很多賣家都很好奇是怎么檢測刷單的？有些賣家這邊剛刷單那邊就被封了，而有一些經常刷卻沒事。今天就和大家一起接受一下亞馬遜平臺是如何判斷刷單的，以及檢測系統原理。

看不懂?那就對了，我們繼續往下看，在了解這個模型之前，我們需要狂補一些專業的知識!

我們常用的跨境電商作弊方式：

機器作弊：機器刷量、任務分發、流量劫持

人為作弊：QQ群/水軍、直接人工、誘導

電商常見作弊手段：

刷單，刷信譽，刷好評，職業差評師

判斷廣告作弊涉及的點擊類型分類：

1、 按照是否找商品找服務為目的;

2、 是否按照是否惡意，有無真實轉化為依據。

(CPC基于點擊計費的模式、CPA基于成交的點擊進行收費)

常見電商平臺點擊行為分為四大分類：

無效點擊(沒有形成轉化的意愿，僅僅瀏覽);

惡意點擊(必須識別出來);

轉化點擊(真實意愿點擊);

誤點(不是以找商品為目的，例如內部人員點擊，需要識別出來)。

點擊人群劃分：

誤點：員工、廣告主自己、競品銷售中介、爬蟲;

惡意點擊：同行、同行朋友、聯盟站點、機器。

反作弊策略應對框架：

數據層：鼠標軌跡行為、指紋數據、案例庫、行為數據;

特征層：離散指標、連續指標;

行為識別層：點擊識別模型、異常監測模型、流量識別模型、關系圖模型、人群識別模型;

策略應對層：規則。

三層監控指標體系，提前預警：

運營指標監控：投訴率、轉化率、撞線速率/頻率、消耗速率、通過率;

規則監控指標：攔截率、準確率、覆蓋率;

異常監控指標：IP維度、Cookie維度、計費名維度、廣告維度、設備維度、鼠標軌跡維度

分類監控、分級響應：

1、 針對監控情況、采用四級響應機制;

2、 紅色：非常嚴重，需要自動化采取短期策略應對，例如臨時黑名單機制

3、 橙色：較為嚴重，短信舉報，要求4h內完成分析和短平快策略壓制，后續進一步處理

機器學習在反作弊應用幾個案例：

如關聯規則、決策樹模型：策略挖掘—規則自動提取

確定建模問題：自動發現規則、輔助策略設計;

應用：挖出的規則，上線到離線反作弊系統;

評估指標：支持度、置信度、覆蓋率、攔截率

　1.同IP

也就是說你朋友都不能買你的東西，因為你們兩個人早晚是會在一起碰面的，兩個人碰面就是IP碰面，所以，買你寶貝的那個人，你們兩個人的IP永遠不能相見，也就是說你們兩個人永遠不能相見!

2.性別

假如你的淘寶店鋪賣的是連衣裙，老是有男買家隔三差五的在你家買這件寶貝，你覺著正常，男朋友幫買怎么了?我用男朋友的號買怎么了?可是算法認為你是在作弊!你是在刷寶貝!

　3.行為

這種行為指的就是假如你在刷寶貝，你沒有具體的流程，每一個幫你刷流量的人都是搜索關鍵詞，找到你家寶貝，點擊收藏，加入購物車，然后下單，你都覺著不可能，更別說算法了!

4.年齡

你家淘寶店鋪賣的是*，行，你男朋友幫你買，可是你找的人都有40歲往上的，誰家40歲的男人幫媳婦在網上買*?最好就是你找18-30歲之間的女性刷寶貝是最正常不過的了!

5.能力

支付寶都是實名認證的，對我們的好多都了如執掌，你賣意大利名牌古弛，你卻老是找一些大學生幫你刷單，這就肯定是有問題的，學生能力有限，沒有工作，買這么名貴的皮具肯定也是有些問題的!

