虚假流量的认知与识别（下篇）

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 & 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1 M 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。与之形成鲜亮对比的是， 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 扫瞄 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4 M 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 的扫瞄 。

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扫瞄 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 没有进行后续页面扫瞄 。

3. 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扫瞄 1-2 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 7 M 渠道用户的平均访问时长分析

4. 用户行为路径

图8 M 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 -> 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，用户行为多次扫瞄 落地页，但扫瞄 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扫瞄 落地页而触发的神策预置采集的 Web 扫瞄 事件和自定义事件页面访问，其实只是一个扫瞄 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13 M 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，该流量符合我们推断 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，基本推断 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推断 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。