تقلب در تبلیغات دیجیتال به یکی از بزرگ‌ترین دغدغه‌های دیجیتال مارکترها و تمام افراد فعال در این حوزه، تبدیل‌شده است. با توجه به روند رو به رشد تبلیغات دیجیتال و افزایش بودجه برای این نوع از تبلیغات، نقش مضر تقلب‌ها نیز محسوس‌تر شده‌است. تقلب‌ها در تبلیغات دیجیتال تأثیرات بسیار مهم و اساسی در کسب‌و‌کارهای دیجیتال دارند؛ به‌همین‌دلیل، نمی‌توان آن‌ها نادیده گرفت.
تقلب در تبلیغات دیجیتال، سالانه خسارت‌های قابل‌توجهی را به شرکت‌ها و برندها وارد می‌کند. طبق تخمین آماری Statista، در سال ۲۰۱۸ هزینه‌ای که شرکت‌ها در سرتاسر دنیا برای تقلب‌ها می‌پردازند، ۱۹ میلیارد دلار آمریکا و در سال ۲۰۲۲، این هزینه به ۴۴ میلیارد دلار آمریکا خواهد رسید. این میزان خسارت، عدد قابل‌توجه و تا حد زیادی قابل پیشگیری است. طبق تحقیقاتی که Invesp در بین بازاریاب‌ها انجام داده‌است، ۳۷ درصد آن‌ها مایل بودند تا هزینه پرداختی برای تبلیغات دیجیتال را ۱۱ درصد یا حتی بیشتر، افزایش دهند تا ترافیک مطمئن و واقعی را برای تبلیغات موبایلی یا اپلیکیشن و وب‌سایت خود ایجاد کنند.
در دنیای تبلیغات کلیکی، یکی از اساسی‌ترین دغدغه‌های تبلیغ دهندگان وجود کلیک‌های نامعتبر و تقلبی است که باعث هدر رفت بودجه تبلیغات آنان می‌شود.
این تقلب‌ها از طریق ربات‌ها و یا حتی خود انسان ها اتفاق می‌افتد که در این میان نقش ربات‌ها روز به روز در حال پر رنگ‌تر شدن است چرا که با توسعه و پیشرفت این ربات‌ها به راحتی می‌توانند رفتارهای انسانی مانند حرکت دادن نشانگر موس، اسکرول کردن صفحات، بازکردن چندین صفحه و کلیک کردن را به راحتی انجام دهند. با این کار در واقع شناسایی اینگونه از تقلبات بسیار سخت خواهد شد و برای جلوگیری از روی دادن چنین تقلباتی می‌بایست ابتدا انواع آن را شناخت و متناسب با هرکدام راهکارهایی ارائه داد.
در این راستا پلتفرم تبلیغات هوش مصنویی سبزنت نیز از ابتدای شروع مسیر خود با توجه و اهمیت به این موضوع سیستم های تشخیص کلیک‌های تقلبی (Fraud) خود را با بروزرسانی‌های پی در پی قدرتمندتر کرده و سالهای گذشته با شناخت اینگونه از کلیک‌های فراد و اختلاف پایین بین کلیک‌های شمارش شده در پلتفرم سبز نت و داشبورد گوگل آنالیتیکس موجب خشنودی تبلیغ دهندگان خود شده است.
در این مطلب قصد داریم شما را با مهم ترین و رایج ترین روش‌های تقلب های کلیکی (Fraud) در دنیای وب آشنا کنیم. پس با ما باشید .
Click Farms
به محلی فیزیکی اشاره دارد که در آن تعداد بسیار زیادی از دستگاه‌های موبایل به یک یا چند کامپیوتر متصل شده‌اند و از آن‌ها برای شبیه سازی کلیک به صورت تقلبی استفاده می‌شود. با تکرار کلیک روی تبلیغات توسط این دستگاه‌های موبایل، نتیجه کمپین تبلیغاتی تغییر می‌کند. این کار باعث می‌شود تبلیغ دهنده بابت کلیک‌های غیرواقعی نیز هزینه پرداخت کند. کشورهایی مانند هند، چین، بنگلادش بالاترین میزان چنین تقلب‌هایی را دارند. بسیاری ار افراد آدرس IP خود را تغییر می‌دهند که بنظر برسد این اتفاق در منطقه ای اتفاق افتاده است تا شناسایی آن دشوارتر شود.
