19 Min. Read

Une vérité qui fâche à propos de l’évolution publicitaire

Michel Hotoveli Michel Hotoveli Jul 21, 2019

Mobile advertising is here to stay. Having grown by 30% year-over-year in 2018 to $184 billion, further growth is still to come with more and more advertisers shifting budgets towards mobile. Alongside this massive growth we’ll note an undeniable presence and industry concern over fraud. In many ways, fraud has been present in the advertising landscape since its early days and has been somewhat responsible for several developments and changes introduced into our industry over the years. 

Cependant, la perception de l’impact effectif de la fraude sur l’industrie, dresse un tableau légèrement différent de la réalité.

Les études de cas, les recherches et les rapports laissent à penser que la fraude est, ou peut être, bloquée avant même qu’elle n’impacte votre budget marketing, et qu’elle est toujours gérée en temps réel, que l’activité frauduleuse est détectée dès qu’elle a lieu, qu’elle est repérée grâce aux outils antifraude avancés qui sont conçus pour protéger les annonceurs contre l’escroquerie.

Bien que ceci soit une réalité pour la majorité du trafic identifié et bloqué, il est une réalité taboue : certaines fraudes passent à travers les mailles du filet. Aussi difficile que cela puisse être de l’admettre, nous ne pouvons certainement pas l’ignorer. Les algorithmes de machine learning donnent aux marketeurs la possibilité d’appliquer les modèles de comportement frauduleux connus de manière à détecter puis bloquer les activités frauduleuses en temps réel, mais le facteur humain teste en permanence les limites des machines dans le but de prendre l’avantage. Cela signifie que certaines tentatives d’activité néfastes finissent par réussir.

Les marketeurs perdent un temps précieux à utiliser différentes technologies de manière à combler l’écart entre leurs attentes et la réalité. Les fournisseurs d’attribution bloquent les attaques de fraude au fur et à mesure qu’elles se produisent, en se synchronisant avec les partenaires via postbacks pour empêcher que le paiement ne soit compté pour cette activité. D’autres outils d’analyse sont utilisés dans une étude plus poussée des données, pour s’assurer que rien ne passe inaperçu, en identifiant les arnaques après coup et en suivant un processus strict de comparaison.

Les solutions de prévention de la fraude peuvent en effet bloquer les modèles connus, mais les algorithmes de machine learning ont besoin de temps pour apprendre les modèles inconnus. Ces modèles évoluent constamment, ils sont sans cesse introduits dans l’activité au fur et à mesure qu’ils se créent. Les tendances en matière de fraude sont essentiellement faites de points de données dispersés qui présentent les même caractéristiques, que nous devons d’abord regrouper afin de pouvoir les identifier. Les premiers cas peuvent d’abord être rapportés comme des incidents isolés, sans rapport avec le reste, pour ensuite être rattachés à une tendance qui voit le jour, mais cela n’arrive qu’une fois qu’ils ont été marqués comme frauduleux, ce qui nécessite forcément une analyse après coup.

Subscribe to AppsFlyer content

The latest mobile marketing tips & trends delivered to your inbox.

C’est ça l’évolution

Au cours des dernières années, la publicité en ligne en général et la publicité in-app en particulier, ont connu une grande évolution en se transformant avec le marché et les forces qui s’y opèrent. Une nette augmentation de la mesure des événements post-installation et du marketing axé sur les LTV donnent la tendance à un marché qui soit plus axé sur la qualité des utilisateurs. En réalisant que toutes les installations ne sont pas égales et que certains utilisateurs ont plus de valeur que d’autres, les annonceurs s’éloignent des modèles strictement basés sur le CPI et récompensent les éditeurs qui ont des utilisateurs plus engagés et de haute qualité en introduisant plus d’objectifs basés sur le CPA.

