上篇圍繞虛假流量的發生機制、發生原因（背後的利益捆綁）、識別虛假流量的常見維度等；下篇從一個案例完整介紹如何識別虛假流量。

在虛假流量的認知與識別（上篇）中介紹，虛假流量的識別可從基本屬性、產品參與度、轉化情況三方面來識別。

• 首先，基本屬性。具體包括：時間 & 地域維度、終端型別、作業系統、聯網方式、運營商、IP 集中等
• 其次，產品參與度。具體包括：跳出率、平均訪問深度、平均訪問時長、使用者行為路徑、頁面點選情況、流量留存情況、單頁面人均訪問次數等。
• 第三，轉化情況。因為很多作弊流量可以模仿人類行為，成功繞過跳出率、平均訪問深度和停留時長這些巨集觀指標，但是要模仿一個業務轉化就 比較難了，如果巨集觀指標表現很好，業務轉化很少的話，就需要提高警覺。

下面通過一個案例從使用者行為資料多維診斷虛假流量。這個案例圍繞上述三種A 企業是電商企業，日常會在社會化媒體進行廣告投放，在1月8日線上資料投放的常規檢查中發現，近期一家媒體(下 稱“M 渠道”)所帶來的流量資料異常大。為查明該媒體渠道所帶來的流量是否為虛假流量，A企業將M渠道下的使用者行為進行多維度細分，進行流量排查。

一. 基本屬性初步排查

流量訪問通常會分佈在一天中的各個時段，伴隨平滑的曲線形成訪問高峰與低峰。顯然虛假流量不具備這一特點，因為人 為 / 機器操作為節省成本不會在意流量的時間分佈，難免會在時間曲線上會有流量突增的情況。因此，要找到異常流量發 生的時間點，將時間細化到每小時的訪問資料，如果流量過於集中在某個時段，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。

1. 時間維度

圖1 M 渠道與百度渠道流量對比

通過圖 1 看到，百度流量來源呈現平緩變化，從流量時間分佈上看，基本符合正常訪問情況。與之形成鮮明對比的是， M 渠道全天流量高峰期分別在 2:00、5:00、14:00、15:00。這幾個時段內的流量過於集中，而在其他正常時段內，流量幾乎為零。 經過內部確認，該階段並未有活動發生，產生突增的訪問高峰十分可疑。

2. 使用者訪問裝置

圖2 從裝置情況瞭解 M 渠道使用者的作業系統

上文提到在正常情況下，同樣使用者訪問裝置應該多元化。在這個案例中，通過上圖發現 M 渠道流量裝置基本都是 Android 端。 由於 M 渠道未投放，更沒有裝置限定，增加了虛假流量的可能性。

3. IP 集中

圖3 按 IP 檢視 Web 瀏覽頁面觸發使用者數

一般而言，IP 的頻繁點選、流量激增都是不正常的。我們通過資料可以看到，圖中 IP 帶來的流量在2:00、5:00和15:00 均有突變，尤其140.205.92.1 表現最明顯。經過以上維度診斷，此流量十分可疑，可結合產品參與度進行深度判定。

二. 產品參與度深度判定

1. 跳出率

虛假流量產生高跳出率的時間，通常會和使用者訪問時間段一致。因此可以結合流量時間等因素進行綜合對比。

圖4 M 渠道來源流量的跳出率

從圖 4 來看，該渠道來的使用者跳出率高達98.88%，說明使用者通過渠道連結來到網站落地頁後，幾乎都沒有進行進一步 的瀏覽。

圖5 分時段檢視 Web 跳出率

通過 M 渠道使用者與非 M 渠道使用者跳出率情況的對比。我們可以看到，非 M 渠道使用者的跳出率變化比較平緩，分佈在 80% 上下。而 M 渠道使用者跳出率的變化則是分時段網站突然增高的，突增的時段恰好和前面的訪問突增時段吻合，比如凌晨 2:00 和 5:00 時段，這部分流量更值得懷疑。

當然，即使 M 渠道流量從跳出率指標上來看錶現很好，我們也不能直接定位它一定就是真實的流量，還應該結合訪問深度 和訪問時長、訪問路徑等來進行深度分析。

2. 平均訪問深度

圖 6 平均訪問深度判定

從圖 6 中我們可以看到，M 渠道使用者一次訪問平均瀏覽了 一 個頁面，說明大部分的會話都是訪問一個頁面就退出了，並 沒有進行後續頁面瀏覽。

2. 平均訪問時長

如圖 7，M 渠道使用者平均在網站停留的時長 6.2s。6s 的時間，可能大部分使用者是在網站都瀏覽 1-2 個頁面就退出，並無 明顯的互動行為。為了驗證該猜想，可以看圖 8 的使用者路徑分析。

