🖱️ Wykrywacz oszustw w kliknięciach reklam — prawo Benforda na żywo

Prawo Benforda mówi, że dla wielu naturalnie występujących, wieloskalowych zbiorów danych liczbowych pierwsza (wiodąca) cyfra d nie jest rozłożona jednostajnie w zakresie 1-9, lecz zamiast tego podąża wzorem P(d) = log₁₀(1 + 1/d) — więc około 30,1% wartości zaczyna się od 1, 17,6% od 2, aż do zaledwie 4,6% zaczynających się od 9. Pojawia się ono wszędzie tam, gdzie leżąca u podstaw wielkość obejmuje kilka rzędów wielkości, a jej logarytm jest w przybliżeniu jednostajnie rozłożony, co jest dokładnie tym, co dzieje się z organicznymi liczbami kliknięć reklam zagregowanymi w kampaniach o skrajnie różnych rozmiarach, budżetach i zasięgu. Sfabrykowane dane — generowane przez wybieranie liczb w wąskim zakresie, by wyglądały wiarygodnie — nie mają tej wieloskalowej struktury, więc nie odtwarzają właściwości log-jednostajnej, a ich wiodące cyfry odbiegają od oczekiwanej krzywej Benforda.

Dla każdego źródła ruchu zliczamy, ile z jego N wartości liczby kliknięć ma każdą wiodącą cyfrę od 1 do 9, uzyskując obserwowane liczby O(d). Obliczamy oczekiwaną liczbę zgodnie z prawem Benforda jako E(d) = N × log₁₀(1 + 1/d). Statystyka chi-kwadrat wynosi χ² = Σ (O(d) − E(d))² / E(d), obliczana na żywo z rzeczywistych symulowanych danych przy każdym odświeżeniu — nic nie jest zakodowane na sztywno. Przy 9 kategoriach cyfr mamy 8 stopni swobody, a standardowa wartość krytyczna dla poziomu istotności 5% wynosi 15,507; źródła, których statystyka chi-kwadrat przekracza ten próg, są oznaczane jako statystycznie niezgodne z prawdziwym, naturalnie skalowanym ruchem.

Prawdziwe źródła losują liczby kliknięć z log-jednostajnego procesu multiplikatywnego: skala bazowa to 10 podniesione do jednostajnie losowego wykładnika między 1 a około 5,2 (więc wielkości sięgają od dziesiątek do setek tysięcy), pomnożone przez szum lognormalny reprezentujący dzienną zmienność kampanii. Ponieważ wykładnik jest jednostajny, wynikowe wiodące cyfry ściśle podążają za prawem Benforda, odzwierciedlając zachowanie prawdziwego zagregowanego ruchu internetowego. Oszukańcze źródła zamiast tego losują liczby jednostajnie z wąskiego pasma liczbowego, na przykład od 500 do 900 kliknięć — wzorzec typowy dla farm kliknięć lub botów próbujących wyglądać na stały, wiarygodny wolumen, co matematycznie nie może odtworzyć logarytmicznego rozkładu wiodącej cyfry.

Chi-kwadrat jest wrażliwy na liczebność próby N — przy wystarczającej ilości danych nawet drobne, praktycznie nieistotne odchylenia stają się statystycznie istotne. Średnie odchylenie bezwzględne, MAD = (1/9) × Σ |obserwowany ułamek(d) − P(d)|, mierzy przeciętną wielkość samego odchylenia, niezależnie od N. Praktycy analizy cyfr (zgodnie z konwencjami rachunkowości śledczej Nigriniego) traktują MAD poniżej około 0,006 jako bliską zgodność, 0,006–0,012 jako dopuszczalną, 0,012–0,015 jako graniczną, a powyżej 0,015 jako niezgodność. Podawanie obu statystyk razem — chi-kwadrat dla istotności statystycznej i MAD dla wielkości efektu — daje pełniejszy obraz niż każda z osobna.

Nie — prawo Benforda to heurystyka przesiewowa, a nie dowód. Niektóre prawdziwe zbiory danych nie są z nim zgodne, ponieważ z uzasadnionych powodów są ograniczone do wąskiego zakresu (na przykład mała kampania o stałym budżecie, która zawsze kupuje zbliżoną liczbę kliknięć), a niektóre sfabrykowane dane można celowo skonstruować tak, by naśladowały rozkład logarytmiczny. W rzeczywistym wykrywaniu oszustw reklamowych istotny wynik chi-kwadrat dla liczby kliknięć jest jednym z wielu sygnałów — obok wzorców czasowych kliknięć, odcisków palca urządzeń, reputacji IP i anomalii współczynnika konwersji — które analitycy wykorzystują do ustalania priorytetów, które źródła ruchu zasługują na dogłębniejsze zbadanie.

Obserwowane słupki animują się płynnie w kierunku nowej docelowej wysokości za każdym razem, gdy zmieniają się leżące u podstaw dane — na przykład gdy przełączasz źródło między prawdziwym a oszukańczym, zmieniasz rozmiar próby lub klikasz Resampluj. Jest to czysto wizualny efekt wygładzania dla czytelności; statystyka chi-kwadrat i wartość p pokazywane w panelu bocznym są zawsze obliczane bezpośrednio z ostatecznych, ustalonych danych, a nie z pośredniej animowanej klatki.