Le blocage en temps réel est, et sera toujours, un élément crucial dans la détection des fraudes, mais ce n’est qu’une simple couche de protection. La logique démontrée, ci-dessus, signifie simplement que notre analyse comportementale doit continuer à évoluer, en inspectant les données même après qu’une installation ait eu lieu. Nos modèles de marketing ne s’arrêtent pas là, et les fraudeurs sans doute eux non plus.

Penser que les fraudeurs s’en tiennent à des méthodes qui sont connues pour être identifiées en temps réel est quelque peu naïf. Les fraudeurs sont très motivés, novateurs et s’adaptent aux changements du marché, certains sont même capables de réagiren 2 ou 3 jours face aux nouveaux systèmes de défense. Cela signifie donc que les fraudeurs sont passés au stade supérieur et ont modifié leurs outils en imitant si bien le flux d’utilisateurs actifs qu’ils réussissent à passer par le plus profond des événements post-attribution sans être détectés, et parviennent même à atteindre des achats réels.

Moving out of our comfort zone is key in order to identify suspicious behavior trends that can only be flushed out post-install. Recognizing fraud that has managed to bypass all the known blocks put ahead of it, masquerading as a legitimate install. The current status-quo of keeping a blind eye from anything not identified and blocked in real-time is simply not aligned with the fact that some fraud does indeed go under the radar at first view. It is estimated that 1 in 4 app installs are fraudulent, this activity can and should be reconciled, how much of it is up to marketers keeping up and evolving their methods. 

Regarder les choses en face serait plus constructif à ce stade, ainsi que comprendre l’exigence croissante d’une solution globale qui compilerait une analyse continue de la fraude et une attribution qui ne se repose pas sur ses lauriers et accepte de se confronter à la réalité. 

 

Learn more about the most innovative fraud protection solution in the industry

Mobile advertising is here to stay. Having grown by 30% year-over-year in 2018 to $184 billion, further growth is still to come with more and more advertisers shifting budgets towards mobile. Alongside this massive growth we’ll note an undeniable presence and industry concern over fraud. In many ways, fraud has been present in the advertising landscape since its early days and has been somewhat responsible for several developments and changes introduced into our industry over the years. 

Cependant, la perception de l’impact effectif de la fraude sur l’industrie, dresse un tableau légèrement différent de la réalité.

Les études de cas, les recherches et les rapports laissent à penser que la fraude est, ou peut être, bloquée avant même qu’elle n’impacte votre budget marketing, et qu’elle est toujours gérée en temps réel, que l’activité frauduleuse est détectée dès qu’elle a lieu, qu’elle est repérée grâce aux outils antifraude avancés qui sont conçus pour protéger les annonceurs contre l’escroquerie.

Bien que ceci soit une réalité pour la majorité du trafic identifié et bloqué, il est une réalité taboue : certaines fraudes passent à travers les mailles du filet. Aussi difficile que cela puisse être de l’admettre, nous ne pouvons certainement pas l’ignorer. Les algorithmes de machine learning donnent aux marketeurs la possibilité d’appliquer les modèles de comportement frauduleux connus de manière à détecter puis bloquer les activités frauduleuses en temps réel, mais le facteur humain teste en permanence les limites des machines dans le but de prendre l’avantage. Cela signifie que certaines tentatives d’activité néfastes finissent par réussir.

Les marketeurs perdent un temps précieux à utiliser différentes technologies de manière à combler l’écart entre leurs attentes et la réalité. Les fournisseurs d’attribution bloquent les attaques de fraude au fur et à mesure qu’elles se produisent, en se synchronisant avec les partenaires via postbacks pour empêcher que le paiement ne soit compté pour cette activité. D’autres outils d’analyse sont utilisés dans une étude plus poussée des données, pour s’assurer que rien ne passe inaperçu, en identifiant les arnaques après coup et en suivant un processus strict de comparaison.

