نظریه تقلب‌های موبایلی: قسمت ۲
با توجه به آنچه که در قسمت قبل راجع به تقلب‌های موبایلی مطرح شد، اکنون وقت آن رسیده که با توجه به تفاوت موجود بین انواع تقلب و راه‌حل‌های موجود برای هرکدام، راهکاری دقیق برای پیشگیری از تقلب معرفی کنیم.
پیشگیری از تقلب‌های موبایلی به اندازه خود تقلب مهم است. اما در صنعت بازاریابی دیجیتال موبایلی، اپلیکیشن‌ها برای جلوگیری و شناسایی تقلب سردرگم میشوند. این تفکر، که نیازی به پلتفرم‌های واسط وجود ندارد اکثرا به ضرر اپلیکیشن‌هایی است که می‌خواهند بدون حضور پلتفرم‌های تشخیص تقلب کمپین‌های تبلیغاتی خود را اجرا کنند.
“شناخت تقلب‌های موبایلی” و “جلوگیری از تقلب” دو عنصر اساسی و مهم در اجرای کمپین‌های تبلیغاتی است. بنابراین باید هرکدام را درست تعریف کرد تا ماهیت آنها را بفهمیم. برای خواندن قسمت اول مقاله به اینجا مراجعه نمایید.
پیشگیری از تقلب چیست؟
اکنون با توجه به مفاهیمی که تعریف کردیم و زبان مشترکی که با هم در حوزه‌ی تقلب ساختیم، می‌توانیم درباره‌ی جلوگیری از تقلب‌های موبایلی صحبت کنیم.
پیشگیری از تقلب در صنعت بازاریابی دیجیتال، عدم قبول انتساب تعریف می‌شود. به دلیل همین تعریف است که تفاوت اساسی بین پلتفرم‌های مختلف اتریبیوشن و آنالیتیکس فعال در اکوسیستم تبلیغات موبایلی وجود دارد.
در صنعت دیجیتال مارکتینگ موبایلی، معمولا بجای تشخیص و پیشگیری از تقلب به انکار وقوع آن می‌پردازند. این امر باعث عدم اطمینان از وجود یک راه قطعی برای پیشگیری از تقلب می‌شود که خود آن باعث خرابی داده‌ها و ایجاد سردرگمی در تحلیل و بررسی آنها می‌شود.
به دلیل پیچیدگی‌های فرآیند انتساب و استفاده متقلبان از ابزارها و روشهای جدید، تنها پلتفرم‌های شخص ثالث هستند که توانایی استفاده مؤثر از فیلترهای موجود و ساخت فیلترهای جدید برای جلوگیری از تقلب را دارند. پلتفرم‌های شخص ثالث معیارهایی برای تشخیص تقلب‌های موبایلی دارند و در انجام روش‌ها، بسیار دقیق و محتاط هستند. اپلیکیشن ها امکان ردیابی و پیشگیری تقلب را ندارند مگر اینکه توسط یک پلتفرم اتریبیوشن شخص ثالث از آنچه توسط کاربران رخ می‌دهد آگاه شوند.
از اقدامات لازم برای پیشگیری از تقلب آگاه شوید.
با توجه به آنچه مشاهده نموده‌ایم هیچکدام از صاحبان اپلیکیشن در ابتدای کار حاضر به تفکیک کاربران و داده تمیز، از داده تقلبی نبودند. به دلیل این که تصور می‌کردند با حضور پلتفرم واسط درآمد شبکه‌های تبلیغاتی که گاهاً شرکای کاری آنها نیز هستند کاهش می‌یابد و باعث آسیب به روابط و ارتباطات بالقوه بین شرکای تجاری می‌شود. برخی از کمپانی‌ها برای جلوگیری از این سوءتفاهم‌ها استانداردهایی را برای همکاری با شبکه‌های تبلیغاتی و ورود پلتفرم‌های اتریبیوشن بی‌طرف ایجاد کردند.
حتی برخی از اپلیکیشن‌ها فیلترهایی را به مجموعه‌ی “جلوگیری از تقلب” خود اضافه کردند، اما هنوز هم تفاوت‌های اساسی بین فن‌آوری ما و سایر فعالین این حوزه در ایران وجود دارد. تفاوت ما در اثر دو رویکرد است:
- تحقیق مداوم در مورد روشهای جدید تقلب و مقابله با آنها و یافتن نشانه و علامت منحصربه‌فرد از وجود تقلب.
