一般反作弊主要业务流程:
看不懂?那就对了,我们继续往下看,在了解这个模型之前,我们需要狂补一些专业的知识!
我们常用的跨境电商作弊方式:
机器作弊:机器刷量、任务分发、流量劫持
人为作弊:QQ群/水军、直接人工、诱导
电商常见作弊手段:
刷单,刷信誉,刷好评,职业差评师
判断广告作弊涉及的点击类型分类:
1、 按照是否找商品找服务为目的;
2、 是否按照是否恶意,有无真实转化为依据。
(CPC基于点击计费的模式、CPA基于成交的点击进行收费)
常见电商平台点击行为分为四大分类:
无效点击(没有形成转化的意愿,仅仅浏览);
恶意点击(必须识别出来);
转化点击(真实意愿点击);
误点(不是以找商品为目的,例如内部人员点击,需要识别出来)。
点击人群划分:
误点:员工、广告主自己、竞品销售中介、爬虫;
恶意点击:同行、同行朋友、联盟站点、机器。
反作弊策略应对框架:
数据层:鼠标轨迹行为、指纹数据、案例库、行为数据;
特征层:离散指标、连续指标;
行为识别层:点击识别模型、异常监测模型、流量识别模型、关系图模型、人群识别模型;
策略应对层:规则。
看完以上的一些专业名词的恶补,我们再来看看亚马逊如何监控刷单:
三层监控指标体系,提前预警:
运营指标监控:投诉率、转化率、撞线速率/频率、消耗速率、通过率;
规则监控指标:拦截率、准确率、覆盖率;
异常监控指标:IP维度、Cookie维度、计费名维度、广告维度、设备维度、鼠标轨迹维度
分类监控、分级响应:
1、 针对监控情况、采用四级响应机制;
2、 红色:非常严重,需要自动化采取短期策略应对,例如临时黑名单机制
3、 橙色:较为严重,短信举报,要求4h内完成分析和短平快策略压制,后续进一步处理
机器学习在反作弊应用几个案例:
如关联规则、决策树模型:策略挖掘—规则自动提取
确定建模问题:自动发现规则、辅助策略设计;
应用:挖出的规则,上线到离线反作弊系统;
评估指标:支持度、置信度、覆盖率、拦截率
有一种算法叫做“千人千面算法”,首先来看下作弊的几个方面:
1、同IP
也就是说你朋友都不能买你的东西,因为你们两个人早晚是会在一起碰面的,两个人碰面就是IP碰面,所以,买你宝贝的那个人,你们两个人的IP永远不能相见,也就是说你们两个人永远不能相见!
2、性别
假如你的淘宝店铺卖的是连衣裙,老是有男买家隔三差五的在你家买这件宝贝,你觉着正常,男朋友帮买怎么了?我用男朋友的号买怎么了?可是算法认为你是在作弊!你是在刷宝贝!
3、行为
这种行为指的就是假如你在刷宝贝,你没有具体的流程,每一个帮你刷流量的人都是搜索关键词,找到你家宝贝,点击收藏,加入购物车,然后下单,你都觉着不可能,更别说算法了!
4、年龄
你家淘宝店铺卖的是丝袜,行,你男朋友帮你买,可是你找的人都有40岁往上的,谁家40岁的男人帮媳妇在网上买丝袜?最好就是你找18-30岁之间的女性刷宝贝是最正常不过的了!
5、能力
支付宝都是实名认证的,对我们的好多都了如执掌,你卖意大利名牌古弛,你却老是找一些大学生帮你刷单,这就肯定是有问题的,学生能力有限,没有工作,买这么名贵的皮具肯定也是有些问题的!
