文章主要對流量中的灰色地帶：虛假流量展開分析，一起來看。

今天我們來聊一下，流量中的灰色地帶–虛假流量，據官方統計數據，2016年虛假流量就給全球廣告主造成了76億美元的直接經濟損失，除了直接經濟損失外，更加多樣的流量造假方式，也帶來了更多的“副作用”。

如無效的用戶定位，廣告出現在了不該出現的媒體上面，吸引了不該吸引的用戶，白白浪費流量，更有甚者，如果把流量導流到了美女游戲頁面，那么對品牌形象也會產生負面影響。

虛假流量是如何產生的

整個廣告生態會涉及三方角色：廣告主、媒體（賣廣告的）、用戶（看廣告的）。媒體是不會承諾效果的，但是如果你反饋曝光量和點擊量不夠，媒體是可以給你再補量的。給你補的量多了，勢必造成其它家量少，間接造成競爭加劇，流量價格也越來越高，但是只有曝光點擊沒有轉化也是沒有用的，于是更多的廣告主更傾向于用戶轉化作為考核指標，而忽略了其它考核指標如CPC、CPM，只會讓競爭更加加劇，造成惡性循環，從而導致了虛假流量的產生。

我們知道用戶一般會在三次或三次以上訪問后最終才能決定轉化，他的整個生命周期決定了最后的轉化，某些渠道雖然不擅長轉化，但是它對其它渠道有助攻作用，所以不能一刀切。

另外，如果把和渠道結算的指標定為CPS、CPA就萬事大吉了嗎？有利益驅使的地方就有魔鬼。所以我們需要一整套完整的策略為渠道保駕護航。

甄別虛假流量

在研究虛假流量之前，還有一種流量需要引起我們的注意，那就是異常流量，異常流量通?；祀s在虛假流量中間，擾亂我們的判斷。所以首先我們要區分什么是虛假流量什么是異常流量？

如果出現了以下情況，多半可以認為是異常流量，當然這需要溝通多方然后去判斷：

• 投放的媒體出現了問題，投放的頁面宕機了
• 打的鏈接參數缺失或者丟失導致代碼失效
• 埋點采集異常
• 數據通路被無故屏蔽
• 指標配置有問題

如果出現了以下情況，多半可以認為是虛假流量：

• 刷量！
• 刷量??！
• 刷量?。?！

對于如何避免異常流量，不是今天文章的重點，就不多說了，這需要公司內部規范化項目流程，各個環節把控好，才能有效規避。下面，我們詳細說下如何排查出虛假流量的蛛絲馬跡。

流量全流程數據監控

我們需要將流量數據、行為數據和轉化數據通過一定的數據采集手段，來獲取完整、全面和準確的數據，目的是將全流程數據打通，只有獲取了完整全面的數據我們才能找到虛假流量的蹤跡。下圖是流量轉化的完整過程：

這個過程我們面臨了兩個難題：

1. 展示和點擊數據都在第三方廣告投放平臺，我們不能獲得用戶的詳細信息
2. 前后端數據存在割裂，只能統計到前端的點擊轉化，不知道后續業務轉化如何

所以好多渠道作弊方，會在這兩個方面做文章，鉆渠道的空子，通過程序或者雇傭人肉等人為操作產生流量，人為操作可能是點擊你的廣告、訪問推廣落地頁，或者完成某個簡單的任務，比如點擊Call to Action按鈕，這種流量通常不會帶來實際的轉化，上面也說了因為轉化的業務數據不能獲得，抓不到證據也就不好衡量，所以就只能呵呵了。

作弊流量是不能避免的，我們只能靠增加技術壁壘，增加作弊的成本，作弊的成本高了，一定程度會減少作弊的現象。

數據預處理

我們可以在流量正式到達落地頁之前，在展示點擊階段和到達產品落地頁之間構建一層屏障，即通過數據預處理手段，通過一定的反作弊規則先把某些行為可疑或者不需要的流量過濾掉：

• 過濾某些已知IP段，如內網IP、測試IP
• 設備號異常：如頻繁重置idfa
• IP異常：定位的IP來自莫名其妙的地方
• 行為異常：如頻繁刷新頁面
• 數據包不夠完整：只有啟動信息，沒有頁面、事件等其他用戶行為信息

這樣我們就能保證到達落地頁的流量相對干凈，但仍有落網之魚，需要我們通過進一步的數據分析來找到虛假流量。

案例剖析虛假流量

我們先來看一組數據：

日均訪問次數：10w+

跳出率：45%

平均每次訪問頁數：3.2

平均每次訪問停留時長：1分50秒

訂單轉化率：0.12%

這是我們某個電商類客戶反饋出的問題，他們新上線了某個電商網站，從訪問量、跳出率等這些指標來看表現都不錯，偏偏訂單轉化率低，不知道怎么回事。

遇到這種情況，只能說別急，我們先從數據上細分看看。細分對虛假流量是致命的，因為通過細分我們一定能識別出虛假流量的模式和規律。

網站整體的訪問量變化趨勢

從上圖可以看出，9月3號PV較平時較低；訪問量和唯一身份訪問用戶數幾乎相等，即人均訪問次數接近與1，每個用戶只訪問了一次，月回訪率很低。

新訪占比和跳出率對比分析

從上圖我們可以得出這些信息：

1. 新用戶占比接近于80%，說明新用戶居多
2. 跳出率在45%左右，跳出率很低，說明流量質量還可以

但是如果我們深入想一下，會發現有如下問題：

1. 新用戶占比和跳出率指標成反比關系，正常情況下，新用戶占比和跳出率指標成正比關系，新用戶占比高的話，跳出率也高
2. 跳出率低，為什么轉化率也那么低呢？

不同城市不同轉化指標對比

我們找了流量排名Top8的城市的對比數據，這Top8的城市數據對流量貢獻較大，且上海的銷售額占總銷售額的1/3左右，河南訂單轉化率較高。城市為“未知”的流量貢獻也較大，跳出率低，但是訂單轉化率遠小于0.01%。顯示為未知，說明抓不到這些流量來自于哪個IP段，但是訪問量足夠大，所以需要引起注意，有作弊嫌疑。

