虛假流量的認知與識別（下篇）

在《虛假流量的認知與識別（上篇）》中介紹，虛假流量的識別可從基本屬性、產(chǎn)品參與度、轉(zhuǎn)化情況三方面來識別。

• 首先，基本屬性。具體包括：時間 & 地域維度、終端類型、操作系統(tǒng)、聯(lián)網(wǎng)方式、運營商、IP 集中等

• 其次，產(chǎn)品參與度。具體包括：跳出率、平均訪問深度、平均訪問時長、用戶行為路徑、頁面點擊情況、流量留存情況、單頁面人均訪問次數(shù)等。

• 第三，轉(zhuǎn)化情況。因為很多作弊流量可以模仿人類行為，成功繞過跳出率、平均訪問深度和停留時長這些宏觀指標，但是要模仿一個業(yè)務(wù)轉(zhuǎn)化就 比較難了，如果宏觀指標表現(xiàn)很好，業(yè)務(wù)轉(zhuǎn)化很少的話，就需要提高警覺。

下面通過一個案例從用戶行為數(shù)據(jù)多維診斷虛假流量。這個案例圍繞上述三種A 企業(yè)是電商企業(yè)，日常會在社會化媒體進行廣告投放，在 1 月 8 日線上數(shù)據(jù)投放的常規(guī)檢查中發(fā)現(xiàn)，近期一家媒體(下 稱“M 渠道”)所帶來的流量數(shù)據(jù)異常大。為查明該媒體渠道所帶來的流量是否為虛假流量，A企業(yè)將M渠道下的用戶行為進行多維度細分，進行流量排查。

一. 基本屬性初步排查

流量訪問通常會分布在一天中的各個時段，伴隨平滑的曲線形成訪問高峰與低峰。顯然虛假流量不具備這一特點，因為人 為 / 機器操作為節(jié)省成本不會在意流量的時間分布，難免會在時間曲線上會有流量突增的情況。因此，要找到異常流量發(fā) 生的時間點，將時間細化到每小時的訪問數(shù)據(jù)，如果流量過于集中在某個時段，或者在不恰當?shù)臅r間點出現(xiàn)了流量激增的 情況，這時候就要引起注意了。

1. 時間維度

圖1 M 渠道與百度渠道流量對比

通過圖 1 看到，百度流量來源呈現(xiàn)平緩變化，從流量時間分布上看，基本符合正常訪問情況。與之形成鮮亮對比的是， M 渠道全天流量高峰期分別在 2:00、5:00、14:00、15:00。這幾個時段內(nèi)的流量過于集中，而在其他正常時段內(nèi)，流量幾乎為零。 經(jīng)過內(nèi)部確認，該階段并未有活動發(fā)生，產(chǎn)生突增的訪問高峰十分可疑。

2. 用戶訪問設(shè)備

圖2 從設(shè)備情況了解 M 渠道用戶的操作系統(tǒng)

上文提到在正常情況下，同樣用戶訪問設(shè)備應(yīng)該多元化。在這個案例中，通過上圖發(fā)現(xiàn) M 渠道流量設(shè)備基本都是 Android 端。 由于 M 渠道未投放，更沒有設(shè)備限定，增加了虛假流量的可能性。

3. IP 集中

圖3 按 IP 查看 Web 掃瞄 頁面觸發(fā)用戶數(shù)

一般而言，IP 的頻繁點擊、流量激增都是不正常的。我們通過數(shù)據(jù)可以看到，圖中 IP 帶來的流量在2:00、5: 00 和15:00 均有突變，尤其140.205.92.1 表現(xiàn)最明顯。經(jīng)過以上維度診斷，此流量十分可疑，可結(jié)合產(chǎn)品參與度進行深度判定。

二. 產(chǎn)品參與度深度判定

1. 跳出率

虛假流量產(chǎn)生高跳出率的時間，通常會和用戶訪問時間段一致。因此可以結(jié)合流量時間等因素進行綜合對比。

圖4 M 渠道來源流量的跳出率

從圖 4 來看，該渠道來的用戶跳出率高達98.88%，說明用戶通過渠道鏈接來到網(wǎng)站落地頁后，幾乎都沒有進行進一步 的掃瞄 。

圖5 分時段查看 Web 跳出率

通過 M 渠道用戶與非 M 渠道用戶跳出率情況的對比。我們可以看到，非 M 渠道用戶的跳出率變化比較平緩，分布在 80% 上下。而 M 渠道用戶跳出率的變化則是分時段網(wǎng)站突然增高的，突增的時段恰好和前面的訪問突增時段吻合，比如凌晨 2:00 和 5:00 時段，這部分流量更值得懷疑。

當然，即使 M 渠道流量從跳出率指標上來看表現(xiàn)很好，我們也不能直接定位它一定就是真實的流量，還應(yīng)該結(jié)合訪問深度 和訪問時長、訪問路徑等來進行深度分析。

2. 平均訪問深度

圖 6 平均訪問深度判定

從圖 6 中我們可以看到，M 渠道用戶一次訪問平均掃瞄 了 一 個頁面，說明大部分的會話都是訪問一個頁面就退出了，并 沒有進行后續(xù)頁面掃瞄 。

3. 平均訪問時長

如圖 7，M 渠道用戶平均在網(wǎng)站停留的時長 6.2s。6s 的時間，可能大部分用戶是在網(wǎng)站都掃瞄 1-2 個頁面就退出，并無 明顯的交互行為。為了驗證該猜想，可以看圖 8 的用戶路徑分析。

