Машинные алгоритмы VS ручная аналитика: почему человеческий глаз больше не видит фрод
В век эволюции ИИ вкалывают роботы, в том числе на линии фрода. Кто защитит рекламный бюджет: машина или человек?
В процессе анализа рекламных кампаний маркетологу приходится сверять тысячи визитов по сотням метрик и параметров, чтобы выяснить, насколько качественный идет трафик и не сливается ли бюджет из-за ботов. Но это всё — ручная проверка: тонны времени и регулярное обновление знаний. Давайте сравним, кто кого: кто в итоге спасет бизнес и рекламу — машина или человек?
Можно ли анализировать 100+ технических и поведенческих метрик одновременно
В текущих реалиях на рынке digital-рекламы, где атаки идут одна за другой, каждую секунду боты сотнями тысяч скликивают объявления, накручивают просмотры медиа, генерируют фальшивые заявки. Нагрузка ложится не только на плечи маркетолога, но и на всех, кто включен в бизнес-процессы.
Что может сделать маркетолог, чтобы защитить рекламные кампании от фрода:
вручную анализировать визиты по метрикам (отказы, глубина просмотров, время на сайте и т. д.),
просматривать записи визитов (в пределах ограниченного времени);
проводить A/B-тесты;
выявлять известные мошеннические схемы на основе личного опыта;
корректировать показы по аудиториям на основе анализа,
добавлять площадки в черные списки.
И всё это постфактум — без быстрого реагирования, а спустя время, потраченное на изучение трафика и оптимизацию настроек.
На что способен ИИ-алгоритм системы антифрода:
автоматически анализировать 100+ поведенческих и технических параметров визитов в реальном времени, среди которых анализ цифрового следа, недоступный при ручной проверке;
использовать машинное обучение для распознавания новых паттернов фродовых профилей и реагирования на новые инциденты;
мгновенно блокировать подозрительный трафик,
превентивно запрещать показы известным фродовым профилям, которые уже находятся в стоп-листах (например, как у «Ботфактор»).
В чем плюсы и минусы ручного и автоматизированного анализа рекламного трафика:
И всё же, анализировать рекламу вручную важно и нужно: так вы сможете найти некачественные площадки или нецелевые аудитории. Но если уровень фрода в нише высокий, то отражать атаки ботов будет труднее — большая часть времени будет уходить на обнаружение и блокировки.
Почему классические отчёты (GA, Метрика) дают ложное чувство контроля
Аналитические счетчики Яндекс Метрика и Google Analytics позволяют собирать данные о визитах, но они не показывают четкое разделение между ботами и реальными людьми. Мошенники всячески скрывают фродовый трафик — за фальшивыми IP, устройствами, цифровыми следами и метриками.
ИИ-боты умеют обучаться на человеческих визитах и имитировать поведение, чтобы скрыть риск обнаружения. Даже если вы вручную попытаетесь проанализировать визиты, отличить их от человеческих будет не так просто.
Боты выполняют сложные действия при переходе по рекламе, могут их комбинировать и менять от визита к визиту, а также учитывать сайт и контекст, чтобы персонализировать атаку:
имитируют траекторию курсора — так же хаотично, как это делают люди, за исключением более упрощенных скриптов;
«зависают» на странице на нужное время;
переходят по страницам;
скроллят и якобы «читают» контент;
могут решать простые капчи.
В отношении остальных метрик определить по визитам в Метрике или GA усовершенствованного (ИИ) бота будет проблематично. Он просто утонет в потоке переходов реальных пользователей: та же глубина просмотров, какое-то взаимодействие, клики и т. д.
Машинные модели против поведенческих аномалий — какие параметры действительно важны
Боты эволюционируют. Например, за 2025 год специалисты «Ботфактор» заметили устойчивый рост атак умных и усовершенствованных ботов со спадом атак со стороны простых и примитивных фродовых профилей. Это повлекло за собой оптимизацию и совершенствование алгоритмов обнаружения сложного трафика.
Машинное обучение и искусственный интеллект позволяет алгоритмам антифрод-систем подстраиваться под эволюцию фрода и развивать механизмы обнаружения и блокировок. По данным VLink.info, темпы внедрения ИИ в системы фрод-менеджмента с 2023 по 2033 год составят 18,5%. Инвестиции увеличатся с 10,4 млрд долларов до 57,1 млрд долларов (преимущественно для рынка США и Канады).
CAGR — среднегодовой темп роста. Внедрение ИИ в системы антифрода.
В первую очередь это связано с возможностями подобных алгоритмов быстрее реагировать на современные форматы фрода, развивать под них свои механизмы и своевременно блокировать недействительный трафик.
Какие поведенческие паттерны помогает анализировать система на базе МО:
скорость действий или кликов — если она аномально высокая, например >10 кликов в секунду, то будет срабатывать фильтр;
время на странице — после перехода по рекламе боты выжидают определенное время, чтобы визит не числился как «отказ», иногда они просто «зависают» или выполняют интервальную прокрутку «прокрутил → замер → «прокрутил»;
траектория курсора — усовершенствованные боты умеют перемещать курсор, но определенные паттерны будут выдавать машинное поведение;
последовательность событий и повторяющиеся паттерны — идентичные последовательности действий у множества IP говорят о фроде;
игнорирование всплывающих окон.
Это лишь часть поведенческих метрик, более сложные алгоритмы и принципы обнаружения, к сожалению, мы опубликовать не можем.
Машинные модели приоритезируют параметры, такие как частота действий, несовпадение географических меток, превышение пороговых значений для определения аномалий при взаимодействии посетителя с сайтом и т. д. В отличие от ручных правил, алгоритмы систем антифрода на базе МО учатся на данных, фокусируясь на важных сигналах без ручного вмешательства.
Аналитика помогает оптимизировать бюджет — без отключения каналов продвижения
Аналитика с помощью антифрод-систем на базе машинного обучения и искусственного интеллекта помогает сегментировать трафик на ботов и целевых пользователей. Алгоритмы автоматически создают сегменты из фродовых профилей и блокируют им показы рекламы.
Другие инструменты, такие как поведенческие капчи, помогают бороться со спам-заявками и фальшивыми конверсиями. Тем не менее, в данном случае мы рекомендуем использовать гибридный подход: применять ручной и автоматизированный мониторинг, но только в отношении тех аспектов, которые не может закрыть система антифрода.
Первый слой защиты — ручной мониторинг
Точная настройка целей, передача реальных офлайн-конверсий, первичная блокировка «мусорных» площадок и последующий анализ снижает риск фрода, но это лишь первичный защитный слой, через который могут прорываться усовершенствованные боты.
Второй слой — антифрод-система
Система антифрода усиливает защиту от мошенничества с рекламой, автоматически блокирует те визиты, которые обычный человек обнаружить не сможет. Она упрощает процесс анализа, поиска и блокировки фродовых сегментов.
Реклама должна работать и окупать себя. Не стоит отказываться от каналов продвижения только потому, что вам не повезло и вы попали на фрод-трафик.
Пробуйте разные подходы в настройках рекламы, таргетингах, передаче данных и подключайте системы блокировки фрода на базе ИИ и машинного обучения для автоматизации и упрощения рутины.
Просто о сложном
Неделя рекламы 
Новости 
Кейсы 
How to 
Интервью и дискуссии 
Маркетинговые исследования 
Энциклопедия обмана 
Проверено ADPASS 
Рекламные кампании