Кликфрод

Кликфрод — один из видов сетевого мошенничества, представляющий собой обманные клики на рекламную ссылку лицом, не заинтересованным в рекламном объявлении. Может осуществляться с помощью автоматизированных скриптов или программ, имитирующих клик пользователя по рекламным объявлениям pay per click. Скликивать объявления могут недобросовестные веб-мастера со своих же сайтов либо конкуренты рекламодателей.

По данным BusinessWeek, значительно участились случаи кликфродов рекламных объявлений[1]. Аналитики утверждают, что 10—15 процентов кликов на рекламу — ложные. При этом специалисты считают, что наиболее проблемной в этом плане является контекстная реклама[2]. Крупнейшие онлайн-рекламодатели Запада решили объединиться для борьбы с данной тенденцией. Потери составляют почти 1 млрд долларов в год[3].

Общие сведения
Кликфрод
Цель проекта или миссии Нравится и подписчик[d]

Примеры кликфрода

  • Технические клики — переходы по ссылкам, совершённые роботами индексации сайтов
  • Клики рекламодателей — переходы по ссылкам, совершаемые рекламодателями по собственным объявлениям с целью поднятия CTR.
  • Клики конкурентов — переходы по ссылкам, совершаемые сотрудниками конкурирующих структур.
  • Клики со стороны недобросовестных веб-мастеров — переходы по ссылкам, совершаемые вебмастерами или созданными ими системами с целью увеличения доходности рекламной площадки[4].

Признаки кликфрода

  • Большое число переходов с одного IP-адреса.
  • Большое количество посетителей, которые быстро покидают сайт.
  • Высокое количество переходов на сайтах определённого партнёра.
  • Снижение уровня конверсии при увеличении количества переходов.
  • Увеличение количества переходов на все ключевые слова[5].

Алгоритм защиты от кликфрода в контекстной рекламе

  • Сбор открытых данных о пользователях с помощью различных систем аналитики (Яндекс Метрика, Google Analytics, Motombo и так далее),
  • Группировка похожих сессий по признакам кликфрода. Группировать можно посредством методов кластеризации машинного обучения с применением алгоритма k-средних,
  • Обучение нейронной сети на полученных группах похожих сессий с построением модели определения кликфрода,
  • Подключение обученной модели к новым получаемым данным в реальном времени для определения кликфрода.

Примечания

Категории