- پذیرش مسئولیت نسبت به اسناد رد شده، دور نگهداشتن مشتری از بحث‌های این‌چنینی و گفتگو با شبکه‌ی تبلیغاتی.
اکنون نگاهی دقیق‌تر به شناسایی و فیلتر برای تقلب و متقلبان می‌اندازیم.
چه چیزی باعث تفاوت ما درتشخیص تقلب می‌شود؟
می‌دانیم که پیشگیری از تقلب باید با شناخت تقلب آغاز شود، زیرا نمی‌توانیم بدون آگاهی از آنچه وجود دارد با آن، مبارزه کنیم. مبحث “تشخیص تقلب” به عنوان یک فرایند مهم در تحلیل آماری مشاغل تبلیغاتی و فعالیت بخش مارکتینگ اپلیکیشن‌ها مطرح می‌شود. در نظر داشته باشید که تجزیه و تحلیل آماری با آنالیز منطقی متفاوت است که در قسمت بعدی به آن خواهیم پرداخت.
نحوه تشخیص تقلب را می‌توان به دو نوع مجزا تقسیم کرد.
برای ویژگی تقلب Spoofed، تشخیص اکثراً بر روی شناسه‌هایی نظیر: IPهای مبدا کلیک، نرخ تبدیل و کلیک کلی برای نصب زمان توزیع (CTIT) تمرکز دارد. تشخیص User Spoofed به رفتار کاربر نگاه میکند. آیا کاربران تراکنش دارند؟ آیا رفتار آنها از الگوی یک کاربر عادی (انسانی) پیروی میکند؟
اکثراً تشخیص تقلب قبل از رسیدن به چگونگی تقلب اتفاق می‌افتد، مثلا فرض کنید یکی از صاحبان اپلیکیشن با مراجعه به پنل خود با نرخ تبدیل ۰.۰۵ از طرف یک شبکه‌ی تبلیغاتی مواجه می‌شود. در این مثال حتما تقلب اتفاق افتاده است اما از چگونگی این تقلب اطلاعاتی در دست نیست.
به عنوان مثال دیگر فرض کنید یک تیم تبلیغاتی، نرخ خرید انلاین توسط کاربرانی را بررسی میکند که از طریق ناشران مختلف جذب شده‌اند. در این حالت تیم تبلیغاتی نمی‌تواند تشخیص دهد که این کاربران واقعی هستند یا نه اما با محاسبه‌ی متوسط ارزش آورده شده توسط بازدیدکنندگان هر شبکه (LTV) میتواند وقوع تقلب را تشخیص دهد. در این مثال هم تشخیص وقوع تقلب قبل از تشخیص چگونگی تقلب اتفاق می‌افتد.
ناگفته نماند استفاده از ماشین لرنینگ و هوش مصنوعی هم در تشخیص وقوع تقلب‌ها میتواند بسیار مفید باشد.
این مثال‌ها نشان می‌دهند که چرا ما تشخیص تقلب را اولین گام (و نه گام نهایی) برای جلوگیری از تقلب می‌دانیم. در واقع، ما اعتقاد داریم این دیدگاه که تشخیص تقلب به صورت تجربی در بخش مارکتینگ اپلیکیشن میتواند انجام شود، اثرات منفی زیادی بر اکوسیستم بازاریابی موبایلی خواهد داشت.
تشخیص تقلب توسط راه حل مستقل از پلتفرم‌های اتریبیوشن
برای مثال تصور کنید که فردی قصد کلاهبرداری از حساب بانکی شما را دارد. اگر بانک به جای برخورد قاطع و مسدود کردن حساب شما تنها پیام هشدار برای شما ارسال کند، فقط به کلاهبردار اجازه‌ی سوءاستفاده و کلاهبرداری از حساب شما را داده است.
تبلیغ‌کنندگانی که از ابزارهای ساده‌ی کشف تقلب استفاده می‌کنند هم مشابه مثال بالا عمل می‌کنند. دادن هشدار و اخطار پس از رخ دادن یک اتفاق تنها باعث می‌شود آن اکوسیستم در برابر خطرات احتمالی آسیب‌پذیرتر بشود و زمینه‌ساز شروع کلاهبرداری است.