Les solutions de prévention de la fraude peuvent en effet bloquer les modèles connus, mais les algorithmes de machine learning ont besoin de temps pour apprendre les modèles inconnus. Ces modèles évoluent constamment, ils sont sans cesse introduits dans l’activité au fur et à mesure qu’ils se créent. Les tendances en matière de fraude sont essentiellement faites de points de données dispersés qui présentent les même caractéristiques, que nous devons d’abord regrouper afin de pouvoir les identifier. Les premiers cas peuvent d’abord être rapportés comme des incidents isolés, sans rapport avec le reste, pour ensuite être rattachés à une tendance qui voit le jour, mais cela n’arrive qu’une fois qu’ils ont été marqués comme frauduleux, ce qui nécessite forcément une analyse après coup.

Subscribe to AppsFlyer content

The latest mobile marketing tips & trends delivered to your inbox.

C’est ça l’évolution

Au cours des dernières années, la publicité en ligne en général et la publicité in-app en particulier, ont connu une grande évolution en se transformant avec le marché et les forces qui s’y opèrent. Une nette augmentation de la mesure des événements post-installation et du marketing axé sur les LTV donnent la tendance à un marché qui soit plus axé sur la qualité des utilisateurs. En réalisant que toutes les installations ne sont pas égales et que certains utilisateurs ont plus de valeur que d’autres, les annonceurs s’éloignent des modèles strictement basés sur le CPI et récompensent les éditeurs qui ont des utilisateurs plus engagés et de haute qualité en introduisant plus d’objectifs basés sur le CPA.

Le blocage en temps réel est, et sera toujours, un élément crucial dans la détection des fraudes, mais ce n’est qu’une simple couche de protection. La logique démontrée, ci-dessus, signifie simplement que notre analyse comportementale doit continuer à évoluer, en inspectant les données même après qu’une installation ait eu lieu. Nos modèles de marketing ne s’arrêtent pas là, et les fraudeurs sans doute eux non plus.

Penser que les fraudeurs s’en tiennent à des méthodes qui sont connues pour être identifiées en temps réel est quelque peu naïf. Les fraudeurs sont très motivés, novateurs et s’adaptent aux changements du marché, certains sont même capables de réagiren 2 ou 3 jours face aux nouveaux systèmes de défense. Cela signifie donc que les fraudeurs sont passés au stade supérieur et ont modifié leurs outils en imitant si bien le flux d’utilisateurs actifs qu’ils réussissent à passer par le plus profond des événements post-attribution sans être détectés, et parviennent même à atteindre des achats réels.

Moving out of our comfort zone is key in order to identify suspicious behavior trends that can only be flushed out post-install. Recognizing fraud that has managed to bypass all the known blocks put ahead of it, masquerading as a legitimate install. The current status-quo of keeping a blind eye from anything not identified and blocked in real-time is simply not aligned with the fact that some fraud does indeed go under the radar at first view. It is estimated that 1 in 4 app installs are fraudulent, this activity can and should be reconciled, how much of it is up to marketers keeping up and evolving their methods. 

Regarder les choses en face serait plus constructif à ce stade, ainsi que comprendre l’exigence croissante d’une solution globale qui compilerait une analyse continue de la fraude et une attribution qui ne se repose pas sur ses lauriers et accepte de se confronter à la réalité. 

 

Learn more about the most innovative fraud protection solution in the industry

Mobile advertising is here to stay. Having grown by 30% year-over-year in 2018 to $184 billion, further growth is still to come with more and more advertisers shifting budgets towards mobile. Alongside this massive growth we’ll note an undeniable presence and industry concern over fraud. In many ways, fraud has been present in the advertising landscape since its early days and has been somewhat responsible for several developments and changes introduced into our industry over the years. 

Cependant, la perception de l’impact effectif de la fraude sur l’industrie, dresse un tableau légèrement différent de la réalité.

Les études de cas, les recherches et les rapports laissent à penser que la fraude est, ou peut être, bloquée avant même qu’elle n’impacte votre budget marketing, et qu’elle est toujours gérée en temps réel, que l’activité frauduleuse est détectée dès qu’elle a lieu, qu’elle est repérée grâce aux outils antifraude avancés qui sont conçus pour protéger les annonceurs contre l’escroquerie.

