笔者进而深入分析了这些渠道新增用户的启动次数、使用时长、留存率、付费转化等用户行为数据，发现启动次数基本为1，使用时长不足10秒，7日后的留存率为0，付费率为0，此时基本可以确定为利用机型刷量。
由于广告投放过程中渠道服务商存在各级代理，流量获取不透明，让可供作弊的灰色区域越来越多，看似正常的广告投放留存，其实隐藏着虚假流量的危机。
以上两个案例均为CPA、CPD付费形式的常用作弊手段——采用各种手段刷下载、激活及留存，虽然作弊成本相对较高，但也较难屏蔽。除此之外，还有CPM、CPC付费形式下的刷曝光和点击CPS付费形式下刷订单等作弊手段。
总之，每种广告都有对应的付费形式，每种付费形式都有虚假流量利益的诉求点。
虽然渠道假量识别一直是增长负责人和渠道推广人员的一大痛点，但渠道推广人员以及数据分析师不可能有足够的时间和精力去一一核对各个细分渠道的详细数据，进而识别出渠道假量。即便能够一一核对，但也需要耗费大量的时间，待查出问题时，相关的损失可能已经造成且无法挽回。
那么，是否可以建立一种机制，建设一套健全的体系，能够精准的识别渠道假量，并自动报警，及时提醒相关人员呢？
二、解决方案
1. 渠道投放全流程数据监控
笔者认为：无论从哪个维度入手去识别异常渠道和虚假流量，首先都需要将广告曝光点击数据、用户属性数据和用户行为数据通过一定的数据采集手段，进行关联、整合、聚类，从而获取完整、全面和准确的基础数据，并据此实现用户数据的跟踪和分析。
有了完整全面的数据，一方面，我们可以根据渠道的属性从不同的突破点去寻找虚假流量的踪迹；另一方面，通过分析和保留一个虚假流量完整环节的数据，可以建立支撑虚假流量强有力的证据。
如上图，广告投放全流程数据主要可分为三类;
- 广告投放数据：广告曝光量、广告点击量；
- 用户基本属性数据：新增用户的激活时段分布、地域分布、设备终端分布、网络及运营商分布、App版本分布；
- 用户行为数据：新增用户的留存情况、App启动次数、App使用时长、业务转化情况（如播放时长、付费行为）。
2. 渠道反作弊评估体系
数据本身并不说明问题，对数据的解读才能说明问题。
也就是说，数据只是未经加工的原始素材，表示的是客观事物，须经过加工处理，形成逻辑后方能称为信息；对大量的信息再进行总结归纳，将其体系化，便形成了知识，指导实践。
实现对渠道投放全流程的数据监控后，接下来便是通过这些数据来识别异常渠道和虚假流量——即建立渠道反作弊评估体系，具体包括：
- 从各平台各维度获取数据；
- 监测指标及阈值的设定；
- 自动报警提醒、渠道详情展示；
- 完成异常渠道识别与虚假流量监测。
第三方监测平台也在完善反作弊能力，例如友盟 会在四个层面进行反作弊：
- 重构通信协议，增加机密算法，提高破解协议的门槛。
- 增加ID变化追踪策略，锁定虚假ID。
- 在服务端升级算法和控制策略，更有效识别刷量行为。
- 是增加appkey保护策略，上线设备指纹、模拟器识别等技术，尤其是针对Android设备端的刷量行为，大力打击羊毛党。
三、实施步骤
