Мошенники продолжают выкачивать из рекламодателей миллионы и миллиарды долларов ежегодно. Ущерб растет в геометрической прогрессии, а проблема скликивания рекламы никуда не уходит. Поэтому основной приоритет маркетологов и владельцев компаний по всему миру — поиск оптимальных и эффективных решений для борьбы с кликфродом.
Если речь зашла о самом распространенном типе мошенничества с рекламой — скликивании, помните, что существует несколько методов, с помощью которых можно бороться с ним (включая те, которые могут анализировать время нахождения на сайте, периодичность совершенных кликов, имеющиеся данные и другие технические и поведенческие признаки).
Скликивание и методы борьбы: описание
Каждый метод борьбы со скликиванием имеет свои преимущества и недостатки. Именно поэтому существует множество факторов, которые следует учитывать при выборе того или иного метода для обнаружении признаков кликфрода, в том числе:
- Вычислительные затраты: насколько быстро метод позволяет обнаружить фрод?
- Телеметрия: сбор телеметрии доступен только через безопасное соединение?
- Нежелание допускать ошибки: ложноположительные результаты хуже отрицательных или наоборот?
- Контекст: имеет ли значение место, где произошел клик?
С учетом вышеперечисленных вопросов мы разделили наиболее распространенные методы обнаружения фрода и борьбы с ним на следующие: эвристические правила, статистический анализ, поведенческий анализ и методы машинного обучения, а также подробно объяснили, как они работают.
Подписывайтесь на наш ТГ-канал: рассказываем о реальных кейсах, тактиках и технологиях мошенников, факты о кликфроде и не только. Без спама и с пятничными мемами.
1. Эвристические правила
Эвристические правила — рекомендации на основе знаний экспертов, используемые для обнаружения скликивания. Как средство борьбы с ботами представляют собой предопределенные правила по выявлению моделей кликфрода.
К ним относятся наборы правил, которые вобрали в себя распространенные паттерны ботового поведения, такие как быстрое заполнение форм или отправка запросов за короткий промежуток времени.
Эвристические правила используются для обнаружения трафика или поведения пользователей, которые выходят за рамки стандартного диапазона установленных параметров, определенных экспертами, или вне заданного контекста.
Существуют две категории обнаружения скликивания на основе эвристических правил: экспертные знания и правила на основе контекста.
Экспертные знания
Эвристические правила, основанные на экспертных знаниях, обычно имеют пороговые значения и цели и выглядят примерно так:
«Блокировать трафик, исходящий с браузеров Safari на ОС Windows»
Эту категорию правил обнаружения скликивания, в свою очередь, можно разделить еще на две подкатегории: телеметрические и сетевые правила.
Правила на основе телеметрии устройства
Создаются путем получения телеметрии об устройстве пользователя и сравнения ее с данными эталонного достоверного источника. Например, проверяется, есть ли у пользователя, который перешел по рекламе и просматривает сайт с устройства iOS, какой-либо видеокодек только для iOS.
Правила на основе телеметрии сети
Правила создаются путем сравнения данных, полученных с разных сетевых уровней: от заголовков до TCP. Правила сетевой телеметрии требуют точных знаний, как работают интернет-протоколы. Мошенникам сложнее их обойти.
Контекстуальные правила
Правила, созданные на основе соответствующего контекста. Они используются для блокировки трафика, который не вписывается в «контекст».
Например, они могут блокировать трафик, поступающий из локаций, находящихся за пределами указанных географических зон. Выглядят примерно так:
«Блокировать трафик из часовых поясов Нидерланды, Германия в рекламных кампаниях, ориентированных на Россию»
Контекстуальные правила основаны на конкретном контексте, окружающем трафик: пользовательских данных и геолокации.
Пользовательские данные
Основаны на сравнении конфигурации и окружения пользователей с ожидаемыми эталонными данными. Например, просмотр с устройств, на которых не включен javascript, или приложений, которых нет в Play Store.
Геолокация
Основаны на источнике трафика (интернет-провайдер или центр обработки данных, IP-адреса, занесенные в черный список), а также на любых расхождениях между местоположением и телеметрией пользователей (например, пользователи, находящиеся в России, с китайской раскладкой клавиатуры).