Bien que ceci soit une réalité pour la majorité du trafic identifié et bloqué, il est une réalité taboue : certaines fraudes passent à travers les mailles du filet. Aussi difficile que cela puisse être de l’admettre, nous ne pouvons certainement pas l’ignorer. Les algorithmes de machine learning donnent aux marketeurs la possibilité d’appliquer les modèles de comportement frauduleux connus de manière à détecter puis bloquer les activités frauduleuses en temps réel, mais le facteur humain teste en permanence les limites des machines dans le but de prendre l’avantage. Cela signifie que certaines tentatives d’activité néfastes finissent par réussir.

Les marketeurs perdent un temps précieux à utiliser différentes technologies de manière à combler l’écart entre leurs attentes et la réalité. Les fournisseurs d’attribution bloquent les attaques de fraude au fur et à mesure qu’elles se produisent, en se synchronisant avec les partenaires via postbacks pour empêcher que le paiement ne soit compté pour cette activité. D’autres outils d’analyse sont utilisés dans une étude plus poussée des données, pour s’assurer que rien ne passe inaperçu, en identifiant les arnaques après coup et en suivant un processus strict de comparaison.

Les solutions de prévention de la fraude peuvent en effet bloquer les modèles connus, mais les algorithmes de machine learning ont besoin de temps pour apprendre les modèles inconnus. Ces modèles évoluent constamment, ils sont sans cesse introduits dans l’activité au fur et à mesure qu’ils se créent. Les tendances en matière de fraude sont essentiellement faites de points de données dispersés qui présentent les même caractéristiques, que nous devons d’abord regrouper afin de pouvoir les identifier. Les premiers cas peuvent d’abord être rapportés comme des incidents isolés, sans rapport avec le reste, pour ensuite être rattachés à une tendance qui voit le jour, mais cela n’arrive qu’une fois qu’ils ont été marqués comme frauduleux, ce qui nécessite forcément une analyse après coup.

#sl-start#

Subscribe to AppsFlyer content

The latest mobile marketing tips & trends delivered to your inbox.
#sl-end#

C’est ça l’évolution

Au cours des dernières années, la publicité en ligne en général et la publicité in-app en particulier, ont connu une grande évolution en se transformant avec le marché et les forces qui s’y opèrent. Une nette augmentation de la mesure des événements post-installation et du marketing axé sur les LTV donnent la tendance à un marché qui soit plus axé sur la qualité des utilisateurs. En réalisant que toutes les installations ne sont pas égales et que certains utilisateurs ont plus de valeur que d’autres, les annonceurs s’éloignent des modèles strictement basés sur le CPI et récompensent les éditeurs qui ont des utilisateurs plus engagés et de haute qualité en introduisant plus d’objectifs basés sur le CPA.

Le blocage en temps réel est, et sera toujours, un élément crucial dans la détection des fraudes, mais ce n’est qu’une simple couche de protection. La logique démontrée, ci-dessus, signifie simplement que notre analyse comportementale doit continuer à évoluer, en inspectant les données même après qu’une installation ait eu lieu. Nos modèles de marketing ne s’arrêtent pas là, et les fraudeurs sans doute eux non plus.

Penser que les fraudeurs s’en tiennent à des méthodes qui sont connues pour être identifiées en temps réel est quelque peu naïf. Les fraudeurs sont très motivés, novateurs et s’adaptent aux changements du marché, certains sont même capables de réagiren 2 ou 3 jours face aux nouveaux systèmes de défense. Cela signifie donc que les fraudeurs sont passés au stade supérieur et ont modifié leurs outils en imitant si bien le flux d’utilisateurs actifs qu’ils réussissent à passer par le plus profond des événements post-attribution sans être détectés, et parviennent même à atteindre des achats réels.