圖 7 M 渠道用戶的平均訪問時長分析

4. 用戶行為路徑

圖8 M 渠道用戶行為路徑

 圖9 用戶行為路徑“頁面訪問”的節(jié)點信息

在這個案例中，圖 9 是 M 渠道用戶的前 4 次訪問的分布情況，可以發(fā)現(xiàn)，大部分用戶是先進行的首頁面訪問 -> 退出。 通過節(jié)點信息查看，還可以發(fā)現(xiàn)，在頁面訪問后，99.08% 的用戶無后續(xù)動作。

圖10 抽樣 M 渠道 30 個用戶，其中 29 個用戶的行為路徑

圖11  抽樣 M 渠道 30 個用戶，唯一用戶的行為路徑

在 M 渠道的用戶群體中，隨機抽取了 30 個用戶，發(fā)現(xiàn)其中 29 個用戶為上圖情況，這批用戶具有相同的行為序列，來到落 地頁后均無后續(xù)動作而退出。 針對唯一有后續(xù)行為的用戶，通過行為序列分析發(fā)現(xiàn)，用戶行為多次掃瞄 落地頁，但掃瞄 動作重復，隔一段時間進行一次 落地頁訪問，行為也有重復。因此 M 渠道用戶的行為路徑存在太強的規(guī)律性，是有跡可循的，進一步證實了是虛假流量。 ( 備注 : 一個循環(huán)單元中的兩個動作間隔極短，不到 1s，應(yīng)該這兩個事件是一次掃瞄 落地頁而觸發(fā)的神策預置采集的 Web 掃瞄 事件和自定義事件頁面訪問，其實只是一個掃瞄 落地頁的動作 )。

三. 轉(zhuǎn)化情況終極確認

目前有些作弊流量可以模仿人類行為，繞過跳出率、平均訪問深度和停留時長這些宏觀指標，但是要模仿一個業(yè)務(wù)轉(zhuǎn)化就 比較難了，如果宏觀指標表現(xiàn)很好，業(yè)務(wù)轉(zhuǎn)化很少的話，就需要提高警覺。 根據(jù)實際業(yè)務(wù)流程，我們定義“提交訂單”是核心轉(zhuǎn)化。我們設(shè)置核心轉(zhuǎn)化漏斗步驟如下 :

圖12 設(shè)置核心轉(zhuǎn)化漏斗流程

圖13 M 渠道用戶與非 M 渠道用戶核心轉(zhuǎn)化對比

通過漏斗分析對比，可以看到 M 渠道用戶完成核心轉(zhuǎn)化的用戶數(shù)為 0。在漏斗轉(zhuǎn)化中，我們發(fā)現(xiàn)當用戶訪問頁面訪問后， 并沒有用戶去點擊核心按鈕“提交訂單”，更是沒有有效點擊的用戶。M 渠道雖然給平臺帶來了很大流量，但是核心轉(zhuǎn)化的 人數(shù)為 0，對于我們核心業(yè)務(wù)并無幫助。再結(jié)合用戶在網(wǎng)站中的參與度與行為分析，該流量符合我們推斷 虛假流量的常見 特征。

通過神策分析平臺進行的上述分析，我們通過對 M 渠道流量產(chǎn)生的時間、流量的用戶終端、流量的跳出率、退出率、平均 訪問時長、平均訪問深度、用戶路徑以及流量的核心轉(zhuǎn)化等方面進行分析，可以發(fā)現(xiàn)，該批流量在流量分布上呈現(xiàn)不自然性、 過于規(guī)律的特點，基本推斷 M 渠道產(chǎn)生的流量為虛假流量。

總結(jié)

面對虛假流量我們應(yīng)該做什么?數(shù)據(jù)分析是識別虛假流量的重要方式之一。除此之外，一些企業(yè)也嘗試通過邏輯推斷 設(shè)定相應(yīng)機制，來輔助識別虛假流量。 例如一家企業(yè)在 APPStore版本更新時，如果發(fā)版的第二天新增用戶為老版本，那么這部分群體將自動被判定為疑似虛假 流量，并對其屏蔽相關(guān)功能，如默認福利、私信等，當然還會提供用戶申訴解封的途徑，以防誤判。

無論通過哪種方式，虛假流量都被證明為并非無跡可尋。其中數(shù)據(jù)分析是識別虛假流量相對直接且簡單的識別途徑，為廣 告主為提升數(shù)字營銷運營能力。這要求企業(yè)主:

一方面，要掌握可靠的衡量數(shù)據(jù)。依據(jù)對數(shù)據(jù)分析工具的熟稔應(yīng)用以及監(jiān) 測執(zhí)行經(jīng)驗，企業(yè)應(yīng)與能夠?qū)崿F(xiàn)多維數(shù)據(jù)分析平臺進行合作，神策數(shù)據(jù)幫助企業(yè)對疑似流量進行精細維度的排查，輔助網(wǎng) 絡(luò)投放環(huán)境的凈化;

另一方面，廣告主應(yīng)不斷優(yōu)化運營模式與改善運營狀況，虛假流量的監(jiān)測與識別并非高度依靠技術(shù)能力， 廣告主在理解虛假流量特征后，可通過基礎(chǔ)數(shù)據(jù)分析專業(yè)知識，評估數(shù)字廣告投放效果，不斷優(yōu)化投放渠道。