“广告主对于优质流量有多喜爱,对于虚假流量就有多痛恨。”
2018年,全球浪费的广告支出约有258亿美元,其中42.3%与应用安装或SDK诈骗有关,邮件和广告位堆叠的比例为27.3%,点击注入欺诈占到整体的30.3%。
流量欺诈的危害
作弊自然是由经济利益驱使。据世界广告联盟WFA预测,若不采取措施,2025年虚假广告花费将高达500亿美元,仅次于毒品交易成为全球第二大非法营收。
因此,反作弊在整个广告行业中一直是中流砥柱一般的存在。作为全球领先的AI广告平台,赤子城也一直致力于利用不断更新的技术手段和大幅提升流量效率的方式,解决流量欺诈的问题,最大程度上保障广告主的核心利益。
知己知彼,掌握先机
在赤子城看来,作弊的流量大致可分为三类:
第一类是假用户带来的流量,一般是将机器人伪装成不同的用户,通过不断地变换IP、cookie、设备ID制造虚假点击。
第二类是真用户带来的假流量,即作弊者利用真实的用户设备制作虚假流量。常见操作方法之一是让用户看不见广告。例如,在同一个广告位堆叠多层广告、将广告容器设置成1*1像素、利用插件将广告植入页面顶部等用户不可见的位置等。
第三类是归因作弊,即将本属于A平台的转换用户归于B平台所有,雇佣“肉鸡”、“枪手”刷广告等。
第四类是真实用户带来的劣质流量,虽然流量是真的,但多是滥竽充数的劣质流量,或是通过HTTP、DNS劫持来的非法流量。
赤子城的制胜之道
首先,赤子城会主动分析流量的特征,并结合广告主反馈制定反作弊策略。目前赤子城可以利用30+维度的数据特征,高效识别点击作弊、安装作弊和安装劫持等作弊方式。必要时还可以和广告主一起制定event postback。
其次,赤子城会对过往的数据结果进行分析,利用机器学习,对设备分布、地域分布、用户行为、时间分布、IP、cookie、设备ID等几十个维度的特征进行深度学习,创建“流量分级自学习模型”。
这个模型在投放前就会给流量做出11个level的评价,并将流量分为顶级流量、优质流量、普通流量、低质量流量……同时通过甄别垃圾流量、无效流量,完成初步的反作弊工作。
第三,赤子城还会抽取媒体数据,建立“媒体质量模型”。
将单一媒体数据与整体数据进行对比,利用统计学技术发现异常值,再通过人工排查的方式来判断是否为异常的媒体流量。随着媒体特征维度的不断累积,赤子城会通过更多的维度和更详尽的特征值来对媒体进行打分,更精准地判断哪些媒体在作弊,哪些媒体没有作弊。
此外,赤子城会定期对已有的结果数据进行标注,将新旧结果结合,建立更加精准的“媒体质量模型”,以此完成反作弊模型的闭环优化,形成完整的、智能的反作弊机制。
第四,除了自建反作弊模型之外,赤子城还与国外知名的AD-Fraud平台: forensiq、MOAT、IAS建立了深度合作,最大程度上保证广告主的利益。
赤子城反作弊新维度
如上文所说,广告作弊的原因在于对“预期目标”的负责,如果能够高效的完成”预期目标”,那么作弊的动机就会不断缩小。换句话说,如果能够精准地找到高净值用户和高互动用户,并且排除非正常用户的干扰,就无需作弊。
赤子城自主研发的ATB(Audience Touch Builder)受众触碰体系,会通过对运营商、时间戳、语言、IP、事件、搜索关键词等各个维度的数据,对用户行为进行记录和分析,分析用户的价值和标签,并对每个用户喜好的权重进行标记,建立用户ATB档案。
ATB档案建立后,通过大数据分析,排除“特殊”用户的干扰,这些特殊用户的特点包括:连续 48 小时不睡觉、频繁下载和卸载各类型 APP、极短时间内在多个地区出现、使用多种不同的语言等等。
在推广过程中,可以对用户数据进行去中心化反向验证,分析出价,从设备号级别对不同的用户给出不同的底价,从而通过程序化购买提升收入。
对于已有用户,密切关注高净值用户,便于防止其流失或对其进行流失后的找回。当用户数据愈发精准,流量效率不断提升,无论是广告主的执行人员还是流量供给方,都不需要通过造假的方式完成各自的KPI。
从本质上来说,ATB并非一种反作弊的技术,而是一种基于超大规模数据和AI技术的受众触碰体系,它与传统攻防式的反作弊技术不同,更多的是通过高效的流量匹配降低作弊者作弊的可能性。
小结
从技术层面上来说,赤子城的反作弊是通过AI+数据的方式,对流量进行分级和识别,从正面真刀真枪地与作弊者对抗。除此之外,赤子城的反作弊又不局限于这样的攻防模式,而是希望通过高效、精准的流量和高效的受众触碰体系,来降低作弊者的作弊动机,从根本上解决流量欺诈的问题。
