Özet. Tıklama sahtekarlığı, reklamın gerçek bir kullanıcı ilgisi olmadan, bir tarafa haksız kazanç sağlamak ya da rakibe zarar vermek amacıyla tıklanmasıdır. Literatür sorunun iki ana kaynağını ayırır: yayıncı kaynaklı sahtekarlık (kendi sitesindeki reklamlara tıklatarak gelir elde etmek) ve rakip kaynaklı sahtekarlık (rakibin bütçesini tüketmek). Görüntülü reklam ağlarında yayıncı teşviki, arama reklamlarında ise rakip ve bot trafiği ön plana çıkar. Tespit yöntemleri kural tabanlı filtrelerden davranışsal modellemeye ve ağ düzeyinde ölçüm deneylerine uzanır. Bu yazıda ekonomik etkiler, ölçüm sorunları ve tespit yaklaşımları literatür ışığında ele alınmaktadır.
Not: Bu yazı bir literatür derlemesidir; özgün veri ya da yeni bir deney sonucu içermez. Aktarılan bulgular kaynakçada listelenen yayımlanmış çalışmalara aittir.
1. Giriş
Tıklama başına ödeme (TBÖ) modelinde reklamveren, yalnızca reklamına tıklandığında ödeme yapar. Bu model riski reklamverenden platforma kaydırır; ancak tıklamanın gerçek bir ilgiyi yansıttığı varsayımına dayanır. Daswani ve ark. (2008), çevrim içi reklam dolandırıcılığının bu varsayımı hedef alan çok çeşitli biçimlerini sınıflandırmış ve sorunun teknik olduğu kadar ekonomik bir sorun olduğunu vurgulamıştır. Kshetri (2010) ise tıklama sahtekarlığını, failin elde ettiği kazanç ile yakalanma olasılığı ve maliyeti arasındaki bir ekonomik hesap olarak çözümlemiştir.
2. Tanım ve Sınıflandırma
Sektörde geçersiz trafik için en yaygın çerçeve, Media Rating Council (MRC) standartlarıdır. MRC (2020), geçersiz trafiği iki gruba ayırır: genel geçersiz trafik (GIVT; bilinen veri merkezleri, kendini bot olarak tanıtan tarayıcılar gibi listelerle ayıklanabilen trafik) ve gelişmiş geçersiz trafik (SIVT; insan davranışını taklit eden botlar, ele geçirilmiş cihazlar, teşvikli tıklamalar gibi ileri analiz gerektiren trafik). Bu ayrım, sahtekarlığın büyük kısmının basit listelerle değil, davranışsal ve istatistiksel yöntemlerle yakalanabildiğini gösterir.
Fail açısından ise üç temel tür ayırt edilir: yayıncının kendi gelirini artırmak için yaptığı tıklamalar, rakibin reklam bütçesini tüketmeye yönelik tıklamalar ve bot ağlarının (botnet) para kazanma amaçlı ürettiği otomatik tıklamalar. Pearce ve ark. (2014), ZeroAccess bot ağının ele geçirilmiş bilgisayarlar üzerinden büyük ölçekli tıklama sahtekarlığı yaptığını ayrıntılı olarak belgelemiştir.
3. Ekonomik Etkiler
3.1. Arama reklamları
Wilbur ve Zhu (2009), arama reklamı açık artırmalarında tıklama sahtekarlığını modellemiş ve şaşırtıcı bir sonuca ulaşmıştır: reklamverenler sahtekarlık oranını öngörebildiklerinde tekliflerini buna göre düşürür; bu nedenle sahtekarlığın maliyetinin bir kısmı platforma geri yansır. Model, belirli koşullarda arama motorunun sahtekarlığı tamamen ortadan kaldırmak için güçlü bir kısa vadeli teşviki olmayabileceğini, ancak üçüncü taraf denetiminin reklamveren güvenini artırarak bu dengeyi değiştirebileceğini öne sürer. Reklamveren açısından asıl sorun, sahtekarlık oranının hesaplar ve zaman içinde sabit olmamasıdır: öngörülemeyen sahtekarlık, bütçe planlamasını ve teklif kararlarını bozar.
3.2. Görüntülü reklam ağları
Görüntülü reklam ağlarında gelir, reklamın gösterildiği yayıncıyla paylaşıldığından yayıncı kaynaklı sahtekarlık teşviki daha belirgindir. Dave, Guha ve Zhang (2012), reklam ağlarındaki “tıklama spam”ini ölçmek için kendi reklamlarını yayınlayıp gelen tıklamaları analiz ettikleri bir yöntem geliştirmiş ve farklı ağlarda önemli oranda geçersiz tıklama gözlemlemiştir. Haddadi (2010) ise içeriği bilerek anlamsız tutulan “blöf reklamlar” kullanarak, bu reklamlara gelen tıklamaların insan ilgisinden çok otomatik trafiği yansıttığını öne sürmüştür.
