虚假流量的认知与识别下篇

　　上篇围绕虚假流量的发生机制、发生原因（背后的利益捆绑）、识别虚假流量的常见维度等；下篇从一个案例完整介绍如何识别虚假流量。
　　在虚假流量的认知与识别（上篇）中介绍，虚假流量的识别可从基本属性、产品参与度、转化情况三方面来识别。
　　首先，基本属性。具体包括：时间amp；amp；地域维度、终端类型、操作系统、联网方式、运营商、IP集中等
　　其次，产品参与度。具体包括：跳出率、平均访问深度、平均访问时长、用户行为路径、页面点击情况、流量留存情况、单页面人均访问次数等。
　　第三，转化情况。因为很多作弊流量可以模仿人类行为，成功绕过跳出率、平均访问深度和停留时长这些宏观指标，但是要模仿一个业务转化就比较难了，如果宏观指标表现很好，业务转化很少的话，就需要提高警觉。
　　下面通过一个案例从用户行为数据多维诊断虚假流量。这个案例围绕上述三种A企业是电商企业，日常会在社会化媒体进行广告投放，在1月8日线上数据投放的常规检查中发现，近期一家媒体（下称M渠道）所带来的流量数据异常大。为查明该媒体渠道所带来的流量是否为虚假流量，A企业将M渠道下的用户行为进行多维度细分，进行流量排查。
　　一。基本属性初步排查
　　流量访问通常会分布在一天中的各个时段，伴随平滑的曲线形成访问高峰与低峰。显然虚假流量不具备这一特点，因为人为机器操作为节省成本不会在意流量的时间分布，难免会在时间曲线上会有流量突增的情况。因此，要找到异常流量发生的时间点，将时间细化到每小时的访问数据，如果流量过于集中在某个时段，或者在不恰当的时间点出现了流量激增的情况，这时候就要引起注意了。
　　1。时间维度
　　图1M渠道与百度渠道流量对比
　　通过图1看到，百度流量来源呈现平缓变化，从流量时间分布上看，基本符合正常访问情况。与之形成鲜明对比的是，M渠道全天流量高峰期分别在2：00、5：00、14：00、15：00。这几个时段内的流量过于集中，而在其他正常时段内，流量几乎为零。经过内部确认，该阶段并未有活动发生，产生突增的访问高峰十分可疑。
　　2。用户访问设备
　　图2从设备情况了解M渠道用户的操作系统
　　上文提到在正常情况下，同样用户访问设备应该多元化。在这个案例中，通过上图发现M渠道流量设备基本都是Android端。由于M渠道未投放，更没有设备限定，增加了虚假流量的可能性。
　　3。IP集中
　　图3按IP查看Web浏览页面触发用户数
　　一般而言，IP的频繁点击、流量激增都是不正常的。我们通过数据可以看到，图中IP带来的流量在2：00、5：00和15：00均有突变，尤其140。205。92。1表现最明显。经过以上维度诊断，此流量十分可疑，可结合产品参与度进行深度判定。
　　二。产品参与度深度判定
　　1。跳出率
　　虚假流量产生高跳出率的时间，通常会和用户访问时间段一致。因此可以结合流量时间等因素进行综合对比。
　　图4M渠道来源流量的跳出率
　　从图4来看，该渠道来的用户跳出率高达98。88，说明用户通过渠道链接来到网站落地页后，几乎都没有进行进一步的浏览。
　　图5分时段查看Web跳出率
　　通过M渠道用户与非M渠道用户跳出率情况的对比。我们可以看到，非M渠道用户的跳出率变化比较平缓，分布在80上下。而M渠道用户跳出率的变化则是分时段网站突然增高的，突增的时段恰好和前面的访问突增时段吻合，比如凌晨2：00和5：00时段，这部分流量更值得怀疑。
　　当然，即使M渠道流量从跳出率指标上来看表现很好，我们也不能直接定位它一定就是真实的流量，还应该结合访问深度和访问时长、访问路径等来进行深度分析。
　　2。平均访问深度
　　图6平均访问深度判定
　　从图6中我们可以看到，M渠道用户一次访问平均浏览了一个页面，说明大部分的会话都是访问一个页面就退出了，并没有进行后续页面浏览。
