一、现存问题
第三方流量主的流量质量不佳，甚至进行流量作弊。而当前要解决的问题为：判断流量是否是作弊的流量
1.举例:(1)假量 (2)次量、真假量互掺 (3)针对我们的程序实现作弊方案
2.作弊分层:(1)低层次通过ip、cookie、点击频率、经纬度等确定
(2)中等层次:通过程序模拟普通人工操作
(3)高层次:水军团对，高层次技术或人为操作
3.产生这种情况可能有多种: 1.流量主希望收益增多 2.广告主彼此的恶意竞争 3.网络爬虫4.随意了解5.无意点击等
二、概念明确
要解决这一问题，主要是实现 流量主的实际收获=广告主的实际付出。可实现方式公式:
广告主花费=流量主收益=效果总量价值=广告数据量广告平均效应信用度(价值比例)
可以从流量主方进行把控
- 流量主信用度
(1) 流量主的信用度和流量主收益有关，在使用时具备参考价值
(2) 流量主的信用度提供给同行其他企业作为信息公示
- 流量主的用户数据真实性
(1) 用户固有数据的可靠性
(2) 用户行为数据是否符合人为规律
可以从广告主方进行把控
- 预算控制
- 投放效果建议
- 流量主选择建议
- 流量主、广告主合作方式衔接
三、参考资料
- 淘宝方案
数据体系：包括所有的数据，作弊前后，用户行为数据。投诉信息的收集。
分析体系：分析的方法论体系建立，有一套完整的流程、算法。
规则体系：主要是反作弊线上的规则。如何评估一个规则
监控体系：能够主动发现作弊并且能够发现已经上线的规则中的异常。
- 《程序化广告》书籍
a) 用户标识
i. Ip、cookie、窗口大小、操作系统、版本号等
b) 用户行为
i. 广告浏览点击是否符合正常规律
ii. 到站情况
c) 广告来源
d) 品牌安全
i. 寻找品牌安全供应商提供该项服务，过滤黑名单的
e) 可见度测量时间间隔要求多久展示
f) 算法优化
i. 投放预算、速度等定向条件
ii. 特征分析
四、未来发展趋势
- 各种动态的常规特征监控非常规的数据:利用机器学习进行自动提取可信度高的数据，例如通过imei号关联，将自动生成的多种特征进行数据分析，将不符合各种特征的数据进行提取出来做人为二次分析。(例如：获取某个imei号在某一时间使用某一款app 等这样的事件，获取n条动作相同的权重的名词、动词形成特定的人物画像标签，同时通过监控在多种维度判断该imei是否可以被去掉)如此一来，我们根据现有判断信用度高的数据，通过特征提取，我们不知道会生成怎样的符合规律数据特征，进行数据分析提取
- 信用度门槛。标识数据的唯一性。黑白名单的建立
a) 建立信息传递体系。例如如果发现黑名单，则具备该黑名单关联的数据，将统一增加黑名单可能性，白名单一样
b) 网络曝光
i. 通过网络爬虫搜集网络数据
ii. 从作弊人员那里购买作弊信息。杜绝作弊人员作弊共性信息
五、当前可行方案
- 通过我们不定时的程序，访问流量主应用，核对数据是否正确
- 定时确定影响，该数据效果是否为广告主带来了媒体效应、增加了收益
- 留存率，留存流量主过往信息
- 建立有效的标识数据(以imei、ip、常用wifi、常去的地方、第三方数据属性情况 进行数据聚集整合)
- 标识数据是否正常，符合常规数据特征
(1) 用户行为：
a. imei是否正常同一秒同一个imei不可能同时访问几个应用，应用后台运行不会去访问广告。
b. 地理位置是否正常,不可能同一时间相隔的经纬度非常远
c. 活跃情况判断。例如一个人在使用墨迹天气，不可能一天打开七八次，而且还不是在早上和晚上
(2) 数据包是否完整
- 预期监控。根据不同的流量主，给一个曝光广告频率、操作行为、人群段等信息划分，一旦到达某种程度则予以报警，进行数据分析
- 收集不完整的数据分析，如果分析得出是伪造数据的可能性比较大，则逐步列入流量主、数据唯一标识的可信度，逐渐步入黑名单
六、针对该问题实施方案
- 根据有经验的广告平台行业人员推荐、或者找第三方信用度量的中间商 寻找流量主接入
- 寻找流量主接入，尽可能的接入流量主的数据,前期按照广告月租之类的，后面精细按照每条数据进行结算
- 增加权重黑白名单，或衔接信用度中间商(具体接入网上没找到)
- 数据分析方式不断优化反馈验证
(1)规则模型
(2)业务模型
(3)概率模型
(4)唯一标识权重、媒体权重、黑白名单建立
(5)数据变化趋势模型
(6)多种形式收集广告投放响应。第三方，广告主预期效果访问、媒体主效果展示访问、问题点发现分析(抽样 广告主ID、搜索词、竞价词、来源站点、IPB（IP的C段和B段))
- 数据分析形成流量主各个特征，供广告主选择
- 相关的指数从第三方拿(来源(站内、搜索引擎、联盟站点、tanx流量广告系统))
————————————————
版权声明：本文为CSDN博主「技术写轮」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u012990630/article/details/78721175
