🖱️ Détecteur de fraude au clic publicitaire — Loi de Benford en direct

La loi de Benford énonce que pour de nombreux ensembles de données numériques naturels et multi-échelles, le premier chiffre d n'est pas uniformément distribué entre 1 et 9 mais suit plutôt P(d) = log₁₀(1 + 1/d) — ainsi environ 30,1 % des valeurs commencent par 1, 17,6 % par 2, jusqu'à seulement 4,6 % commençant par 9. Elle apparaît chaque fois que la quantité sous-jacente couvre plusieurs ordres de grandeur et que son logarithme est à peu près uniformément distribué, ce qui est exactement ce qui se produit avec les comptages de clics publicitaires organiques agrégés sur des campagnes de tailles, budgets et portées très différents. Les données fabriquées — générées en choisissant des nombres dans une plage étroite pour paraître plausibles — n'ont pas cette structure multi-échelle, donc elles ne reproduisent pas la propriété log-uniforme et leurs premiers chiffres s'écartent de la courbe attendue par Benford.

Pour chaque source de trafic, nous comptons combien de ses N valeurs de comptage de clics ont chaque premier chiffre de 1 à 9, donnant les comptages observés O(d). Nous calculons le comptage attendu selon la loi de Benford comme E(d) = N × log₁₀(1 + 1/d). La statistique du chi carré est χ² = Σ (O(d) − E(d))² / E(d), calculée en direct à partir des données réellement simulées à chaque régénération — rien n'est codé en dur. Avec 9 catégories de chiffres, il y a 8 degrés de liberté, et la valeur critique standard pour un seuil de signification de 5 % est 15,507 ; les sources dont la statistique du chi carré dépasse ce seuil sont signalées comme statistiquement incohérentes avec un trafic authentique et naturellement mis à l'échelle.

Les sources authentiques tirent leurs comptages de clics d'un processus multiplicatif log-uniforme : l'échelle de base est 10 élevé à un exposant uniformément aléatoire entre 1 et environ 5,2 (donc les ordres de grandeur vont de dizaines à centaines de milliers), multipliée par un bruit lognormal représentant la variation quotidienne des campagnes. Comme l'exposant est uniforme, les premiers chiffres résultants suivent étroitement la loi de Benford, reflétant le comportement du trafic web réel agrégé. Les sources frauduleuses tirent au contraire leurs comptages uniformément dans une bande numérique étroite, comme 500 à 900 clics — un schéma typique des fermes à clics ou des robots essayant de paraître avoir un volume stable et plausible, ce qui ne peut mathématiquement pas reproduire une distribution logarithmique du premier chiffre.

Le chi carré est sensible à la taille de l'échantillon N — avec suffisamment de données, même des écarts minimes et sans importance pratique deviennent statistiquement significatifs. L'écart absolu moyen, MAD = (1/9) × Σ |fraction observée(d) − P(d)|, mesure la taille moyenne de l'écart lui-même, indépendamment de N. Les praticiens de l'analyse des chiffres (suivant les conventions de comptabilité forensique de Nigrini) considèrent un MAD inférieur à environ 0,006 comme une conformité étroite, 0,006–0,012 comme acceptable, 0,012–0,015 comme marginal, et au-dessus de 0,015 comme non-conformité. Rapporter les deux statistiques ensemble — le chi carré pour la signification statistique et le MAD pour la taille de l'effet — donne une image plus complète que l'une ou l'autre seule.

Non — la loi de Benford est une heuristique de dépistage, pas une preuve. Certains ensembles de données authentiques ne se conforment pas parce qu'ils sont contraints à une plage étroite pour des raisons légitimes (par exemple, une petite campagne à budget fixe qui achète toujours à peu près le même nombre de clics), et certaines données fabriquées peuvent être construites pour imiter délibérément une distribution logarithmique. Dans la détection réelle de fraude publicitaire, un résultat de chi carré significatif sur les comptages de clics est un signal parmi beaucoup d'autres — avec les schémas de synchronisation des clics, les empreintes d'appareils, la réputation IP et les anomalies de taux de conversion — que les analystes utilisent pour prioriser quelles sources de trafic méritent une enquête plus approfondie.

Les barres observées s'animent en douceur vers leur nouvelle hauteur cible chaque fois que les données sous-jacentes changent — par exemple lorsque vous basculez une source entre authentique et frauduleuse, changez la taille de l'échantillon, ou cliquez sur Rééchantillonner. C'est purement un effet visuel d'atténuation pour la lisibilité ; la statistique du chi carré et la valeur p affichées dans le panneau latéral sont toujours calculées directement à partir des données finales et stabilisées, pas à partir de l'image animée intermédiaire.