使用關聯規則檢測刷單作弊行為

最近發現我們平臺上的個別內容提供商使用一些違規的手段，對自己所屬的收費內容進行刷單作弊。從其他渠道以很優惠的價格購買代金券，在平臺消費自己的項目內容，從而獲得結算分成與成本的金額差價。

因為需要對該問題進一步重視和監控，我也在考慮一些檢測方法，其中一個就是本文介紹的基于數據挖掘中的關聯規則(Association Rules)的算法進行嘗試分析。對于關聯規則的算法原理在此就不贅述。

家喻戶曉的一個利用關聯規則的案例是沃爾瑪啤酒尿布的案例，目的是發現客戶購物籃中經常被同時購買的商品。本例與啤酒尿布案例類似。主要因為內容商使用低價購買的客戶賬號購買自己的商品，但基于以下分析，本案例中可能會產生較強的關聯效應：

(1)對同一批內容商品進行購買，會節約作弊成本。

(2)由于客戶帳號有限，必將會出現一個客戶賬號購買很多內容項目的現象。

而與沃爾瑪的案例不同的是，沃爾瑪的案例是探索的正向積極的事件，本例是要發現的是負向消極的事件。沃爾瑪的案例中要求事件的支持度(support)要較高，即事件能夠經常發生才能有意義，置信度(confidence)只要適當即可，不要求過高;而本例因為是需要稽查異常，所以不能要求支持度高，相反置信度一定要比較高，即當某時間發生以后，另一關聯的時間也發生的概率要很高才行。

通過初步的設想，提取出某一天的客戶訂單數據進行建模，模型如下所示：

關聯規則模型設置如下：

因為使用的是事務型數據格式(按交易明細進行記錄的，特點是一個客戶標識可以有多條數據)，所以需要勾選 use transaction format這個選項。此外因為本例需要對全部的CASE進行關聯分析，因此沒有對數據進行分區。

上面已經介紹了本例要求低支持度和高置信度的設置。因為本例只需要發現任意兩個內容項目的關聯即可，所以只將最大前項數(maximum number of antecedents)為1。

最后得出的模型結果如下：

從結果模型上可以看到，兩內容項目的關聯程度可以高達百分之百，即用戶購買了某一個內容項目，那這個用戶100%會購買另一個內容項目，可見它們倆之間很可能存在貓膩，而這個規則也正是我想要尋找的。

盡管這些規則的支持度都很低，但刷量作弊屬于異常事件，不能要求高支持度。

將模型導出文本，并將這些內容項目進行整理，通過對這些項目的購買清單進行觀察分析，發現產生在這些內容項目的訂單95%以上存在很強的作弊嫌疑，由此驗證，此關聯模型對此類作弊行為有較強的檢查能力。

現階段只對該模型可行性進行嘗試，尚未考慮模型的部署，本文只介紹到此，希望能對朋友們有一定的啟發。

以Amazon的Review算法為例：

1.Verified Purchase。直評已死，這個時候再去刷直評非但沒有意義，反而可能會出現如上圖群聊中出現的“上好評排名會跌”的情況。

所以要刷就刷VP吧。還記得年初的封號風波嗎，這些賣家大多數是因為刷單被姐夫“秋后算賬”;船長在之前的分享中有向大家提到一個刷單建議，模仿真實購買行為。

亞馬遜希望所有的評論都是誠實的，而在他的監控中，如果我們能做到“仿真”，也就能避開懲罰了。具體如何模仿真實購買行為地刷單，我們根據下文的影響因素一一分析。

2.留評頻率與間隔時間。留評頻率越高，間隔時間越短，權重就越高。

如果一款產品不斷地來好評，這就意味著該產品受歡迎。也就是說，你需要根據自己的產品特性來規劃規劃刷單的頻率，留評的頻率，留評間隔的時間。當然，時間和頻率的把控同時也需要考慮到產品的銷售周期，比如你不能在站點的冬季持續刷泳裝的單并留評論，是吧。

既然說到時間和頻率，大家在刷單刷評是需要注意，一般情況下，在買家真實購買行為中，賬號成交量平均一個月最多10-20單，留評數量不超過10%，在越來越苛刻的評論政策之下，不超過5%是最好的。

