【雷达头条】干货：当买量遇到刷量，起底效果广告作弊数据！

“买量”还是“不买量”已经成了今年大家关注的一个热门话题，不管是行业大会、地区沙龙，还是行业大佬出来讲话，大大小小的公司都在布局、尝试开始“买量”，好像有些公司把“买量”当成了最后一根救命稻草！

出海的企业都知道，除了中国市场，想要获取用户，“买量”几乎是唯一的方式，而国内市场从去年的某个时候开始，“广州帮”吃到了第一波螃蟹，开启了“买量”的新时代，越来越多的朋友问我们关于买量的一些问题，基于我们有超过800家企业使用热云数据的效果广告监测系统来监测“买量”的效果、识别作弊流量，所以就想以一个中立第三方的身份，给大家分享一些数据和我们对于“买量”的思考，能分享的数据和能分享的内容会有很多方面，我们就陆续的发布出来。

迎合这次的主题，我们先从宏观的角度上看一看从2016年3月份到2017年3月份“买量”的行业发展趋势。

因为很多广告结算都是按点击进行结算的，所以先看下“点击趋势“的数据，可以看到一个明显的增长趋势：

然后，效果类广告按CPA来评价效果，大多数都是看激活指标，即从点击到下载、安装和打开APP算为激活，所以再来看下“激活趋势“的数据：

最后，我们再看一下“激活率趋势”，即从点击到激活的转化率：

从上面简单的3个核心指标，我们会发现：

1，2016年Q3之前，由“买量”所带来的整体“激活”趋势是上涨的，但从2016年Q4开始，“点击”的趋势明显上升，按道理说，“激活”的趋势也应该同比上涨，但却几乎没有增长。

2，从2016年Q4开始，大量的企业涌入到“买量”的队伍中，导致某些广告平台开始大量“刷点击”，导致“点击”数量与日俱增，而某些广告平台为什么要“刷点击”我下一篇再详细介绍。

3，从“激活率”趋势数据中可以看到2016年Q2-Q3，“激活率”在2%-4%之间波动，但从2016年Q4开始，“激活率”呈现明显下降趋势，到2017年3月份，“激活率”已经下降到0.25%左右，当然也跟某些广告平台大量刷量有关。

基于我们长期跟踪数据发现，2016年Q3之前是“买量”的最佳时期，竞争少CPA的价格低、没有明显的欺诈流量，随着“买量”的企业越来越多，找不到更多流量的某些平台，就打起了歪主意，对于尚未有太多“买量”经验的企业，我的建议是要谨慎甄别广告平台，不要一开始买量就“掉坑里”，要多和有经验的“买量”企业多多交流。

基于刷量、假量的增多，热云数据的移动广告监测平台的防作弊算法也进行了更新，可以有效识别真假流量。

下面，我来介绍下我们监测到的假量数据，还原一下作弊的手段和真实的数据。

先来看一个数据，大家感受一下，从2016年3月开始至今，我司的移动广告监测产品累计积累了超过30亿个独立的移动设备ID，发这个数据不是为了让大家感觉我们有多牛逼（全中国才有多少人啊），我司无法阻止“刷量”，只能靠技术手段识别哪些是“刷量”，所以请大家不要再问我们的产品是不是可以防止刷量了，想要先让大家拍脑袋猜一下其中有多少设备ID是真实的用户？据我们的统计，其中有超过75%的设备ID在“产生点击”或者激活APP后没有任何其他行为，而据国外的一些数据报告显示，这个比例是25%，说明国内的假量比例远远高于国外行业！

为什么有75%的设备没有后续行为呢？

有一种比较Low的“刷量”手段，是用程序直接模拟生成iOS的IDFA/IP或者Android的IMEI/IP地址发送给广告主或者第三方监测平台，例如直接用程序模拟生成这样的IDFA：1E2DFA89-496A-47FD-9941-DF1FC4E6484A，但因为模拟成真实的设备ID的概率太低，所以这类方法会产生大量的垃圾设备ID。

第二种方法是收集足够多真实的设备ID，再用程序模拟发送给广告主或者第三方监测平台，因为现在有太多渠道可以廉价获得真实的设备ID，所以目前大多数“刷量”的平台都采用这种方式，这种行为我将其称为“发送海量点击拼运气碰撞激活技术”，是不是很酷！当然这种方法也会因为设备ID库/IP地址的真实性、实时性、设备ID的用户画像准确性等因素而影响“刷量”效果。

这时候，就有人说了，反正我是看ROI的，要是有刷量ROI肯定不好啊，ROI不好我肯定就不投了啊，这话绝对没毛病！那是建立在你投放的平台是按CPC、CPM、CPT等结算方式的，要是按CPA结算呢？

写到这里，我必须先澄清下，我的目的不是说所有按CPA结算的平台都有“刷量”，更不是要把CPA渠道一棒子打死，很多CPA渠道假量多也跟其网盟下面作弊的媒体流量有关，实事上行业中有非常多不错的CPA渠道。