　　2。平均访问时长
　　如图7，M渠道用户平均在网站停留的时长6。2s。6s的时间，可能大部分用户是在网站都浏览12个页面就退出，并无明显的交互行为。为了验证该猜想，可以看图8的用户路径分析。
　　图7M渠道用户的平均访问时长分析
　　3。用户行为路径
　　图8M渠道用户行为路径
　　图9用户行为路径页面访问的节点信息
　　在这个案例中，图9是M渠道用户的前4次访问的分布情况，可以发现，大部分用户是先进行的首页面访问amp；gt；退出。通过节点信息查看，还可以发现，在页面访问后，99。08的用户无后续动作。
　　图10抽样M渠道30个用户，其中29个用户的行为路径
　　图11抽样M渠道30个用户，唯一用户的行为路径
　　在M渠道的用户群体中，随机抽取了30个用户，发现其中29个用户为上图情况，这批用户具有相同的行为序列，来到落地页后均无后续动作而退出。针对唯一有后续行为的用户，通过行为序列分析发现，用户行为多次浏览落地页，但浏览动作重复，隔一段时间进行一次落地页访问，行为也有重复。因此M渠道用户的行为路径存在太强的规律性，是有迹可循的，进一步证实了是虚假流量。（备注：一个循环单元中的两个动作间隔极短，不到1s，应该这两个事件是一次浏览落地页而触发的神策预置采集的Web浏览事件和自定义事件页面访问，其实只是一个浏览落地页的动作）。
　　三。转化情况终极确认
　　目前有些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长这些宏观指标，但是要模仿一个业务转化就比较难了，如果宏观指标表现很好，业务转化很少的话，就需要提高警觉。根据实际业务流程，我们定义提交订单是核心转化。我们设置核心转化漏斗步骤如下：
　　图12设置核心转化漏斗流程
　　图13M渠道用户与非M渠道用户核心转化对比
　　通过漏斗分析对比，可以看到M渠道用户完成核心转化的用户数为0。在漏斗转化中，我们发现当用户访问页面访问后，并没有用户去点击核心按钮提交订单，更是没有有效点击的用户。M渠道虽然给平台带来了很大流量，但是核心转化的人数为0，对于我们核心业务并无帮助。再结合用户在网站中的参与度与行为分析，该流量符合我们判断虚假流量的常见特征。
　　通过神策分析平台进行的上述分析，我们通过对M渠道流量产生的时间、流量的用户终端、流量的跳出率、退出率、平均访问时长、平均访问深度、用户路径以及流量的核心转化等方面进行分析，可以发现，该批流量在流量分布上呈现不自然性、过于规律的特点，基本判断M渠道产生的流量为虚假流量。
　　总结
　　面对虚假流量我们应该做什么？数据分析是识别虚假流量的重要方式之一。除此之外，一些企业也尝试通过逻辑判断设定相应机制，来辅助识别虚假流量。例如一家企业在APPStore版本更新时，如果发版的第二天新增用户为老版本，那么这部分群体将自动被判定为疑似虚假流量，并对其屏蔽相关功能，如默认福利、私信等，当然还会提供用户申诉解封的途径，以防误判。
　　无论通过哪种方式，虚假流量都被证明为并非无迹可寻。其中数据分析是识别虚假流量相对直接且简单的识别途径，为广告主为提升数字营销运营能力。这要求企业主：
　　一方面，要掌握可靠的衡量数据。依据对数据分析工具的熟稔应用以及监测执行经验，企业应与能够实现多维数据分析平台进行合作，神策数据帮助企业对疑似流量进行精细维度的排查，辅助网络投放环境的净化；
　　另一方面，广告主应不断优化运营模式与改善运营状况，虚假流量的监测与识别并非高度依靠技术能力，广告主在理解虚假流量特征后，可通过基础数据分析专业知识，评估数字广告投放效果，不断优化投放渠道。
　　相关阅读
　　虚假流量的认知与识别（上篇）