1 Min. Read

在移动广告欺诈的战局中保持领先

Avatar Arnon Rotem-Gal-Oz Apr 27, 2016

广告欺诈犹如猫捉老鼠的游戏,之前发生于台式机上,而现在也蔓延至移动设备领域。当欺诈者觊觎投入移动领域的巨额广告预算时,对抗欺诈的措施也自然应运而生。随着对欺诈本身的反击以及类似对抗措施的出现,欺诈行为也不断得到演变。

最初在使用 CPM 和 CPC 定价模型时,欺诈方式很简单。试图牟利的欺诈者仅需要伪造展现或点击。在应用经济中,CPI 模型最为常见。最明显的快速获利来源引起了不法分子的注意,他们策划出了多种手段来模仿安装。

过去一年中,由于应用经济竞争日趋白热化,导致客户流失率很高,因此 CPA 获得长足发展。正因如此,倍受关注的重要 KPI 是忠诚用户而不是安装(新用户)。因此CPA 定价模型自然成为潮流。尽管实施欺诈(模仿点击、安装和应用内活动)的难度增加,但应用内欺诈仍是实际存在的难题,因其高额的回报足以令欺诈者有更大的动力来寻求应对技术挑战的方法。

广告商必须意识到,最大限度地降低风险是绝对可以做到的。打击欺诈的有效途径是采取双管齐下的方法:事前防范和事后检测。无论事前还是事后,降低欺诈风险的核心都在于数据和数据透明度,透明度最高的形式是有权访问原始数据。利用所有数据,机器学习算法和人类可以检测出不同形式和形态的数据异常。

例如,IP 相关欺诈(例如大量的点击/安装/唯一标识符都来自相同的 IP,或者广告点击和安装/首次启动的 IP 地址各不相同)、模式相关欺诈(例如每 20 秒点击/安装一次,或某一特定来源的玩家/用户总会在游戏/应用中完全相同的点离开)、设备 ID 相关欺诈(例如同一设备具有不同的标识符)或者绩效相关欺诈(例如安装量激增,而第 1 天的留存率锐减)。

防范于未然更具挑战性,因为需要实时关注并防止将安装归功于欺诈来源。有一种方法可以克服这一实时挑战,即使用所谓的深度学习(神经网络nurel networks)。这些系统提供一类较新的高精度机器学习算法,对输入数据进行分层展示。

简而言之,深度学习旨在构建大量共同交互的简易功能,从而粗略估计问题的解决方案。该领域的很多先进技术都是以图像处理为核心(例如可以识别犬种的 Microsoft FetchGoogle deep dream等),但是可以将其应用到包括欺诈防范在内的相当广泛的领域。针对线下数据训练模型,然后将预计算模型的评分实时应用于欺诈防范。显然,这个计算模型的数据规模是影响其效力的主要因素。

防范移动生态系统的欺诈行为,人人有责。广告商应选择与信誉良好的广告平台合作,要求这些平台高度透明,与反欺诈专家联手增强其 BI 系统,同时与提供强大反欺诈功能的监测追踪合作伙伴紧密合作。

数据透明同样也和广告平台的利益息息相关, 广告平台最起码也应该对欺诈有所察觉。如果广告商能准确锁定每个欺诈来源并将预算转投至其他所有合法来源,可以为优秀的广告平台获取更多预算。最终,广告商只需为提供真实且可衡量价值的广告付费。这就是最终目标。当此目标实现时,人人都将受益。

在数字化生活中,不可避免地会出现欺诈行为。但是通过实施正确的举措并开展全行业的广泛合作,我们可以保证在这场猫捉老鼠的游戏中,Jerry 总会领先 Tom 一步。

在此,我要感谢参与我们“移动假量会话间”系列文章的每一个人:Chartboost 的 Pepe Agell,介绍了广告平台的观点;来自 Product Madness 的 Patrick Witham,提供了广告商的观点;以及 Forensiq 的 Johnny Thwaites,从“打假”专家的视角进行的分析。