为什么说“按CPA结算”有作弊的空子钻呢？

这里就要先科普一下目前行业中大家都认可的效果类广告归因模型LastClick模型了：

假设你同时在Facebook、Twitter、Google三个平台上面投放广告，当有用户依次在三个平台上面点击了广告，那么按照3个平台分别的归因规则：

Facebook在用户点击后28天内的安装和看过广告24小时内安装也会归因为Facebook安装；

Twitter在用户点击后14天内的安装都会归因成Twitter数据；

Google在用户点击后30天内的数据将归因为Google安装。

而第三方监测平台的归因（Last Click Model）模型使用Last Click跟踪模式，即将安装&打开APP的用户分配给最后产生点击的渠道。例如用户周一点击了Facebook广告没有下载，周三点击了Google广告没有下载，周五点击Twitter广告并下载了，那这个安装会被其他两个渠道算成是他们的安装，但第三方会把这个安装算给Twitter，当然实际情况还要比这个例子复杂许多，假设广告主自己做归因系统，则经常会因为和各平台的差异等问题而产生大量沟通、再加上复杂的作弊识别算法等技术的坑，目前90%的公司会选择使用第三方监测平台。

真实的广告投放场景是一个APP会同时在N家广告平台或渠道进行投放，所以当一个激活或者安装产生之后，第三方的归因系统会按照归因模型把这个用户算给某个平台，即本次激活或安装应该匹配到哪一次“点击”，如果是正常的用户点击和激活行为，按照LastClick Model，可以很好的进行归因，但当有平台刷“点击”的时候，就会导致2个严重的问题：

1、其他平台的量被“刷”走

举个例子说明：比如用户A在今日头条点击了一个广告，然后跳转到了Appstore进行下载、而这个时候“刷量”平台刚好也给广告主或者第三方监测平台发送了用户A点击广告的数据，而当用户下载完APP后，这个用户就会被算为“刷量”平台的用户。

2、“自然量”会被“刷”走

因为很多用户会直接通过Appstore进行下载APP，而这个时候如果在用户下载前，“刷量”平台刚好发送了一条点击广告的数据，这个用户也会被算为“刷量”平台的用户。

如上2个问题一般会导致：如果广告主同时在多个平台进行广告投放的情况下，正规平台的量有一定概率会被“刷”走，从而会影响广告主对平台效果的评估，甚至是广告投放预算决策的错误，此外，“自然量”被“刷”走，则会给广告主带来额外的投放开支、甚至是决策错误，从而影响广告投放效果。

“刷量”的基本特点包括会产生大量的点击、一个设备ID每天点击多次广告、一个设备ID连续多天点击广告、一个设备ID每天点击不同APP的广告等等，这里有一份真实的数据：

单设备每日点击广告超过1次的比例：

表示一个设备每天点击相同广告的次数，可以从下面表格中的数据看到，“刷量”平台平均每天有超过40%的设备会“点击”相同的广告链接，而对比正常的渠道是9%。

每周超过1天点击广告的比例：

表示在一周内，一个设备是否会每天都点击广告，“刷量”平台会有超过35%的设备会连续多天“点击”广告链接，甚至“刷量平台B”这个数据超过63%。

每天点击不同APP的数量大于1的比例：

这个数据是衡量假设有多个APP在同一家广告平台进行投放，那么其广告平台的用户是否会同一天点击多个APP的广告链接，正常情况下只有1.5%的用户会点击多个APP的广告链接，而“刷量”平台有超过40%的用户，会每天“点击”多个APP的广告链接，这显然不make sense。

对比数据指标	对比广告平台	“刷量”平台A	“刷量”平台B	“刷量”平台C
单设备每日点击广告超过1次的比例	9%	37%	48%	44%
每周超过1天点击广告的比例	4%	35%	63%	35%
每天点击不同APP的数量大于1的比例	1.50%	43%	42%	38%

所以说按CPA进行结算是有概率进行钻空子的原因，相信大家应该明白其中的道理了，建议大家除了关注成本、回报，还要关注下激活转化率，再次强调一下，并不是所有按CPA结算的渠道都会“刷量”，当然“刷量”其实是一个技术活，其中的“优化算法”还是很有技术含量的。

上一篇文章，我贴了这个激活率趋势数据，其中是包含了所有“点击”到“激活”的数据，大家回顾一下：

这次我把目前我们监测的超过1300家广告平台、渠道、APP（反正就是广告主们用到的所有流量平台）去掉了冲榜渠道（因为转化率实在太高了），去掉累计给广告主带来的激活数少于10000的平台（这样的平台量不大，但很多质量很好），按照激活转化率这个指标进行了分区对比，大家分别看下最近3个月的数据：

从数据当中可以看到：

转化率最高的头部广告平台的平均数为4.37%，1月到3月趋势变化不明显，3月份还没有整月数据，供参考。转化效果中等的平台，点击到激活的转化率平均为1.07%，1月到3月变化也不明显，转化较差的平台的平均转化率是0.32%，因为热云数据的移动广告监测平台目前覆盖了超过1300家广告平台，光看这份平均值数据还是不够的，后面我们会再逐渐深入的进行数据的分析。

【来源： More一Than一Data 作者：Tony Bai 】

置顶雷达