Click Fraud Detection（广告刷量检测）
Skill-Click-Fraud-Detection · 19-风控反欺诈
causalexperimentoptimizationdata_collectionfraud_detection广告与投放客服与VOC数据采集与治理风控与合规WF-B 广告优化WF-C 客服分诊WF-D 选品扫描WF-E Review监控
收录于跨境风险防御作战室
年化 ROI6-15 万元
实现难度⭐⭐☆☆☆
业务优先级⭐⭐⭐☆☆
业务视角
适用角色运营负责人 / 合规负责人 · 品牌负责人 · CEO
适用平台Amazon 刷评检测与举报 · TikTok Shop 刷单识别 · 竞品 Listing 攻击溯源
什么情况下用竞品刷单刷好评，自己的 BSR 和评分被打压；账号/ASIN 被恶意投诉删除；店铺有异常订单不确定是真实买家
成功是什么样的识别过滤刷评/恶意竞争行为，账号风险提前预警，维权有数据证据，降低封号风险
业务痛点
1. 解决的问题
检测广告点击中的无效流量（IVT）——Bot 点击、竞品恶意点击、重复点击。用时间序列异常 + 行为模式识别。
2. 核心算法逻辑
检测广告点击中的无效流量（IVT）——Bot 点击、竞品恶意点击、重复点击。用时间序列异常 + 行为模式识别。
3. 业务应用场景
FB 吸奶器广告突然 CTR 从 2.1% 飙升到 8.5%，但转化率从 3% 降到 0.1%。检测到 85% 点击来自 3 个 IP 段且 99% bounce。标记为 IVT 攻击→向 FB 申请退款 $2,400。后续部署实时 IVT 过滤，月减少无效花费 $500-1,000。
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI：6-15 万元 | 难度：⭐⭐☆☆☆ | 优先级：⭐⭐⭐☆☆
7. 代码模板
代码块数量：1 · 路径：未检测到
import numpy as np
def detect_click_fraud(clicks_per_hour, ctr_history, bounce_rates, ip_freq):
"""多信号集成 IVT 检测"""
signals = []
# 信号1: CTR spike
z_ctr = (clicks_per_hour['ctr'] - np.mean(ctr_history)) / max(np.std(ctr_history), 0.001)
signals.append(min(abs(z_ctr)/4, 1.0))
# 信号2: bounce rate
signals.append(bounce_rates.get('avg', 0))
# 信号3: IP concentration
signals.append(min(ip_freq.get('top3_ratio', 0), 1.0))
ivt_risk = np.mean(signals)
return {'ivt_risk': ivt_risk, 'is_ivt': ivt_risk > 0.7, 'signals': signals}
# test
r = detect_click_fraud(
{'ctr': 0.085}, [0.02]*30, {'avg': 0.95}, {'top3_ratio': 0.85})
print(f"IVT risk: {r['ivt_risk']:.0%}, is IVT: {r['is_ivt']}")
assert r['is_ivt']
print("[✓] Click Fraud Detection 测试通过")8. 论文来源
未自动抽取；请查看原始 Skill 卡片。