流量的灰色地带：虚假流量

今天我们来谈谈流量中的灰色地带–据官方统计，2016年虚假流量给全球广告商造成了76亿美元的直接经济损失。除了直接经济损失外，更多样化的交通欺诈方式也带来了更多的“副作用”。例如，无效的用户定位，广告出现在不应该出现的媒体上，吸引不应该吸引的用户，浪费流量，更重要的是，如果流量转移到美容游戏页面，那么它也会对品牌形象产生负面影响。如何产生虚假流量的整个广告生态将涉及三个角色：广告商、媒体（销售广告）、用户(看广告)。媒体不会承诺效果，但如果你的反馈曝光和点击量不够，媒体可以给你补充。给你更多的补充，必然会导致其他家庭，间接导致竞争加剧，流量价格越来越高，但只有曝光点击没有转换是无用的，所以更多的广告商更倾向于用户转换作为评估指标，忽略CPC等其他评估指标、CPM，只会加剧竞争，造成恶性循环，导致虚假流量。我们知道，用户通常在访问三次或三次以上后决定转换。他的整个生命周期决定了最终的转换。虽然有些渠道不擅长转换，但它们对其他渠道有助于作用，所以它们不能一刀切。此外，如果将与渠道结算的指标定为CPS、注册会计师万事大吉吗？魔鬼在利益驱使的地方。因此，我们需要一套完整的策略来护送渠道。在研究虚假流量之前，还有一种流量需要引起我们的注意，即异常流量，通常混合在虚假流量中间，扰乱我们的判断。所以首先要区分什么是虚假流量，什么是异常流量。如果出现以下情况，大多数可以认为是异常流量，当然，这需要沟通，然后判断：媒体问题，页面停机链接参数丢失或丢失导致代码故障埋点收集异常数据路径无故屏蔽指标配置问题，如果出现以下情况，大多数可以认为是虚假流量：刷！刷量！！刷量！！！如何避免异常流量不是今天文章的重点，所以我就不多说了。这就要求公司规范项目流程，控制好各个环节，才能有效避免。下面，让我们详细谈谈如何找出虚假流量的线索。我们需要通过一定的数据收集手段获取流量数据、行为数据和转换数据，以获得完整、全面、准确的数据。目的是连接整个过程数据。只有获得完整、全面的数据，我们才能找到虚假流量的痕迹。下图是流量转换的完整过程：我们面临两个问题：显示和点击数据在第三方广告平台上，我们无法获得用户详细信息前后端数据分离，只能统计前端点击转换，不知道后续业务转换如何，很多渠道作弊，将在这两个方面，利用渠道漏洞，通过程序或雇佣人肉人工操作产生流量，人工操作可能是点击你的广告，访问推广登陆页面，或完成一个简单的任务，如点击呼叫按钮，流量通常不会带来实际的转换，也说因为转换业务数据不能获得，不能掌握证据不容易衡量，所以只能哈哈。作弊流量是不可避免的。我们只能增加技术壁垒和作弊成本。如果作弊成本高，作弊现象会在一定程度上减少。在流量正式到达登陆页面之前，我们可以在显示点击阶段和到达产品登陆页面之间建立一层屏障，即通过数据预处理，通过一定的反作弊规则过滤掉一些可疑或不必要的流量：过滤一些已知的IP段，如内网IP、测试IP设备号异常：如频繁重置IDFAIP异常：定位IP来自无法解释的地方行为异常：如频繁刷新页面数据包不完整：只有启动信息，无页面、事件等用户行为信息，确保登陆页面流量相对清洁，但仍有鱼，需要通过进一步的数据分析找到虚假流量。在案例分析中，让我们先看一组数据：这是我们电子商务客户反馈的问题。他们推出了一个新的电子商务网站。从访问量、跳出率等指标来看，他们表现良好。然而，订单转化率很低，我不知道发生了什么。案例分析虚假流量我们首先看到一组数据：这是一个电子商务客户反馈的问题，他们推出了一个新的电子商务网站，从访问量、跳出率等指标表现良好，但订单转换率低，不知道发生了什么。在这种情况下，我们只能说不要担心，让我们从数据细分开始。细分对虚假流量是致命的，因为我们可以通过细分来识别虚假流量的模式和规律。从上图可以看出，9月3日PV低于平时；访问量几乎与唯一身份访问用户相同，即人均访问次数接近1，每个用户只访问一次，月回访率很低。通过对新访问比例和跳出率的比较分析，我们可以从上图中得到这些信息：新用户的比例接近80%，这表明大多数新用户的跳出率约为45%，跳出率非常低，这表明流量质量还可以。然而，如果我们深入思考，我们会发现以下问题：新用户比例与跳出率指数成反比。在正常情况下，新用户比例与跳出率指数成正比。