也就是說，大家在選擇刷單資源，或者自己組建刷單團隊時，除了需要規劃好在listing上留評的時間與頻率，也需要根據成交情況、留評時間與頻率篩選合適的買家賬號。

3.字數、內容與比例，也就是評論內容的質量。刷單需求越大，刷單者的胃口也被養得很大，賣家們經常會花了很多錢卻被隨便一個“good”或者“wonderful”的五星敷衍了事，在現在新的算法之下，這類屬于低價值的評論是對權重排名沒有幫助的。

Review都有專員審核，亞馬遜希望review能夠真實反映產品的情況，給買家參考，避免產生不良購物體驗，客觀豐富完整的review內容是能夠提高權重的。

現在刷評論的一個標準，要讓買家當真，也要讓姐夫當真。站在真實買家(產品購買者、使用者)的角度去客觀評價這個產品，甚至不全是五星好評;根據客服提供的依據，還需要有有趣且幽默的評論內容并且數量要在最新10個reviews中占一定比例的，比如每10個評論(包括好評、中評和差評)至少1-2個有趣的評論，以此類推。

如果評論的內容不知道怎么下手，可以通過查詢競爭對手的review，挑選靠前、內容較豐富并且“helpful”數量較多的VP評論模仿，切記是模仿不是照搬照抄。至于有趣的內容，最好搭配相關的、有趣的圖片或視頻，特別是童裝、玩具這些嬰兒的產品，可以利用的素材就更多了。

4.Review中的“helpful”數量。這是個陷阱!點擊“helpful”(俗稱“點贊”)也是需要買家賬號，但如果你不小心用了一些“質量差”的買家賬號刷點擊，那就完蛋了。

首先，使用質量好的買家賬號。上文中船長也有介紹到，真實買家賬號成交量平均一個月最多10-20單，留評數量不超過10%，另外還需要注意的是賬號使用年限和使用習慣，一般來說，越老的賬號越好，但拒絕老僵尸號;并且，買家賬號也要防關聯，關聯條件與賣家賬號相同。

接著，用這些質量好的買家賬號模仿真實的買家點贊行為。從登錄買家賬號到點贊，一般是需要經過這些步驟的：

①搜索：通過亞馬遜前臺鍵入你的產品關鍵詞，或者通過你的產品對應品類去搜索，也可以通過品牌名搜索(小賣家不建議直接搜索品牌名)。

②對比：一頁頁去找你的listing，查找過程中隨意點擊幾個別人家的listings瀏覽幾秒鐘，翻翻評價和Q&A，并在兩三個產品頁面停留時間稍久一些。

③點贊：一番操作后找到你的產品，到評論區后也不要馬上找到目標review點贊，可以瀏覽首頁或前幾頁的評論，翻開折疊的回復查看，點開圖片或者視頻，甚至離開這個產品頁面之后再回來瀏覽、點贊。

5.Review原星級分數，即原來Review星級的分數。這個影響因素已經沒法去改變，但不代表原先分數低現在就沒法提高，從其他因素著手去優化即可。

6.詳情頁面被點擊次數、買家離開該詳情頁面次數、買家又再次返回該詳情頁面比率。其實就是要按照買家正常購買的順序邏輯，換位思考，你在網購商品的時候是怎樣操作的，就按照類似的順序邏輯去刷單就是了。

除了review算法的改變，亞馬遜也更新了“評論服務條款”，進一步保護review的真實性，同時也制定了懲罰政策，簡單講就是，操控評論，后果很嚴重。

這時候再回去看我們第一張的流程圖，大家就能大致明白原理了。

點擊咨詢現在有哪些新興平臺值得關注 >>>

特別聲明：以上文章內容僅代表作者本人觀點，不代表ESG跨境電商觀點或立場。如有關于作品內容、版權或其它問題請于作品發表后的30日內與ESG跨境電商聯系。