Преимущества и недостатки
Плюсы:
- Они надежны.
- Их трудно обойти.
Минусы:
- Их необходимо постоянно проверять и обновлять из-за изменений в браузерах и устройствах, совершенствования мошеннических тактик, технологий и ботов и т. д.
2. Статистический анализ
Сервисы по борьбе со скликиванием рекламы используют большой объем статистического анализа. Он применяется как для изучения кластеров трафика, так и для обнаружения в автоматическом режиме необычных паттернов или распределений.
Статистический анализ можно разделить на две подкатегории: пороговые правила и статистические аномалии.
Пороговые правила
Это критерии, определяемые клиентами, которые соответствуют установленному пороговому значению. В качестве показателей для настройки пороговых значений используют клики и лиды, так как они больше всего подвержены мошенническим атакам.
Например, когда пользователь с одного и того же IP-адреса за короткий промежуток времени дважды кликает по рекламному объявлению. На это может среагировать система борьбы со скликиванием, так как было достигнуто пороговое значение и обнаружен недействительный трафик.
Статистические аномалии
Реализация данных правил требует более сложных вычислений и предполагает использование нескольких фреймов данных. Такой подход позволяет провести границу между ожидаемыми значениями и недопустимыми.
В качестве примеров статистических аномалий можно привести распределение трафика по нескольким параметрам (модель устройства или операционная система), а также время между кликами или отправленными лидами.
Преимущества и недостатки
Плюсы:
- Статистический анализ выявляет новые вариации фрода, основанные на повторных или ручных мошеннических методах.
- Пороговые значения, установленные в рамках правил, могут быть адаптированы к каждому бизнес-сценарию.
Минусы:
- Могут вызывать ложные срабатывания.
- Обычно требуется ручная точная настройка.
3. Поведенческий анализ
Пользовательские события необходимо записывать анонимно и анализировать асинхронно, несмотря на то, что большая часть телеметрии устройств пользователей может быть зафиксирована во время посещения.
Такой анализ позволяет узнать, как пользователь взаимодействует со страницей. Собранные данные могут быть использованы для принятия решения о том, похоже ли текущее взаимодействие на человеческое или же нет. Он дает возможность сравнить и оценить, соответствует ли поведение текущего посетителя сайта, который перешел по рекламе, поведению реального человека.
К нему относятся извлечение, анализ и принятие решения о том, выполняются ли пользователем такие данные, как прокрутка страницы, нажатия клавиш и клики по элементам интерфейса, как это делает реальный человек, а не автоматизированный скрипт. Каждый визит проверяется на соответствие установленным шаблонам поведения: присутствует ли слишком большое количество повторений или аномалий.
Преимущества и недостатки
Плюсы:
- Помогает выявить присутствие усовершенствованных ботов, которые могут обходить эвристические правила
Минусы:
- Аномальное поведение может вызвать ложные срабатывания.
- Требуется больше времени для выполнения.
- Могут быть проблемы с данными и конфиденциальностью.
4. Машинное обучение
Злоумышленники используют сложные мошеннические методы для скликивания и обмана рекламодателей, которые можно легко скрыть в больших объемах трафика. В ответ на это рекламодатели могут бороться с недействительными кликами с помощью машинного обучения. МО позволяет выявлять взаимосвязи и закономерности в больших наборах данных.
Чтобы классифицировать новые данные и предсказать вероятность мошенничества с рекламой, методологии машинного обучения используют исторические данные, которые уже были классифицированы, для выявления закономерностей и построения моделей. При небольшом вмешательстве человека эти модели начинают самообучаться по мере того, как им поступает все больше и больше данных. Это жизненно важно, поскольку большинство усовершенствованных и сложных схем мошенничества сегодня не поддаются обнаружению человеком.
Машинное обучение можно классифицировать на три вида: контролируемое обучение, неконтролируемое и полуконтролируемое.
Контролируемое
Такой вид машинного обучения включает в себя маркировку данных, используемых для обучения моделей. Что касается метода обнаружения скликивания, то его можно также классифицировать.
Классификация
Алгоритмы классификации машинного обучения с учителем могут отделять недействительные клики от действительных, создавая модели и обучая их с помощью помеченных кликов (недействительный/действительный трафик). Точность алгоритма напрямую связана с качеством и количеством помеченных данных, используемых для обучения моделей.
