Warum Regeln nicht mehr reichen
Klassische Regeln („>5 Klicks von einer IP“, „Geo nicht in der whitelist“) fangen nur primitiven Betrug. Moderne Bots rotieren residential IP und imitieren Scroll und time-on-site. ML sucht nach Mustern, die ein Mensch nicht in if-else schreiben würde: Korrelationen von device fingerprint, referrer, Uhrzeit, Navigationsgeschwindigkeit.
Drei Säulen des ML-Antifraud
- Device / browser fingerprint. Nicht nur User-Agent — canvas, WebGL, timezone drift, Sprach-Unstimmigkeiten. Ein „Mensch“ mit einem Dutzend Fingerprints ist ein Farm-Signal.
- Behavioral biometrics. Mausbahn, Scroll-Rhythmus, Pausen zwischen Aktionen. Synthetic traffic ist oft „zu korrekt“.
- Anomaly detection. Unsupervised-Modelle fangen Ausschläge ohne labeled fraud — nützlich bei Zero-Day-Schemata.
AI Selena in ClikBy: was wir ehrlich behaupten
AI Selena — ein Ensemble von Modellen für die Bewertung von Klick- und Visit-Qualität auf Smart-Links: conversion score, Status confirmed / bot_server / bot_filter. Das System analysiert technische und Verhaltenssignale beim Redirect und auf der Website nach dem Klick.
Мы не positionieren Selena als Ersatz für bank-grade Transaction-ML, garantieren keine „100 % Blockierung aller Bots“ und stellen keine Zertifikate aus, die das Produkt nicht hat. Der Wert liegt darin — Junk Traffic im Marketing Funnel klarer zu erkennen und ihn nicht ins Retargeting zu speisen.
„ML im Antifraud ist ein Wettrüsten. Unsere Aufgabe ist nicht, Magie zu versprechen, sondern dem Marketer eine messbare Klickqualitätsschicht zu geben, bevor er das Quartalsbudget verbrennt.“
Wie man ML bei der Einführung nicht überzieht
- Starten Sie im Beobachtungsmodus: Beobachten Sie den Bot-Anteil 2–4 Wochen lang ohne harte Blockierungen.
- Abgleichen Sie das Scoring mit Business-Metriken (lead quality, sales), nicht nur mit „% bot“.
- Dokumentieren Sie False Positives — in Fintech/E-Com sind sie teurer als ein übersehener Bot.
Mehr zu den Begriffen: Glossar der Antifraud-Begriffe.
Supervised vs. Unsupervised in der Praxis
Supervised Modelle brauchen gelabelte bot/confirmed-Daten — sie sind präzise, wo das Muster schon gesehen wurde. Unsupervised fangen neue Cluster, erzeugen aber mehr False Positives. Selena kombiniert die Ansätze in einem Ensemble.
Drift und Retraining
Bots passen sich Filter innerhalb von Wochen an. ClikBy aktualisiert das Scoring auf der Plattform; Kunden sollten Kampagnenschwellen und Ads-Ausschlusslisten jedes Quartal prüfen.