در حالت ایده آل میزان تقلب در این صنعت باید صفر باشد ولی واقعیت موجود با حالت ایده آل تفاوت زیادی دارد. اکثر تبلیغ‌کنندگان قبل از تبلیغ، سعی در ایجاد ترافیک جعلی و تقلب می‌کنند و گزارش‌های ارائه شده از سمت اینگونه ناشران، به هیچ وجه قابل استناد نیست.. تنها اقدامی که می‌توان برای جلوگیری از پرداخت هزینه به اینگونه ناشران انجام داد، ایجاد فیلترهای مناسبی هست که با رد و بدل کردن اطلاعات به صورت خودکار بین شبکه‌ها و تبلیغ کنندگان، داده‌ها را در لحظه داشته باشند.
چه چیزی باعث ایجاد فیلتر مناسب برای تقلب می‌شود؟
بدون جدا کردن داده‌های جعلی، تبلیغ‌کنندگانی که از تقلب استفاده نمی‌کنند و ترافیک پاک دارند مزیت داشتن این ترافیک را از دست می‌دهند. در نتیجه حتی آنها هم به ایجاد ترافیک ساختگی و تقلب متمایل میشوند و نتیجه‌ی آن افزایش داده‌های تقلبی و وجود داده‌های جعلی در گزارش داده‌های مشتری و کاهش اعتبار گزارش‌ها می‌شود. به این ترتیب، فیلتر کردن داده‌ها برای جداسازی داده‌های درست از تقلبی، و شکستن این سیکل معیوب مهم‌ترین نتیجه سیستم پیشگیری از تقلب است.
در عین حال، همه فیلترها یک اثر یکسان ندارند. توجه داشته باشید چهار اصلی که پایه و اساس سیستم فیلتر پلتفرم ما را نشان می‌دهد به شرح زیر است:
- پایین بودن نرخ مثبت
- پایین بودن نرخ منفی
- روند منطقی صعود و نزول نمودار
- شفافیت
ما یکی از فیلتر تقلب را به این صورت تعریف می‌کنیم: مجموعه ای از شرایط منطقی که روند مثبت یا منفی کاذب تولید نمی‌کند یا (حداقل) میزان بسیار کمی از آنها را تولید می‌کنند. از لحاظ منطقی این فیلترها باید واضح و شفاف باشند، به این معنی که در پاسخ به سؤال “چرا این خصیصه رد شد؟” جوابی واضح، قابل درک و قابل اعتماد داشته باشد. یک فیلتر خوب باید بر اساس واقعیت‌های منطقی باشد و به مکانیزم‌هایی متکی باشد که هیچ متقلبی قادر به کنترل آن نباشد و توانایی دور زدن آن را نداشته باشد.
روش‌ها را اجرا کنید.
به دلیل اینکه ما به تقلب در نصب را نمی‌پذیریم و مسئولیت اتریبیوشن‌های رد شده را می‌پذیریم، ادعا می‌کنیم داده‌های ما بسیار قابل اعتماد بوده و از آن دفاع می‌کنیم.
پیشگیری حداکثری از تقلب فقط یک مزیت بین پلتفرم‌های اتریبیوشن نیست. به عبارت دیگر نباید به ابزاری برای ماهیگیری از آب گل‌آلود تبدیل شوند تا پلتفرم‌ها در این بازی منفعت خود را افزایش بدهند. پلتفرم‌های شخص ثالث در این حالت مسٔولیت مهمی دارند که اگر به درستی انجام نشود، راه حل‌های ضد تقلب نتیجه عکس خواهد داشت و به پیشرفت کل اکوسیستم بازاریابی دیجیتال موبایل آسیب می‌رساند. اگر بدون توجه به تحقیقات لازم برای ایجاد یک فیلتر، راه و روشی برای مقابله با تقلب در پیش بگیرند به عنوان یک عامل تخریبی برای کل اکوسیستم عمل میکند. در دومین قسمت از سری تقلب موبایلی با چشم انداز جدیدی در مورد تقلب در تبلیغات مواجه شدیم. برای خواندن قسمت اول به مطلب زیر مراجعه نمایید. در بخش بعدی یک موضوع کاملاً جدید را پوشش خواهیم داد. اینکه آیا ماشین لرنینگ میتواند با منطق فیلترینگ انسان مطابقت داشته باشد یا خیر.