Неконтролируемое
Машинное обучение без учителя предполагает использование моделей без помеченных данных. Модели обнаруживают кластеры и закономерности мошеннического поведения сами по себе. Они не знают, какие метки применимы. Этот метод можно разбить на алгоритмы кластеризации и обнаружение аномалий.
Алгоритмы кластеризации
Алгоритмы кластеризации группируют данные, которые обладают сходными характеристиками и функциональными возможностями, без их маркировки. Это означает, что эксперт может просмотреть данные и решить, какую маркировку следует применить к каждой идентифицированной группе.
Обнаружение аномалий
Такие алгоритмы находят точки данных, которые отличаются от остальных. Далее эксперт анализирует обнаруженные аномалии, чтобы решить, что с ними делать.
Полуконтролируемое
Методика полуконтролируемого обучения предполагает использование частично помеченных данных. То есть применяется неконтролируемое обучение с управлением с помощью помеченных данных.
Методики активного обучения предполагают сначала применение неконтролируемых методов, а затем применение контролируемых к небольшому подмножеству результатов (т. е. к представителю каждого идентифицированного кластера). Отобранные данные передаются эксперту для классификации.
Преимущества и недостатки
- Фактор обнаружения — помогает выявить новые группы мошеннических техник и признаков.
- Помогает в борьбе с ложными срабатываниями и вновь обнаруженным мошенничеством.
- Обновление и обучение могут быть автоматизированы.
- Вычислительные затраты.
- Медленнее, чем при использовании других методов.
- Обычно ненадежны при работе с ранее невидимыми данными.
Какая техника лучше борется со скликиванием
Эксперты в области цифрового маркетинга и кибербезопасности ожидают, что в 2024 году ущерб от мошенничества с рекламой составит 120 млрд долларов. И скликивание — значительная часть всех случаев рекламного мошенничества.
Злоумышленники совершенствуют свои методы для обмана рекламодателей, генерации недействительных кликов и истощения рекламных бюджетов. Это значит, что, как никогда, рекламодатели и маркетологи должны позаботиться о поиске решений для защиты своей рекламы.
В борьбе со скликиванием могут пригодиться любые методы, средства и сервисы. Они могут быть использовать любые технологии и правила, включая ручную настройку и ИИ.
Например, таким автоматизированным решением может стать сервис Botfaqtor, который предлагает шесть инструментов для борьбы с мошенничеством и недействительным трафиком:
- Защита от скликивания Яндекс Директ / Google Ads. Помогает бороться со скликиванием рекламных кампаний на поиске Яндекса и Google, а также в РСЯ и КМС. Снижает стоимость лида, чистит трафик, увеличивает конверсию. Не дает возможность скликивателям и бот-фермам расходовать ваш бюджет впустую.
- Защита от скликивания VK Реклама. Блокирует скликивания и фрод в социальной сети ВКонтакте. На старте автоматически отключает показ рекламы для >2 млн ботов. Увеличивает конверсию и снижает стоимость лида до 35%.
- Антибот для сайта. Инструмент блокировки бот-трафика для паблишеров и вебмастеров, которые участвуют в РСЯ и КМС. Также подходит для владельцев интернет-магазинов и корпоративных сайтов, которые хотят защитить свои данные.
- Hard Таргет. Уникальный инструмент, который позволяет отключать показ рекламы в низкоконверсионных устройствах, браузерах и ОС. С его помощью можно снизить на 70% количество подобных показов.
- Умная капча. Подходит защиты отдельных форм и кнопок на сайтах. Использует ИИ и защищает от мошеннических атак и фальшивой лидогенерации. Уникальная технология с использованием алгоритма блокировки ботов и современных решений в области умных Captcha.
Botfaqtor — это решение, которое сочетает в себе алгоритмы, основанные на правилах, ИИ и машинном обучении. Последние два — единственный и надежный способ по-настоящему бороться с ботами и скликиванием.
Вы можете попробовать любой инструмент сервиса бесплатно на 7 дней, проверить качество своего трафика и его источников, узнать, сколько вы могли бы сэкономить на рекламе и насколько смогли бы увеличить чистую конверсию без ботов и скликивателей.