使用关联规则检测刷单作弊行为
最近发现我们平台上的个别内容提供商使用一些违规的手段,对自己所属的收费内容进行刷单作弊。从其他渠道以很优惠的价格购买代金券,在平台消费自己的项目内容,从而获得结算分成与成本的金额差价。
因为需要对该问题进一步重视和监控,我也在考虑一些检测方法,其中一个就是本文介绍的基于数据挖掘中的关联规则(Association Rules)的算法进行尝试分析。对于关联规则的算法原理在此就不赘述。
家喻户晓的一个利用关联规则的案例是沃尔玛啤酒尿布的案例,目的是发现客户购物篮中经常被同时购买的商品。本例与啤酒尿布案例类似。主要因为内容商使用低价购买的客户账号购买自己的商品,但基于以下分析,本案例中可能会产生较强的关联效应:
(1)对同一批内容商品进行购买,会节约作弊成本。
(2)由于客户账号有限,必将会出现一个客户账号购买很多内容项目的现象。
而与沃尔玛的案例不同的是,沃尔玛的案例是探索的正向积极的事件,本例是要发现的是负向消极的事件。沃尔玛的案例中要求事件的支持度(support)要较高,即事件能够经常发生才能有意义,置信度(confidence)只要适当即可,不要求过高;而本例因为是需要稽查异常,所以不能要求支持度高,相反置信度一定要比较高,即当某时间发生以后,另一关联的时间也发生的概率要很高才行。
通过初步的设想,提取出某一天的客户订单数据进行建模,模型如下所示:
关联规则模型设置如下:
因为使用的是事务型数据格式(按交易明细进行记录的,特点是一个客户标识可以有多条数据),所以需要勾选 use transaction format这个选项。此外因为本例需要对全部的CASE进行关联分析,因此没有对数据进行分区。
上面已经介绍了本例要求低支持度和高置信度的设置。因为本例只需要发现任意两个内容项目的关联即可,所以只将最大前项数(maximum number of antecedents)为1。
最后得出的模型结果如下:
从结果模型上可以看到,两内容项目的关联程度可以高达百分之百,即用户购买了某一个内容项目,那这个用户100%会购买另一个内容项目,可见它们俩之间很可能存在猫腻,而这个规则也正是我想要寻找的。
尽管这些规则的支持度都很低,但刷量作弊属于异常事件,不能要求高支持度。
将模型导出文本,并将这些内容项目进行整理,通过对这些项目的购买清单进行观察分析,发现产生在这些内容项目的订单95%以上存在很强的作弊嫌疑,由此验证,此关联模型对此类作弊行为有较强的检查能力。
现阶段只对该模型可行性进行尝试,尚未考虑模型的部署,本文只介绍到此,希望能对朋友们有一定的启发。
使用反作弊算法检测刷单作弊行为
以Amazon的Review算法为例:
1.Verified Purchase。直评已死,这个时候再去刷直评非但没有意义,反而可能会出现如上图群聊中出现的“上好评排名会跌”的情况。
所以要刷就刷VP吧。还记得年初的封号风波吗,这些卖家大多数是因为刷单被姐夫“秋后算账”;船长在之前的分享中有向大家提到一个刷单建议,模仿真实购买行为。
亚马逊希望所有的评论都是诚实的,而在他的监控中,如果我们能做到“仿真”,也就能避开惩罚了。具体如何模仿真实购买行为地刷单,我们根据下文的影响因素一一分析。
2.留评频率与间隔时间。留评频率越高,间隔时间越短,权重就越高。
如果一款产品不断地来好评,这就意味着该产品受欢迎。也就是说,你需要根据自己的产品特性来规划规划刷单的频率,留评的频率,留评间隔的时间。当然,时间和频率的把控同时也需要考虑到产品的销售周期,比如你不能在站点的冬季持续刷泳装的单并留评论,是吧。
既然说到时间和频率,大家在刷单刷评是需要注意,一般情况下,在买家真实购买行为中,账号成交量平均一个月最多10-20单,留评数量不超过10%,在越来越苛刻的评论政策之下,不超过5%是最好的。
也就是说,大家在选择刷单资源,或者自己组建刷单团队时,除了需要规划好在listing上留评的时间与频率,也需要根据成交情况、留评时间与频率筛选合适的买家账号。
3.字数、内容与比例,也就是评论内容的质量。刷单需求越大,刷单者的胃口也被养得很大,卖家们经常会花了很多钱却被随便一个“good”或者“wonderful”的五星敷衍了事,在现在新的算法之下,这类属于低价值的评论是对权重排名没有帮助的。
Review都有专员审核,亚马逊希望review能够真实反映产品的情况,给买家参考,避免产生不良购物体验,客观丰富完整的review内容是能够提高权重的。
现在刷评论的一个标准,要让买家当真,也要让姐夫当真。站在真实买家(产品购买者、使用者)的角度去客观评价这个产品,甚至不全是五星好评;根据客服提供的依据,还需要有有趣且幽默的评论内容并且数量要在最新10个reviews中占一定比例的,比如每10个评论(包括好评、中评和差评)至少1-2个有趣的评论,以此类推。
如果评论的内容不知道怎么下手,可以通过查询竞争对手的review,挑选靠前、内容较丰富并且“helpful”数量较多的VP评论模仿,切记是模仿不是照搬照抄。至于有趣的内容,最好搭配相关的、有趣的图片或视频,特别是童装、玩具这些婴儿的产品,可以利用的素材就更多了。
4.Review中的“helpful”数量。这是个陷阱!点击“helpful”(俗称“点赞”)也是需要买家账号,但如果你不小心用了一些“质量差”的买家账号刷点击,那就完蛋了。
首先,使用质量好的买家账号。上文中船长也有介绍到,真实买家账号成交量平均一个月最多10-20单,留评数量不超过10%,另外还需要注意的是账号使用年限和使用习惯,一般来说,越老的账号越好,但拒绝老僵尸号;并且,买家账号也要防关联,关联条件与卖家账号相同。
接着,用这些质量好的买家账号模仿真实的买家点赞行为。从登录买家账号到点赞,一般是需要经过这些步骤的:
①搜索:通过亚马逊前台键入你的产品关键词,或者通过你的产品对应品类去搜索,也可以通过品牌名搜索(小卖家不建议直接搜索品牌名)。
②对比:一页页去找你的listing,查找过程中随意点击几个别人家的listings浏览几秒钟,翻翻评价和Q&A,并在两三个产品页面停留时间稍久一些。
联系客服