Рекламные технологии: детекция click fraud

Ситуация: Estimated click fraud rate — 15% от total clicks. Это стоит рекламодателям $3 млн/квартал. Current detection catches только 40% fraud.

Рекламная сеть с 5 000 publishers и 1 000 advertisers. Типы фрода: bot clicks, click farms, competitor clicking, cookie stuffing. Некоторые publishers сами генерируют fake traffic.

Доступные данные

• clicks: click_id, ad_id, publisher_id, user_fingerprint, ip_address, timestamp, user_agent, referrer
• conversions: click_id, conversion_type, conversion_value, time_to_convert
• publisher_stats: publisher_id, date, impressions, clicks, ctr, conversion_rate, fraud_score
• ip_intelligence: ip_address, country, isp, is_datacenter, is_vpn, risk_score
• user_behavior: user_fingerprint, clicks_last_hour, unique_ads_clicked, session_duration, pages_viewed

Задачи

• Построить fraud detection модель: какие features дают лучшую separation.
• Определить cost of false positives vs. false negatives для advertisers и publishers.
• Рассчитать optimal threshold и expected fraud recovery.
• Предложить real-time vs. batch detection trade-offs.
• Спроектировать publisher penalty system.

Все кейсы для подготовки → ← Все кейсы