3.3. Dolaylı maliyetler
Sahtekarlığın maliyeti yalnızca boşa ödenen tıklama tutarıyla sınırlı değildir. Geçersiz tıklamalar tıklama oranı ve dönüşüm oranı gibi ölçümleri bozar; bu ölçümlerle beslenen otomatik teklif sistemleri yanlış sinyallerle öğrenir. Sonuçta bütçe, gerçekte değer üretmeyen trafiğe kayabilir. Bu etki, dönüşüm verisinin az olduğu küçük hesaplarda daha belirgindir.
4. Tespit Yöntemleri
4.1. Kural ve liste tabanlı yaklaşımlar
En temel katman; bilinen veri merkezi adresleri, kendini tanıtan botlar ve olağan dışı tıklama sıklığı gibi kurallarla çalışır. MRC (2020) bu katmanı GIVT filtrelemesi olarak tanımlar. Uygulaması kolaydır ancak davranışını gizleyen botlara karşı yetersiz kalır.
4.2. Davranışsal ve istatistiksel modelleme
Daha ileri yöntemler, oturum içi davranışı (sayfada kalma süresi, etkileşim örüntüleri), cihaz ve ağ özelliklerini ve zamansal dağılımları birlikte değerlendirir. Daswani ve ark. (2008), büyük platformların bu tür sinyalleri birleştiren çok katmanlı sistemler kullandığını aktarır. Burada temel güçlük, etiketli “gerçek” verinin azlığıdır: hangi tıklamanın kesin olarak sahte olduğu çoğu zaman bilinmez.
4.3. Deneysel ve ağ düzeyinde ölçüm
Dave ve ark. (2012) ile Haddadi (2010), reklamverenin kendi kontrolündeki reklamlarla ağın davranışını ölçmenin mümkün olduğunu göstermiştir. Bu yaklaşımlar, platform raporlarına bağımlı kalmadan bağımsız denetim yapılabileceğini ortaya koyar ve Wilbur ve Zhu'nun (2009) üçüncü taraf denetimi önerisini destekler.
5. Uygulamaya Yansımalar
- Platformların otomatik geçersiz tıklama filtreleri önemli bir ilk katmandır; ancak literatür, reklamverenin bağımsız ölçüm yapmasının da değerli olduğunu gösterir. Bkz. sahte tıklama nasıl tespit edilir.
- Görüntülü ağda yayıncı kaynaklı riskler, arama ağında ise rakip ve bot trafiği daha belirgindir; kampanya türüne göre farklı önlem gerekir. Bkz. display reklamlarda bot trafiği.
- Geçersiz trafiğin otomatik teklif stratejilerini yanıltabileceği göz önünde bulundurularak dönüşüm verisinin kalitesi düzenli denetlenmelidir. Bkz. sahte tıklamanın dönüşüm verisine etkisi.
- Kanıt toplama ve iade süreçleri için geçersiz tıklama itiraz rehberimize bakabilirsiniz.
6. Sınırlılıklar
Tıklama sahtekarlığının gerçek boyutu konusunda literatürde ve sektör raporlarında birbirinden çok farklı oranlar dolaşmaktadır. Bunun temel nedeni ortak bir ölçüm standardının ve etiketli verinin bulunmamasıdır. Akademik çalışmaların bir kısmı belirli ağlara veya döneme özgü olduğundan, bulguların bugünkü platformlara doğrudan genellenmesi dikkat gerektirir.
7. Sonuç
Tıklama sahtekarlığı, tıklama başına ödeme modelinin yapısal bir yan ürünüdür ve ekonomik teşviklerle birlikte değerlendirilmelidir. Literatür, sorunun hem doğrudan bütçe kaybı hem de ölçüm ve otomasyon sistemlerinin bozulması yoluyla maliyet yarattığını; etkili mücadelenin ise platform filtreleri, bağımsız ölçüm ve davranışsal analizin birlikte kullanılmasını gerektirdiğini göstermektedir.
Kaynakça
- Daswani, N., Mysen, C., Rao, V., Weis, S., Gharachorloo, K., & Ghosemajumder, S. (2008). Online advertising fraud. In M. Jakobsson & Z. Ramzan (Eds.), Crimeware: Understanding new attacks and defenses. Addison-Wesley.
- Dave, V., Guha, S., & Zhang, Y. (2012). Measuring and fingerprinting click-spam in ad networks. Proceedings of the ACM SIGCOMM 2012 Conference, 175–186.
- Haddadi, H. (2010). Fighting online click-fraud using bluff ads. ACM SIGCOMM Computer Communication Review, 40(2), 21–25.
- Kshetri, N. (2010). The economics of click fraud. IEEE Security & Privacy, 8(3), 45–53.
- Media Rating Council. (2020). Invalid traffic detection and filtration standards addendum. MRC.
- Pearce, P., Dave, V., Grier, C., Levchenko, K., Guha, S., McCoy, D., Paxson, V., Savage, S., & Voelker, G. M. (2014). Characterizing large-scale click fraud in ZeroAccess. Proceedings of the 2014 ACM SIGSAC Conference on Computer and Communications Security, 141–152.
- Wilbur, K. C., & Zhu, Y. (2009). Click fraud. Marketing Science, 28(2), 293–308. https://doi.org/10.1287/mksc.1080.0397