队,及时发现并分析新的作弊模式,更新反作弊算法和模型)。同时,DSP自有的基于巨大投放量所积累的第二方DMP数据,也能让反作弊的判断和分析更加精准。目前,舜飞科技也正在与秒针等第三方监测机构进行紧密合作,从各个环节击破作弊行为

这一块,我经历了有很多有意思的故事。比如,早些年,某些垂直媒体贡献的流量极为巨大,但是跳出率极高。若干年后,有一些不明渠道的“运营商弹窗”流量,也是每天海量流量,但是却几乎没有任何在页面上的行为。

总结

还有很多app的下载推广,app确实也下载了,可是从来没有见过激活。或者激活了,从来没有见过使用。这些都是典型的机器流量。

在“程序化X”时代,广告技术公司和广告主需要事前预防、事后追溯、人工排查、智能算法等武器多管齐下才足以抗衡作弊。当然,整个行业的净化不能仅靠需求方,还需要各环节的参与者共同努力,才能打造一个更加透明、健康、和谐的程序化生态环境。

3. 利用第三方黑名单。

图片 9

比如,AdMaster有这样的黑名单,在对广告进行监播的同时,会查看浏览广告或者点击广告的IP、device ID、cookie等。这种方式目前也是主流的发现品牌端作弊的方式。

作者:梁丽丽

至于怎么知道这些IP、device ID或者cookie后面的流量是作弊的,主要的原因在于,这些监测第三方收集的数据比广告主要多很多,因此,更容易察觉出异常的行为。

2011年5月至今就职于舜飞科技,任产品总监。传说中广告技术界才貌双全的产品经理。

图片 10

图:上图是AdMaster的一个案例,关于作弊流量的cookie与IMEI号的特征

4. 借助具有公信力的第二方DMP。

如果能够拿到广告投放之后的覆盖人群的device ID或者其他ID,那么你也可以将这些数据上传给阿里品牌数据银行或者腾讯DMP之类的第二方DMP(请注意,很多人认为他们是第三方DMP,但实际上中国基本上没有严格定义上的第三方DMP,如果大家感兴趣这个话题,欢迎到我这个课程上聊:宋星深度公开课:数据和大数据驱动的智能营销与运营(8月19日北京))。之后,你能看到这些人群的ID与第二方DMP的ID匹配率往往很低,而且就算有匹配,人群的数据也完全驴头不对马嘴。

5. 爬虫。

这个方法主要用来检查那些定向投放的视频广告是否“作弊”。简单讲,视频广告尽管一般不会提供固定的广告位保证,比如我要投放某个节目前面的前贴片,这种媒体是不会承诺的,但是媒体还是会承诺节目类型,比如投放在美剧,或者投放在社会新闻之类。不过,媒体不会提供具体的投放位置的URL。解决这个问题的方法很简单,第三方追踪广告投放环境(页面)的URL,并且分析这个URL页面具体的内容是否与承诺的节目类型的内容符合。

图片 11

上图:通过爬虫爬取投放广告的页面的内容,与实际承诺的投放定向内容相比较(来自AdMaster的案例)

这种方法其实对于程序化广告的投放基本上都是比较适用的,本质上程序化投放的品牌安全性也是来自于这种方法。

6. 移动端:利用其他硬件识别信息。

这个方法也需要第三方帮助,但是道理很简单:作弊设备不会随着人到处跑,因此它们的硬件识别信息,尤其是网络环境相关信息、LBS相关信息等,基本上处于永远不变化的状态。这样能够帮助发现可疑设备。

7. 反模拟器与反肉鸡流量。

另外一些作弊用的模拟器或者肉鸡之类。模拟器和肉鸡仍然是机器,因此,它们的行为与人的行为实在有太大的差别。但由于品牌广告的投放,有时候并不看受众的行为——只是为了获取曝光,那么这种情况下,仍然需要依赖于第三方帮助识别。第三方识别这些肉鸡的方法有几种,包括利用特征库做相似性学习(有点类似于机器学习,用现有的肉鸡库或者模拟器库里面的机器行为比对被测流量的行为),做这些流量的行为特征分析(第三方能够有一定的跨域追踪这些流量的能力)等。

总体看,随着流量进入下半场,流量的价格变得更贵,作弊的情况只会变得更加复杂,而不会更加简单。流量作弊识别已经不再是仅仅查看流量访问行为本身,而不得不通过技术把它们作为一个具有更长线行为的“人”来看待,方能知道它们原本“不是人”。返回搜狐,查看更多

责任编辑:

本文由betway必威登录平台发布于互联网教育,转载请注明出处:【网络潜准绳(大器晚成卡塔 尔(阿拉伯语:ق

Ctrl+D 将本页面保存为书签,全面了解最新资讯,方便快捷。