A Verdade Inconveniente sobre a Reconciliação de Anúncios - AppsFlyer (Portuguese)
3 Min. Read

A Verdade Inconveniente sobre a Reconciliação de Anúncios

Michel Hotoveli Michel Hotoveli Jul 21, 2019

Entretanto, a percepção sobre o real impacto da fraude na indústria pinta um retrato ligeiramente diferente do que acontece na realidade.

Estudos de caso, pesquisa e relatórios nos fazem acreditar que a fraude é, ou deveria ser, bloqueada antes mesmo de chegar perto de seu orçamento de publicidade, e que é sempre gerenciada em tempo real, que a atividade fraudulenta é detectada assim que ocorre e é filtrada por ferramentas anti-fraude avançadas desenvolvidas para proteger os anunciantes de golpes.

Ainda que isso seja verdade para a maior parte do tráfego identificado e bloqueado, temos uma notícia delicada (e desagradável) para dar: alguns tipos de fraude conseguem ir até o fim. Por mais desagradável que seja admitir isso, simplesmente não podemos ignorar este fato. Algoritmos de machine learning dão aos marketers a capacidade de aplicar padrões de fraude conhecidos para detectar e bloquear atividades fraudulentas em tempo real, mas o fator humano está constantemente testando as limitações das máquinas com o objetivo de ganhar alguma vantagem. Isso significa que algumas tentativas de atividade mal-intencionada serão bem-sucedidas.

Os marketers investem um tempo precioso utilizando diferentes tecnologias para diminuir a distância entre a expectativa e a realidade. Os provedores de atribuição bloqueiam ataques de fraude à medida que ocorrem, sincronizando com parceiros por meio de postbacks para evitar que o pagamento seja transmitido para essa atividade. Outras ferramentas de análise são aplicadas para uma investigação mais aprofundada dos dados, com o objetivo de garantir que nada passe despercebido, identificando trapaças anteriores e, depois, um rigoroso processo de reconciliação.

As soluções de prevenção de fraude de fato podem bloquear padrões conhecidos, no entanto, os algoritmos de machine learning precisam de tempo para aprender os padrões desconhecidos. Esses padrões evoluem constantemente e são continuamente introduzidos na atividade em andamento à medida que se materializam. As tendências de fraude são essencialmente feitas a partir de pontos de dados dispersos com características semelhantes que primeiro precisamos agregar para depois identificar. Os primeiros casos inicialmente poderiam ser descartados como incidentes únicos e não relacionados, para depois serem atribuídos a alguma tendência em algum momento, uma vez determinadas e rotuladas como fraudulentas – exigindo, portanto, uma retrospectiva.

O nome disso é evolução

Nos últimos anos, a publicidade online como um todo e a publicidade in-app em particular passaram por um processo de evolução, amadurecendo com o mercado e com as forças que operam dentro dele. Um aumento distinto na medição de eventos pós-instalação e no marketing focado em LTV estão definindo a tendência para um mercado mais focado no usuário de qualidade. Os anunciantes estão se afastando dos modelos estritamente baseados em CPI e estão recompensando os editores por usuários mais engajados e de alta qualidade ao introduzir mais metas baseadas em CPA, com a percepção de que nem todas as instalações são iguais e de que alguns usuários são mais valiosos do que outros.

O bloqueio em tempo real ainda é, e sempre será, uma parte crucial da detecção de fraude; porém, esta é só uma das camadas de proteção. A lógica apresentada acima simplesmente significa que nossa análise de comportamento deve continuar evoluindo, inspecionando dados mesmo depois que a instalação ocorre. Nossos modelos de marketing não param por aí, e os fraudadores também não.

A noção de que os fraudadores estão realmente aderindo a métodos conhecidos por serem identificados em tempo real é um pouco ingênua. Fraudadores são altamente motivados, inovadores e se adaptam facilmente a qualquer mudança que o mercado introduz, e alguns são capazes de reagir a novos obstáculos em uma questão de 2 a 3 dias. Isso significa que os fraudadores já estão em outro patamar e modificaram suas várias ferramentas para imitar um fluxo de usuário ativo tão bem a ponto de passarem despercebidos pelos eventos de pós-atribuição mais profundos, chegando a atingir até mesmo as compras reais.

Encarar os fatos seria a abordagem mais construtiva neste momento, entendendo a exigência crescente de uma solução abrangente que reúna a análise e a atribuição contínuas de fraudes de modo que não tome nada como garantido e enfrente as duras realidades de frente.