Moving out of our comfort zone is key in order to identify suspicious behavior trends that can only be flushed out post-install. Recognizing fraud that has managed to bypass all the known blocks put ahead of it, masquerading as a legitimate install. The current status-quo of keeping a blind eye from anything not identified and blocked in real-time is simply not aligned with the fact that some fraud does indeed go under the radar at first view. It is estimated that 1 in 4 app installs are fraudulent, this activity can and should be reconciled, how much of it is up to marketers keeping up and evolving their methods. 

Regarder les choses en face serait plus constructif à ce stade, ainsi que comprendre l’exigence croissante d’une solution globale qui compilerait une analyse continue de la fraude et une attribution qui ne se repose pas sur ses lauriers et accepte de se confronter à la réalité. 

 

Learn more about the most innovative fraud protection solution in the industry

Mobile advertising is here to stay. Having grown by 30% year-over-year in 2018 to $184 billion, further growth is still to come with more and more advertisers shifting budgets towards mobile. Alongside this massive growth we’ll note an undeniable presence and industry concern over fraud. In many ways, fraud has been present in the advertising landscape since its early days and has been somewhat responsible for several developments and changes introduced into our industry over the years. 

Cependant, la perception de l’impact effectif de la fraude sur l’industrie, dresse un tableau légèrement différent de la réalité.

Les études de cas, les recherches et les rapports laissent à penser que la fraude est, ou peut être, bloquée avant même qu’elle n’impacte votre budget marketing, et qu’elle est toujours gérée en temps réel, que l’activité frauduleuse est détectée dès qu’elle a lieu, qu’elle est repérée grâce aux outils antifraude avancés qui sont conçus pour protéger les annonceurs contre l’escroquerie.

Bien que ceci soit une réalité pour la majorité du trafic identifié et bloqué, il est une réalité taboue : certaines fraudes passent à travers les mailles du filet. Aussi difficile que cela puisse être de l’admettre, nous ne pouvons certainement pas l’ignorer. Les algorithmes de machine learning donnent aux marketeurs la possibilité d’appliquer les modèles de comportement frauduleux connus de manière à détecter puis bloquer les activités frauduleuses en temps réel, mais le facteur humain teste en permanence les limites des machines dans le but de prendre l’avantage. Cela signifie que certaines tentatives d’activité néfastes finissent par réussir.

Les marketeurs perdent un temps précieux à utiliser différentes technologies de manière à combler l’écart entre leurs attentes et la réalité. Les fournisseurs d’attribution bloquent les attaques de fraude au fur et à mesure qu’elles se produisent, en se synchronisant avec les partenaires via postbacks pour empêcher que le paiement ne soit compté pour cette activité. D’autres outils d’analyse sont utilisés dans une étude plus poussée des données, pour s’assurer que rien ne passe inaperçu, en identifiant les arnaques après coup et en suivant un processus strict de comparaison.

Les solutions de prévention de la fraude peuvent en effet bloquer les modèles connus, mais les algorithmes de machine learning ont besoin de temps pour apprendre les modèles inconnus. Ces modèles évoluent constamment, ils sont sans cesse introduits dans l’activité au fur et à mesure qu’ils se créent. Les tendances en matière de fraude sont essentiellement faites de points de données dispersés qui présentent les même caractéristiques, que nous devons d’abord regrouper afin de pouvoir les identifier. Les premiers cas peuvent d’abord être rapportés comme des incidents isolés, sans rapport avec le reste, pour ensuite être rattachés à une tendance qui voit le jour, mais cela n’arrive qu’une fois qu’ils ont été marqués comme frauduleux, ce qui nécessite forcément une analyse après coup.

Subscribe to AppsFlyer content

The latest mobile marketing tips & trends delivered to your inbox.