未知城市不同時間段分類對比分析

選擇了最近一個月的數據，看不同時段這些流量的分布情況（圖略），發現凌晨1點到凌晨6點流量占總流量的25%，占比較高，更奇怪的是，晚間流量每個時段較平均，流量差不多，這是不符合常理的，需要進一步分析。

夜間流量分類對比分析

我們發現這些流量中72%的流量來自于廣告系列，但是轉化率較低，不知道具體哪個廣告系列來源拉了后腿。

夜間流量廣告系列來源占比分析

發現廣告系列流量中大部分都來自于sm這個渠道，此時可以把分析范圍縮小到sm這個渠道。

sm渠道指標整合分析

sm渠道的訪問量很大，新用戶占比90.31%，而跳出率為20.32%，轉化率0.08%?；究梢詳喽ㄊ莝m渠道出問題了。

sm渠道細分落地頁和非活動頁面數據表現

通過進一步細分，發現sm渠道大部分流量都流入了活動落地頁（圖略），跳出率低于23%，且每次訪問的平均瀏覽深度接近于1，有趣的是，另一部分非活動落地頁的，頁面瀏覽深度在幾百個頁面，非正常人類行為，它的目的只是為了平均整體流量。

sm渠道活動落地頁點擊圖分析

同時我們還可以結合不同落地頁的點擊圖進行分析，你會發現更多有趣的現象。

至此，大功告成。

案例總結

從上面的案例我們看到通過層層細分，層層遞進的方法我們找到了虛假流量，所以要想找出虛假流量，我們需要密切關注如下幾個方面：

給渠道打好標記，目的方便分割流量

為每一個渠道打好UTM標記，那么渠道會貫穿于用戶的整個訪問過程中，方便按渠道分組查看每個渠道的表現，避免其它渠道的干擾。

流量產生的時間

找到異常流量發生的時間點，然后將時間細化到每小時的訪問數據，如果流量過于集中在某個時段，或者在不恰當的時間點出現了流量激增的情況，這時候就要引起注意了。

流量的地理來源

通常情況下，訪客會來自不同的地理位置，如果流量過于集中在某個地區，或者采集不到地區的地方出現了大量的流量等等都是很可疑的。

流量的用戶終端

不同的渠道覆蓋不同的用戶群，所以各自的用戶終端會有一定的區別。比如對于小米應用商店這個渠道來說，它的用戶很可能排在前10的手機都是小米手機，而對移動MM來說，他們的用戶都來自于移動運營商。排除這些特殊渠道的應用商店，大部分渠道的用戶終端跟整個互聯網終端分布是類似的。我們可以通過看行業報告或者查詢數據指數產品來了解這些數據，把這些數據作為行業基準值，進行對比。另外我們還可以重點關注設備終端類型、操作系統、聯網方式、運營商、地理位置等設備屬性。

流量的跳出率和新訪用戶占比

跳出率和新訪用戶占比成正比關系，另外如果流量在某個時段跳出率突然增高，可以結合上述維度進行細分查看，哪個細分維度的跳出率增高。

流量的轉化

很多作弊流量可以模仿人類行為，繞過跳出率、平均訪問深度和停留時長這些宏觀指標，但是要模仿一個業務轉化就比較難了，如果宏觀指標表現很好，業務轉化很少的話，就需要提高警覺。

流量的留存

我們一般經?？吹牧舸嬷笜擞写稳樟舸?、7日留存、30日留存，所以一些作弊渠道會專門針對這三個指標做手腳，所以除了看這三個指標外，建議將指標拓寬，關注每天的留存變化。

新流量過來的用戶路徑

新用戶來到推廣落地頁后，一般會從落地頁開始進行分流，他們會點擊不同的鏈接，訪問不同的頁面，而作弊流量很難完成2-3次點擊，即便完成了，點擊的鏈接或內容也基本固定。

流量的功能訪問分布分析

適當拉大時間維度，看某個渠道某個基本功能如瀏覽頁面的訪問頻次分布，真實的訪客是有再次回訪行為的，而虛假流量一般是本次任務完成后是不會管后續收尾動作的，回訪頻率很低。

流量的單頁面人均訪問次數

如果某個落地頁面的人均訪問次數很高比如4次以上的話，就很可疑了，因為在一次訪問中用戶一般是不會多次瀏覽同一個落地頁的。同時結合該頁面在網站整體的人均訪問次數進行對比，結果會更加準確。

流量的落地頁點擊熱圖分析

這需要借助一些熱圖工具，從熱圖工具中，作弊流量的蛛絲馬跡更易發現。

作者：北極星，神策數據分析師，先后服務的客戶包含紛享銷客、拉鉤云人事、網易七魚、ofo、多盟、更美等公司，致力于通過數據分析實現產品優化和精細化運營。

本文由 @北極星 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自PEXELS，基于CC0協議