Click Flooding
این نوع تقلب تحت عنوان Click Spamming نیز شناخته می شود. این نوع تقلب مربوط به زمانی است که فرد متخلف (ناشر یا شبکه تبلیغاتی) کلیک کاربرانی که باعث ایجاد آن ها نشده را به خود نسبت می‌دهد. این نوع تقلب در ۲ حالت mobile-web و app-in اتفاق می‌افتد. این فرآیند زمانی شروع می‌شود که یک کاربر وارد یک صفحه موبایل-وب یا اپلیکیشنی شود که ناشر متخلف نیز در آن فعالیت می‌کند.
Click Hijacking
نوعی تقلب موبایلی است که در آن متقلب گزارشی ساختگی مبنی بر رخداد کلیک را بلافاصله پس از یک کلیک واقعی ارسال می‌کند و از این طریق، کلیک های واقعی شبکه تبلیغاتی رقیب را می دزدد. برای شناسایی این دزدی باید گزارش داده‌های خام را مشاهده کنید.
Click Injection
تزریق کلیک، روش تقلب جدیدتر و پیشرفته تری از روش click spam است. این نوع تقلب، اغلب در اپلیکیشن های اندرویدی که به سادگی و با استفاده از install broadcast ایجاد شده، اجرا می شود. هر app broadcast در اپلیکیشن های اندروید، وضعیت تمامی تغییرات اپلیکیشنش را به موبایل و سایر اپلیکیشن های موجود در موبایل منتقل می کند. این نوع تقلب، مشابه click hijack، دزدی نصبهای اپلیکیشن محسوب می شود.
Web Crawler
خزنده‌های (کرالرهای) موجود در سطح وب، هنگام دریافت اطلاعات از وب و بررسی و گزینش آن‌ها، بطور اتوماتیک بر روی تبلیغات موجود نیز کلیک می‌کنند و این خود باعث ایجاد کلیک‌های غیرواقعی می‌شود. برای جلوگیری از این نوع کلیک‌ها می‌توان با تنظیم بازه زمانی کلیک‌ها، کلیک‌هایی که برای مثال زیر ۲ ثانیه پس از بارگذاری کامل صفحه شده‌اند را شمارش نکرد.
Ad Stack
نوعی تقلب در صنعت تبلیغات دیجیتال به خصوص تبلیغات نمایشی است. در این روش، چند آگهی را در زیر یک آگهی تبلیغاتی پنهان می کنند و با هر بار نمایش آگهی رویین، یک impression برای هر یک از آگهی های زیرین هم ثبت می شود. در این صورت، تنها یک impression واقعی اتفاق افتاده اما تبلیغ دهندگان زیادی بدون بدست آوردن هیچ impression ای هزینه پرداخت می کنند.
Fraud Distribution Modeling
نوعی تجزیه و تحلیل است که در آن از مدل های توزیع آماری برای شناسایی رفتارهای مشکوک و غیرعادی استفاده می‌شود. رایج ترین معیار مورد استفاده برای ترسیم مدل توزیع، برای مثال فاصله زمانی بین کلیک تا نصب است. در صورتی که فاصله زمانی بین کلیک روی تبلیغ و نصب یک اپلیکیشن بیش از حد کوتاه باشد و غیرعادی به نظر برسد، می‌توان با ترسیم نمودار توزیع آن به تقلب بودن نصب‌ها پی برد.
Fraudulent Device
دستگاه‌های موبایل که ترافیک تقلبی بسیار زیادی ایجاد می‌کنند. سرویس‌هایی نظیر DeviceRank می‌توانند چنین دستگاه‌هایی را شناسایی و به صورت خودکار مسدود کنند.