C’est ça l’évolution

Au cours des dernières années, la publicité en ligne en général et la publicité in-app en particulier, ont connu une grande évolution en se transformant avec le marché et les forces qui s’y opèrent. Une nette augmentation de la mesure des événements post-installation et du marketing axé sur les LTV donnent la tendance à un marché qui soit plus axé sur la qualité des utilisateurs. En réalisant que toutes les installations ne sont pas égales et que certains utilisateurs ont plus de valeur que d’autres, les annonceurs s’éloignent des modèles strictement basés sur le CPI et récompensent les éditeurs qui ont des utilisateurs plus engagés et de haute qualité en introduisant plus d’objectifs basés sur le CPA.

Le blocage en temps réel est, et sera toujours, un élément crucial dans la détection des fraudes, mais ce n’est qu’une simple couche de protection. La logique démontrée, ci-dessus, signifie simplement que notre analyse comportementale doit continuer à évoluer, en inspectant les données même après qu’une installation ait eu lieu. Nos modèles de marketing ne s’arrêtent pas là, et les fraudeurs sans doute eux non plus.

Penser que les fraudeurs s’en tiennent à des méthodes qui sont connues pour être identifiées en temps réel est quelque peu naïf. Les fraudeurs sont très motivés, novateurs et s’adaptent aux changements du marché, certains sont même capables de réagiren 2 ou 3 jours face aux nouveaux systèmes de défense. Cela signifie donc que les fraudeurs sont passés au stade supérieur et ont modifié leurs outils en imitant si bien le flux d’utilisateurs actifs qu’ils réussissent à passer par le plus profond des événements post-attribution sans être détectés, et parviennent même à atteindre des achats réels.

Moving out of our comfort zone is key in order to identify suspicious behavior trends that can only be flushed out post-install. Recognizing fraud that has managed to bypass all the known blocks put ahead of it, masquerading as a legitimate install. The current status-quo of keeping a blind eye from anything not identified and blocked in real-time is simply not aligned with the fact that some fraud does indeed go under the radar at first view. It is estimated that 1 in 4 app installs are fraudulent, this activity can and should be reconciled, how much of it is up to marketers keeping up and evolving their methods. 

Regarder les choses en face serait plus constructif à ce stade, ainsi que comprendre l’exigence croissante d’une solution globale qui compilerait une analyse continue de la fraude et une attribution qui ne se repose pas sur ses lauriers et accepte de se confronter à la réalité. 

 

Learn more about the most innovative fraud protection solution in the industry

Mobile advertising is here to stay. Having grown by 30% year-over-year in 2018 to $184 billion, further growth is still to come with more and more advertisers shifting budgets towards mobile. Alongside this massive growth we’ll note an undeniable presence and industry concern over fraud. In many ways, fraud has been present in the advertising landscape since its early days and has been somewhat responsible for several developments and changes introduced into our industry over the years. 

Cependant, la perception de l’impact effectif de la fraude sur l’industrie, dresse un tableau légèrement différent de la réalité.

Les études de cas, les recherches et les rapports laissent à penser que la fraude est, ou peut être, bloquée avant même qu’elle n’impacte votre budget marketing, et qu’elle est toujours gérée en temps réel, que l’activité frauduleuse est détectée dès qu’elle a lieu, qu’elle est repérée grâce aux outils antifraude avancés qui sont conçus pour protéger les annonceurs contre l’escroquerie.

Bien que ceci soit une réalité pour la majorité du trafic identifié et bloqué, il est une réalité taboue : certaines fraudes passent à travers les mailles du filet. Aussi difficile que cela puisse être de l’admettre, nous ne pouvons certainement pas l’ignorer. Les algorithmes de machine learning donnent aux marketeurs la possibilité d’appliquer les modèles de comportement frauduleux connus de manière à détecter puis bloquer les activités frauduleuses en temps réel, mais le facteur humain teste en permanence les limites des machines dans le but de prendre l’avantage. Cela signifie que certaines tentatives d’activité néfastes finissent par réussir.