如果新用户比例高，跳出率也高，跳出率低，为什么转化率这么低？与不同城市的不同转化指标相比，我们找到了流量排名前8的城市的比较数据。前8的城市数据对流量做出了巨大贡献，上海的销售额约占总销售额的1/3，河南的订单转化率较高。与不同城市的不同转化指标相比，我们找到了流量排名前8的城市的比较数据。前8的城市数据对流量贡献很大，上海的销售额约占总销售额的1/3，河南的订单转化率较高。城市对“未知”流量的贡献也很大，跳出率也很低，但订单转化率远低于0.01%。显示为未知，表明无法掌握这些流量来自哪个IP段，但访问量足够大，需要注意，涉嫌作弊。未知城市不同时间段的分类比较分析选择了上个月的数据。根据这些流量在不同时间段的分布情况(图略)，发现从凌晨1:00到凌晨6:00的流量占总流量的25%，占比相对较高。更奇怪的是，每个时间段的夜间流量相对平均，流量相似，这是不合理的，需要进一步分析。通过对夜间流量分类的比较分析，我们发现这些流量中72%的流量来自广告系列，但转化率较低。我不知道哪个广告系列的具体来源拉了我的后腿。夜间流量广告系列来源比例分析发现，广告系列流量大多来自sm渠道，此时分析范围可以缩小到sm渠道。sm渠道指标整合分析sm渠道访问量大，新用户占90.31%，跳出率为20.32%，转化率为0.08%。SM渠道出了问题，基本上可以得出结论。通过进一步细分SM渠道细分登陆页面和非活动页面的数据性能，发现SM渠道的大部分流量流入活动登陆页面（图略），跳出率低于23%，每次访问的平均浏览深度接近1。有趣的是，对于另一部分非活动登陆页面，页面浏览深度为数百页，人类行为异常，其目的只是平均整体流量。同时，我们也可以结合不同登陆页面的点击图来分析sm渠道活动登陆页面的点击图，你会发现更有趣的现象。至此，大功告成。案例总结从上述案例中我们可以看到，我们通过层层细分和渐进的方法找到了虚假流量。因此，如果我们想找到虚假流量，我们需要密切*以下几个方面：标记渠道，方便分割流量，为每个渠道标记UTM，然后渠道将贯穿用户的整个访问过程，便于根据渠道分组检查每个渠道的性能，避免其他渠道的干扰。流量产生的时间找到异常流量的时间点，然后将时间细化为每小时的访问数据。如果流量过于集中在某个时间段，或在不适当的时间点出现流量激增，此时应注意。通常，流量的地理来源来自不同的地理位置。如果流量过于集中在某一地区，或者大量流量出现在无法收集该地区的地方，这是可疑的。不同的流量用户终端渠道覆盖不同的用户群，因此各自的用户终端会有一定的差异。例如，对于小米应用商店来说，它的用户很可能是前10款手机，而对于移动MM来说，他们的用户来自移动运营商。排除这些特殊渠道的应用商店，大多数渠道的用户终端类似于整个互联网终端的分布。通过查看行业报告或查询数据指数产品，我们可以了解这些数据，并将这些数据作为行业基准值进行比较。此外，我们还可以*设备终端类型、操作系统、联网模式、运营商、地理位置等设备属性。流量跳出率与新访用户比例成正比。此外，如果流量在一定时间内突然增加，可以结合上述维度进行细分检查，哪个细分维度的跳出率增加。许多作弊流量可以模仿人类行为，绕过跳出率、平均访问深度和停留时间等宏观指标，但很难模仿业务转型。如果宏观指标表现良好，业务转型较少，则需要提高警惕。一般来说，我们经常看到的流量保留指标包括第二天保留、7天保留和30天保留。因此，一些作弊渠道将专门针对这三个指标。因此，除了查看这三个指标外，建议扩大指标，注意日常保留变化。新流量用户路径新用户到推广登陆页面，一般从登陆页面转移，他们会点击不同的链接，访问不同的页面，作弊流量难以完成2-3次点击，即使完成，点击链接或内容基本固定。流量功能访问分布分析适当扩大时间维度，查看浏览页面访问频率分布等基本功能，真实访问者有再次访问行为，虚假流量一般在任务完成后不管后续结束动作，回访频率很低。如果一个登陆页面的人均访问次数非常高，比如超过4次，这是非常可疑的，因为用户通常不会在一次访问中多次浏览同一登陆页面。与此同时，将页面在网站上的人均访问次数进行比较，结果会更加准确。点击热图分析流量登陆页面需要一些热图工具。从热图工具中，更容易找到作弊流量的线索。