4 Min. Read

Conservez une longueur d’avance dans la lutte contre les fraudes des publicités sur mobile

Avatar Arnon Rotem-Gal-Oz Jul 25, 2016

La fraude publicitaire est un peu comme le jeu du chat et de souris – sur les ordinateurs et maintenant sur les appareils mobiles. Dès que les fraudeurs s’en sont pris aux budgets publicitaires substantiels qui affluent sur l’univers mobile, des mesures pour les contrecarrer ont été mises en place. Puis les fraudes de pub-mobile ont évolué, engendrant d’autres contre-attaques, et ainsi de suite.

Simulation d’impressions et de clics

Au début, les modèles de tarification CPM et CPC rendaient les choses faciles. Il suffisait aux fraudeurs de simuler une impression ou un clic pour accéder à l’argent. Dans l’économie des apps, le modèle de l’IPC est le plus courant. La possibilité de se procurer rapidement une source importante d’argent attirait l’attention d’individus mal intentionnés mettant en œuvre plusieurs tactiques pour simuler une installation.

Fraude in-App

Au cours de l’année passée, le modèle CPA a commencé à prendre de l’ampleur car l’économie des app est devenue extrêmement concurrentielle, conduisant à de forts taux de résiliation. Ainsi, un fidèle utilisateur (nouvel utilisateur) est devenu  l’ICP (Indicateur Clé de Performance) le plus important à suivre, au détriment de l’installation. Le modèle de tarification CPA fut donc une suite naturelle. Bien que plus difficile à perpétrer (usurpation d’un clic, installation et activité in-app), la fraude aux applications est un réel problème car les gains élevés offrent une motivation supplémentaire aux fraudeurs de trouver des méthodes pour relever le défi technique.

Comment combattre la fraude sur App

La chose importante à prendre en compte est qu’il est tout à fait possible de minimiser son exposition. Un moyen efficace de lutter contre la fraude implique une approche à deux volets : la prévention et la détection après coup. Que ce soit avant ou après,  réduire son exposition à la fraude est centrée sur les données et la transparence des données, la forme la plus importante étant  l’accès aux données brutes. Avec toutes ces données, les d’algorithmes de machine learning et les humains peuvent détecter les anomalies de données sous différentes formes.

Prévention de la fraude sur app

Par exemple la fraude relative à l’IP (ex : un grand nombre de clics/installations/identificateurs uniques à la même adresse IP, ou plusieurs localisations IP entre le clic sur la publicité et son installation/premier lancement), configuration associée (ex : clics/installations toutes les 20 secondes, ou les joueurs /utilisateurs à partir d’une source spécifique sont toujours présents au même point dans un jeu/sur une app) , dispositif lié à l’ID (ex : des identifiants différents pour le même périphérique, ou à la performance (ex : forte augmentation dans le volume des installations, puis une baisse marquée dans la rétention au jour 1).

La prévention est plus difficile, car elle doit s’effectuer en temps réel et permet d’empêcher d’attribuer une installation à une source frauduleuse. Une façon de surmonter le défi posé par le temps réel implique l’utilisation de ce qui est connu comme l’apprentissage en profondeur (réseaux neuronaux). Ces systèmes offrent une nouvelle classe d’algorithmes automatiques de machine learning, très avancés, qui s’intéressent aux représentations hiérarchiques des données saisies.

En termes simples, l’apprentissage en profondeur repose sur la construction  d’un vaste ensemble de fonctions simples, interagissant ensemble, pour se rapprocher d’une solution à un problème. La plupart des progrès dans ce domaine tourne autour du traitement des images (ex : Microsoft Fetch qui peut identifier les races de chiens, Google deep dream, etc.), mais ils peuvent aussi trouver des applications dans de nombreux domaines – incluant la fraude. Les modèles sont formés sur des données hors ligne, puis une notation basée sur un modèle pré-calculé est appliquée en temps réel pour favoriser la prévention de la fraude. De toute évidence, l’échelle des données sur laquelle les moteurs s’appuient pour développer un modèle est un facteur important de son efficacité.

La prévention de la fraude est la responsabilité de chaque acteur de l’écosystème mobile. Les annonceurs doivent fonctionner avec des réseaux publicitaires reconnus, exiger leur transparence, améliorer leur BI avec des spécialistes anti-fraude, et travailler avec des partenaires d’analyses qui peuvent offrir des options anti-fraude performantes.

Le futur de la lutte anti-fraude sur mobile

Les réseaux ont aussi intérêt à être transparents ou tout au moins informés des fraudes. Ceci les aidera à obtenir davantage de budgets tout en étant en mesure d’identifier cette source frauduleuse unique, et de déplacer les fonds vers d’autres sources légitimes. Finalement, les annonceurs ne doivent payer que pour les publicités qui ont fournit une valeur réelle et mesurable. Voilà l’objectif.

Tout le monde y gagnera lorsque cet objectif sera atteint. La fraude fait partie de la vie numérique. Cependant en mettant en place des mesures et en assurant une collaboration à l’échelle de l’industrie, nous pourrons garantir que dans ce jeu du chat et de la souris, Jerry aura toujours une longueur d’avance sur Tom. J’aimerais remercier tous ceux qui ont pris part à notre série blog “Parlons des fraudes”: Pepe Agell de Chartboost, qui représentait le point de vue du réseau; Patrick Witham de Product Madness, pour le point de vue (PDV) de l’annonceur; et Johnny Thwaites de Forensiq, pour l’opinion du spécialiste de la fraude.