Adjust|检测、预防与有效过滤作弊的关键：CTO 谈移

小提示：您能找到这篇{Adjust|检测、预防与有效过滤作弊的关键：CTO 谈移}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的Adjust|检测、预防与有效过滤作弊的关键：CTO 谈移内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

< ">我们在理论系列I探讨了不同的作弊类型，现在让我们再深入了解防作弊解决方案之间的细微差别，以及该如何善用这项方法来打造更加强大的系统。

< ">防作弊这个主题与作弊本身同样混沌不明，人们对于预防、检测和拒绝这些行动也时常感到混淆，反而使得广告商无法顺利运行推广活动。作弊检测和预防是我们防作弊套件中的两大基本要素，我们将对二者进行定义。如果您错过了此系列的第1部分，请点击此处了解。

< ">什么是预防作弊？

< ">既然我们在探讨作弊时已经建立了一套作弊的共同词汇，现在可以开始探讨如何预防作弊。首先，当我们在谈“预防”时，究竟指的是什么？

< ">Adjust将预防作弊定义为：拒绝对已知的作弊方法进行归因。在这一点上，我们与移动广告生态系统中的其他参与者有着本质上的不同。

< ">正如前文所述，我们认为预防作弊应该遵循以下流程：先检测作弊类型，接着研究作弊所使用的方法，最后根据其独有的特征创建逻辑过滤器。

< ">与我们的作法不同，业内倾向在相同的情境下，交替使用检测、预防和拒绝这些行动。这样缺乏专业的作法容易造成不确定性，进而被不肖者恶意利用，使市场处于持续的混乱状态。

< ">值得留意的是，在我们的“预防”定义之下，事实上只有归因公司能够有效地利用过滤器。第三方工具只能在这之后显示检测指标，除非归因公司允许他们介入归因过程。

< ">这可能造成他们对术语的使用产生混淆。

< ">然而，其他归因公司并不接纳我们对于预防的定义。

< ">起初，其他归因公司都不愿意执行归因过滤，因为惧怕降低其渠道合作伙伴的收入，会破坏合作关系，甚至可能影响重要客户的引荐。只有在Adjust引领实践并建立出一套用于与合作伙伴沟通拒绝的标准之后，才陆续有竞争对手开始效法。

< ">尽管部分竞争对手已经在他们的“预防作弊”套件中添加过滤器，但是双方技术之间仍存在重要差异，核心差别主要在于两方面：

< ">我们乐于持续研究新方法，并找出不同作弊手段的特征。

< ">我们勇于承担拒绝归因的责任，让客户免于参与和渠道的讨论。

< ">要理解Adjust与竞争对手的差异，首先要了解我们作弊检测和防作弊过滤器的独到之处。

< ">我们的作弊检测为何与众不同

< ">我们刚才已经了解到，作弊检测是实行预防作弊的首要步骤，毕竟我们无法打击看不到的问题。因此我们认为，把“检测”定义为广告参与和应用活动的统计分析过程，对我们接下来的分析很有帮助。请注意，统计分析相异于逻辑分析，我们将在下文的过滤器部分中进行说明。

< ">作弊检测的分类方式与作弊相同，可以区分为两种截然不同的类型，然而两者检测目的都是要探测出不存在的交互或是伪造用户。

< ">对于伪造归因，检测通常重点关注流量质量的标记，例如点击的原始IP、转化率和总体的点击安装时间(CTIT)分布。在进行伪造用户检测时，我们会查看用户行为：用户最终购买或留存？他们的交互是否符合普通（人类）用户的规律？

< ">检测可以有效地辨识是否存在特定类型的作弊，方便我们日后开展对使用方法的研究。这之所以是个好方法，是因为检测在第一时间并不关注作弊数据“如何”进入数据集。

< ">举个简单的例子，当客户在查看控制面板时，发现渠道A的转化率是0.05%。他不知道哪些交互是不真实的，但是他知道这很有可能是作弊造成的。

< ">再举一个例子，内部BI团队查看来自不同广告发行商的用户购买率。他们并不知道哪些具体的用户不真实，但是他们可以明确地找出生命周期价值(LTV)异常低的广告发行商。

