Diğer

Wie maschinelles Lernen eine “Voraussetzung” für die Erkennung von Anzeigenbetrug ist

Das Ziel der bloßen Klickmanipulation besteht darin, das Last-Click-Attributionsmodell für monetäre Gewinne zu entführen.Das Ziel der bloßen Klickmanipulation besteht darin, das Last-Click-Attributionsmodell für monetäre Gewinne zu entführen.

Von Abhinav Bangia

Vermarkter / Werbetreibende werden heute mit Daten gebündelt. Sie sammeln Daten hinter jedem Kontaktpunkt, den der Verbraucher erstellt, direkt aus Klickdaten, Installationsdaten, Engagement-Daten usw.

In der heutigen Welt gibt es zwei Hauptaktivitäten, an denen Vermarkter beteiligt sind:

  • Mithilfe von Klick- und Installationsdaten untersuchen Marketer ständig verschiedene Kampagnenformen, um größere Mengen in den digitalen Trichter zu befördern
  • Mithilfe von Engagement-Daten untersuchen Marketer die Kanäle für Engagement und Nachricht während des gesamten Lebenszyklus eines digitalen Verbrauchers, um einen höheren LTV zu ermöglichen

Dies reicht jedoch nicht aus, um zu untersuchen, ob die eingehenden Daten korrekt zugeordnet sind oder nicht. Vanity-Matrizen sind heutzutage nur Zahlen auf einem digitalen Dashboard, aber die Richtigkeit wird durchweg immens vermutet.

Das Auffinden von Attributionsmanipulationen kann problematisch sein, und das Abschätzen eines analogen Verhaltens des Verkehrs auf eine Konstante ist lediglich unmöglich. Aufgrund des Problems und der Größe der Daten ist ein maschinengeführtes Verständnis der Daten im Laufe der Zeit erforderlich.

Die Verwendung von Filtern, Randbedingungen, Schwellenwerten usw. bietet ein gutes deskriptives statistisches Verständnis der vorliegenden Daten und kann die regelbasierte Anomaliefindung abschätzen. Dies verfehlt jedoch die prädiktive und verschreibungspflichtige Datenwissenschaft.

KI im Werbebetrug

Um ein echtes maschinelles Lernmodell zu erstellen, muss man sich die Daten sehr genau ansehen und ein homogenes Lernmodell erstellen, das nur das Reiseverhalten des Verbrauchers als Lernvariable einfügt.

Beispiele für gängige Anzeigenbetrugsprogramme, bei denen ML hilft:

  1. Einige Sub-Publisher-basierte mobile Anwendungen verfolgen die Keyword-Suche des Verbrauchers im Google Play Store oder iOS Store. Wenn ein Verbraucher nach einem bestimmten Werbetreibenden sucht, der aktiv ist und leistungsgesteuerte Kampagnen ausführt, wird ein Klick generiert. Diese Klicks entführen Datenverkehr aus anderen Netzwerken und stehlen auch den organischen Datenverkehr. Ein CTIT-Lernen reicht möglicherweise nicht aus, um eine solche Anomalie hervorzuheben, da diese Entführungen im Allgemeinen eine CTIT von mehr als 20 Sekunden haben.
  2. Einige Sub-Publisher-basierte mobile Anwendungen verfolgen die APK-Änderungen des Kunden. Falls ein Kunde ein bestimmtes Android- oder Apple-App-Paket installiert, wird ein Klick generiert, um diese Form des Datenverkehrs zu entführen. Im Allgemeinen liegen diese innerhalb der CTIT-Anomalie-Grenze von 20 Sekunden, aber manchmal wird sogar ein zeitgesteuerter Klick zurückgesetzt, um die Zuordnung zu beanspruchen.
  3. Aufgrund von Installationen und auf Engagements basierenden KPIs für Leistungskampagnen sind APK-Drops eine häufige Sache, um neue Kunden aus Tier 2, Tier 3 und dem ländlichen Indien zu gewinnen. Die Sub-Publisher-basierte mobile Anwendung fungiert als Adware und übernimmt das Recht, new-APK auf dem mobilen Gerät zu installieren. Diese Art von Installationen ist für viele bewusste Vermarkter im Allgemeinen mit einem halben Cent zum Wert grau. Vermarkter entscheiden sich dafür, die schnelle 1-Millionen-Marke zu erreichen oder einen hohen Eintrag bei Google Play oder im Apple Store zu erzielen. Diese Installationen sind jedoch im Allgemeinen nicht markensicher und können Datendiebstahl ermöglichen.

Es ist nicht einfach, Attributionsmanipulationen zu finden. Das Ziel der bloßen Klickmanipulation besteht darin, das Last-Click-Attributionsmodell für monetäre Gewinne zu entführen. Jeder, der nur Kontakte zu diesen Adware- / Malware-fähigen Apps hat, kann dazu beitragen, das Geschäft in kürzester Zeit auszubauen, was im Gegenzug zu Korruption, falschen Nachrichten, Steuerhinterziehung und grenzüberschreitender Cyberkriegsführung führt.

Die Erkennung dieser Art von Verkehrsquellen ist ein Muss, da sie Anreize für die oben genannten Faktoren bietet, aber langfristig auch die digitalen Verbraucher und das Land betrifft.

Der Autor ist Gründer bei Com Olho

Lesen Sie auch: Was ist in einem Logo? Vorsichtige Marken auf dem Rückfuß und Social-Media-Futter

Folge uns auf Twitter, Instagram, LinkedIn, Facebook

Erhalten Sie Live-Aktienkurse von BSE, NSE, dem US-Markt und dem aktuellen Nettoinventarwert, Portfolio von Investmentfonds, lesen Sie die neuesten IPO-Nachrichten, IPOs mit der besten Performance, berechnen Sie Ihre Steuern mit dem Income Tax Calculator, kennen Sie die Top Gainer, Top Loser und Best Equity Funds des Marktes. Like uns auf Facebook und folge uns weiter Twitter.

BrandWagon ist jetzt im Telegramm. Klicken Sie hier, um unserem Kanal beizutreten und bleiben Sie mit den neuesten Markennachrichten und Updates auf dem Laufenden.

Etiketler
Daha Fazla Göster

İlgili Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Başa dön tuşu
Kapalı
Kapalı