🖱️ Advertentie-klikfraudedetector — Wet van Benford Live

De Wet van Benford stelt dat voor veel natuurlijk voorkomende, multi-schaal numerieke datasets, het eerste (voorloop)cijfer d niet uniform verdeeld is over 1–9 maar in plaats daarvan P(d) = log₁₀(1 + 1/d) volgt — dus ongeveer 30,1% van de waarden begint met 1, 17,6% met 2, tot slechts 4,6% dat met 9 begint. Het ontstaat wanneer de onderliggende grootheid meerdere ordes van grootte overspant en het logaritme ervan ruwweg uniform verdeeld is, wat precies gebeurt bij organische advertentie-klikaantallen die zijn samengevoegd over campagnes van wildly verschillende groottes, budgetten en bereik. Verzonnen data — gegenereerd door getallen in een smal bereik te kiezen om plausibel te lijken — heeft deze multi-schaal structuur niet, dus faalt het in het reproduceren van de log-uniforme eigenschap en wijken de voorloopcijfers af van de verwachte Benford-curve.

Voor elke verkeersbron tellen we hoeveel van de N klikaantalwaarden elk voorloopcijfer 1 tot en met 9 hebben, wat waargenomen aantallen O(d) oplevert. We berekenen het verwachte aantal onder de Wet van Benford als E(d) = N × log₁₀(1 + 1/d). De chi-kwadraatstatistiek is χ² = Σ (O(d) − E(d))² / E(d), live berekend uit de daadwerkelijk gesimuleerde data bij elke regeneratie — niets is hardgecodeerd. Met 9 cijfercategorieën zijn er 8 vrijheidsgraden, en de standaard kritieke waarde voor een significantieniveau van 5% is 15,507; bronnen waarvan de chi-kwadraatstatistiek die drempel overschrijdt, worden gemarkeerd als statistisch inconsistent met echt, natuurlijk geschaald verkeer.

Echte bronnen trekken klikaantallen uit een log-uniform multiplicatief proces: de basisschaal is 10 tot de macht van een uniform willekeurige exponent tussen 1 en ongeveer 5,2 (dus groottes variëren van tientallen tot honderdduizenden), vermenigvuldigd met lognormale ruis die dag-tot-dag campagnevariatie voorstelt. Omdat de exponent uniform is, volgen de resulterende voorloopcijfers nauw de Wet van Benford, wat weerspiegelt hoe echt samengevoegd webverkeer zich gedraagt. Frauduleuze bronnen trekken in plaats daarvan aantallen uniform uit een smalle numerieke band, zoals 500 tot 900 klikken — een patroon typisch voor klikfabrieken of bots die een gestaag, plausibel volume proberen na te bootsen, wat wiskundig geen logaritmische voorloopcijferverdeling kan reproduceren.

Chi-kwadraat is gevoelig voor steekproefgrootte N — met genoeg data worden zelfs kleine, praktisch onbelangrijke afwijkingen statistisch significant. De gemiddelde absolute afwijking, MAD = (1/9) × Σ |waargenomen fractie(d) − P(d)|, meet de gemiddelde grootte van de afwijking zelf, onafhankelijk van N. Cijferanalisten (volgens Nigrini's forensisch-boekhoudkundige conventies) beschouwen MAD onder ongeveer 0,006 als nauwe overeenstemming, 0,006–0,012 als acceptabel, 0,012–0,015 als marginaal, en boven 0,015 als non-conformiteit. Beide statistieken samen rapporteren — chi-kwadraat voor statistische significantie en MAD voor effectgrootte — geeft een vollediger beeld dan een van beide alleen.

Nee — de Wet van Benford is een screeningsheuristiek, geen bewijs. Sommige echte datasets voldoen niet omdat ze om legitieme redenen beperkt zijn tot een smal bereik (bijvoorbeeld een kleine campagne met vast budget die altijd bijna hetzelfde aantal klikken koopt), en sommige verzonnen data kan opzettelijk zo gebouwd zijn dat het een logaritmische verdeling nabootst. Bij echte advertentiefraudedetectie is een significant chi-kwadraatresultaat op klikaantallen één signaal van velen — naast klik-timingpatronen, apparaat-vingerafdrukken, IP-reputatie en conversiepercentage-anomalieën — die analisten gebruiken om te prioriteren welke verkeersbronnen dieper onderzoek verdienen.

De waargenomen staven animeren soepel naar hun nieuwe doelhoogte zodra de onderliggende data verandert — bijvoorbeeld wanneer je een bron omschakelt tussen echt en frauduleus, de steekproefgrootte wijzigt, of op Opnieuw bemonsteren klikt. Dit is puur een visueel afvlakkingseffect voor leesbaarheid; de chi-kwadraatstatistiek en p-waarde die in het zijpaneel worden getoond, worden altijd rechtstreeks berekend uit de uiteindelijke, vaste data, niet uit het tussenliggende geanimeerde frame.