Les marketeurs perdent un temps précieux à utiliser différentes technologies de manière à combler l’écart entre leurs attentes et la réalité. Les fournisseurs d’attribution bloquent les attaques de fraude au fur et à mesure qu’elles se produisent, en se synchronisant avec les partenaires via postbacks pour empêcher que le paiement ne soit compté pour cette activité. D’autres outils d’analyse sont utilisés dans une étude plus poussée des données, pour s’assurer que rien ne passe inaperçu, en identifiant les arnaques après coup et en suivant un processus strict de comparaison.

Les solutions de prévention de la fraude peuvent en effet bloquer les modèles connus, mais les algorithmes de machine learning ont besoin de temps pour apprendre les modèles inconnus. Ces modèles évoluent constamment, ils sont sans cesse introduits dans l’activité au fur et à mesure qu’ils se créent. Les tendances en matière de fraude sont essentiellement faites de points de données dispersés qui présentent les même caractéristiques, que nous devons d’abord regrouper afin de pouvoir les identifier. Les premiers cas peuvent d’abord être rapportés comme des incidents isolés, sans rapport avec le reste, pour ensuite être rattachés à une tendance qui voit le jour, mais cela n’arrive qu’une fois qu’ils ont été marqués comme frauduleux, ce qui nécessite forcément une analyse après coup.

Subscribe to AppsFlyer content

The latest mobile marketing tips & trends delivered to your inbox.

C’est ça l’évolution

Au cours des dernières années, la publicité en ligne en général et la publicité in-app en particulier, ont connu une grande évolution en se transformant avec le marché et les forces qui s’y opèrent. Une nette augmentation de la mesure des événements post-installation et du marketing axé sur les LTV donnent la tendance à un marché qui soit plus axé sur la qualité des utilisateurs. En réalisant que toutes les installations ne sont pas égales et que certains utilisateurs ont plus de valeur que d’autres, les annonceurs s’éloignent des modèles strictement basés sur le CPI et récompensent les éditeurs qui ont des utilisateurs plus engagés et de haute qualité en introduisant plus d’objectifs basés sur le CPA.

Le blocage en temps réel est, et sera toujours, un élément crucial dans la détection des fraudes, mais ce n’est qu’une simple couche de protection. La logique démontrée, ci-dessus, signifie simplement que notre analyse comportementale doit continuer à évoluer, en inspectant les données même après qu’une installation ait eu lieu. Nos modèles de marketing ne s’arrêtent pas là, et les fraudeurs sans doute eux non plus.

Penser que les fraudeurs s’en tiennent à des méthodes qui sont connues pour être identifiées en temps réel est quelque peu naïf. Les fraudeurs sont très motivés, novateurs et s’adaptent aux changements du marché, certains sont même capables de réagiren 2 ou 3 jours face aux nouveaux systèmes de défense. Cela signifie donc que les fraudeurs sont passés au stade supérieur et ont modifié leurs outils en imitant si bien le flux d’utilisateurs actifs qu’ils réussissent à passer par le plus profond des événements post-attribution sans être détectés, et parviennent même à atteindre des achats réels.

Moving out of our comfort zone is key in order to identify suspicious behavior trends that can only be flushed out post-install. Recognizing fraud that has managed to bypass all the known blocks put ahead of it, masquerading as a legitimate install. The current status-quo of keeping a blind eye from anything not identified and blocked in real-time is simply not aligned with the fact that some fraud does indeed go under the radar at first view. It is estimated that 1 in 4 app installs are fraudulent, this activity can and should be reconciled, how much of it is up to marketers keeping up and evolving their methods. 

Regarder les choses en face serait plus constructif à ce stade, ainsi que comprendre l’exigence croissante d’une solution globale qui compilerait une analyse continue de la fraude et une attribution qui ne se repose pas sur ses lauriers et accepte de se confronter à la réalité. 

 

Learn more about the most innovative fraud protection solution in the industry