圖 7 M 渠道使用者的平均訪問時長分析

3. 使用者行為路徑

圖8 M 渠道使用者行為路徑

 圖9 使用者行為路徑“頁面訪問”的節點資訊

在這個案例中，圖 9 是 M 渠道使用者的前 4 次訪問的分佈情況，可以發現，大部分使用者是先進行的首頁面訪問 -> 退出。 通過節點資訊檢視，還可以發現，在頁面訪問後，99.08% 的使用者無後續動作。

圖10 抽樣 M 渠道 30 個使用者，其中 29 個使用者的行為路徑

圖11  抽樣 M 渠道 30 個使用者，唯一使用者的行為路徑

在 M 渠道的使用者群體中，隨機抽取了 30 個使用者，發現其中 29 個使用者為上圖情況，這批使用者具有相同的行為序列，來到落 地頁後均無後續動作而退出。 針對唯一有後續行為的使用者，通過行為序列分析發現，使用者行為多次瀏覽落地頁，但瀏覽動作重複，隔一段時間進行一次 落地頁訪問，行為也有重複。因此 M 渠道使用者的行為路徑存在太強的規律性，是有跡可循的，進一步證實了是虛假流量。 ( 備註 : 一個迴圈單元中的兩個動作間隔極短，不到 1s，應該這兩個事件是一次瀏覽落地頁而觸發的神策預置採集的 Web 瀏覽事件和自定義事件頁面訪問，其實只是一個瀏覽落地頁的動作 )。

三. 轉化情況終極確認

目前有些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巨集觀指標，但是要模仿一個業務轉化就 比較難了，如果巨集觀指標表現很好，業務轉化很少的話，就需要提高警覺。 根據實際業務流程，我們定義“提交訂單”是核心轉化。我們設定核心轉化漏斗步驟如下 :

圖12 設定核心轉化漏斗流程

圖13 M 渠道使用者與非 M 渠道使用者核心轉化對比

通過漏斗分析對比，可以看到 M 渠道使用者完成核心轉化的使用者數為 0。在漏斗轉化中，我們發現當用戶訪問頁面訪問後， 並沒有使用者去點選核心按鈕“提交訂單”，更是沒有有效點選的使用者。M 渠道雖然給平臺帶來了很大流量，但是核心轉化的 人數為 0，對於我們核心業務並無幫助。再結合使用者在網站中的參與度與行為分析，該流量符合我們判斷虛假流量的常見 特徵。

通過神策分析平臺進行的上述分析，我們通過對 M 渠道流量產生的時間、流量的使用者終端、流量的跳出率、退出率、平均 訪問時長、平均訪問深度、使用者路徑以及流量的核心轉化等方面進行分析，可以發現，該批流量在流量分佈上呈現不自然性、 過於規律的特點，基本判斷 M 渠道產生的流量為虛假流量。

總結

面對虛假流量我們應該做什麼?資料分析是識別虛假流量的重要方式之一。除此之外，一些企業也嘗試通過邏輯判斷設定相應機制，來輔助識別虛假流量。 例如一家企業在 APPStore版本更新時，如果發版的第二天新增使用者為老版本，那麼這部分群體將自動被判定為疑似虛假 流量，並對其遮蔽相關功能，如預設福利、私信等，當然還會提供使用者申訴解封的途徑，以防誤判。

無論通過哪種方式，虛假流量都被證明為並非無跡可尋。其中資料分析是識別虛假流量相對直接且簡單的識別途徑，為廣 告主為提升數字營銷運營能力。這要求企業主:

一方面，要掌握可靠的衡量資料。依據對資料分析工具的熟稔應用以及監 測執行經驗，企業應與能夠實現多維資料分析平臺進行合作，神策資料幫助企業對疑似流量進行精細維度的排查，輔助網 絡投放環境的淨化;

另一方面，廣告主應不斷優化運營模式與改善運營狀況，虛假流量的監測與識別並非高度依靠技術能力， 廣告主在理解虛假流量特徵後，可通過基礎資料分析專業知識，評估數字廣告投放效果，不斷優化投放渠道。