< ">利用机器学习算法为设备作排名也是作弊检测的一种形式。神经网络可以根据大量属性为用户分组，使其得以检测到人类通常不会轻易采用的模式。为用户评分则能让我们明白，来自特定合作伙伴的用户是否表现出异常行为，也帮助我们了解，为何它们先前被视为真实流量。

< ">这些示例表明了Adjust为何将检测看作预防作弊过程中的首要步骤，而非解决方案的万灵丹。实际上，我们认为推广单一独立的检测，有可能为整个生态系统带来严重的负面影响。

< ">视预防为唯一对策会产生什么问题？

< ">试想一下，您的信用卡公司通知您，您的帐户出现了一笔来自世界另一端的伪造提现交易。但是他们并没有尝试阻止，而只是向您发送最新消息，告诉您他们归类为欺诈的每一笔进一步交易。是否冻结这张卡需要由您来决定。

< ">使用作弊检测工具的广告主会有与上述情况相似的感受。提供事发后的“事后”警告，使生态系统形成了这样的本能反应倾向，并很无奈地养成了对“基础级别作弊”的容忍。

< ">在每个月末，广告主不得不深入研究每个渠道合作伙伴及其次级广告发行商的报告，标记出超越已检测到作弊任意临界值的部分。之后他们尝试说服产生这类数据的渠道，并就退款或未来营销活动的折扣达成新闻源发布信息协议。这个过程十分麻烦，牵涉其中的双方也都不乐见。对于此类信息，广告主唯一能选择的其他应对方式就是将特定次级广告发行商列入黑名单，微引流是什么意思或是完全停止与某个合作伙伴合作。最终，在广告主自行采取任一对策之前，往往开始接受“较低”的作弊发生可能性。

< ">我们都知道，唯一“可接受”的作弊量应该是0%。然而如果在活动中提出这个观点，有些人可能嗤之以鼻，这是因为在我们的行业内，充斥着低于标准的防作弊措施。

< ">对于渠道来说，这个过程也同样令人沮丧，因为早在广告主尝试收回作弊流量之前，广告发行商通常已经收到付款。碍于汇总报告难以使用，又缺乏可操作的数据，间接使得渠道无法依计划移除恶意发行商。

< ">唯一能够防止付费给作弊广告发行商的对策，就是使用活跃的过滤器，通过这些过滤器，渠道和广告主能够实时了解被拒绝的流量。让我们来进一步了解过滤器是什么。

< ">有效的防作弊过滤器该具备哪些要素？

< ">如果不过滤作弊数据，合法的流量来源恐怕会失去归因，进而扭曲客户的数据集，降低下游指标。因此，所有防作弊系统欲达成的唯一结果，应该是过滤归因以拒绝作弊。

< ">然而，并非所有过滤器都以相同的条件创建。许多解决方案采用的过滤条件并不完善，同时间也暴露了他们对于作弊方法知识的不足。要突破画地自限的黑箱(black box)思维，我们需要革新大多数防作弊过滤器的基本功能。

< ">以下是为奠定Adjust过滤系统的四大核心支柱：

< ">低假阳性率

< ">低假阴性率

< ">符合逻辑

< ">透明清晰

< ">我们将防作弊过滤定义为一组逻辑条件，它们不会产生假阳性或假阴性数据，或是（至少）产生非常低的假阳性率或假阴性率。逻辑条件需要是解释性并且透明的，这意味着对于回应“到底为何拒绝此项归因？”这一问题，需要有明确、易懂并能被认同的答案。此外，有效的过滤器应基于逻辑的事实以及作弊者无法控制的机制上创建，方能使作弊无所遁形。

< ">Adjust对于过滤作弊的看法

< ">正因为我们拒绝广告作弊，我们应该乐于为我们系统所阻挡的任何归因承担责任，并勇于向合作伙伴捍卫每项被阻挡之归因的正当性。

< ">我们不见得要在每回自动杜绝作弊发生后和渠道讨论，但是我们承担每一次防止作弊发生的重责大任。

< ">预防作弊不应只是一种营销策略，或是一种混淆视听的小程序系统平台开发方式，它应是严肃的责任。如果处理得当，反作弊解决方案将有助于优化整个移动广告生态系统。倘若应对过程中，我们忽略了相关的重要细节或必要研究，那么它最终只会成为行业内蒙混大众的万灵油。