在意识到部门存在系统性“优化”数据的倾向后，古民将关注点聚焦于一个具体、可量化、且对用户增长至关重要的环节：线上广告投放。这是用户增长的核心渠道之一，涉及巨额预算，其效率直接关系到“新增用户”这个核心KPI的成本与质量。他决定从一个具体的、正在进行的广告投放项目入手，进行深度剖析。

    项目名称为“暑期拉新冲刺-信息流广告专项”，预算颇为可观，目标是在主流社交媒体和信息流平台获取新注册用户。投放策略由增长部门的投放团队制定，他们与多家广告代理公司合作，在多个平台（如字节系、腾讯系、百度系等）进行投放。日常监控的指标包括：展示量、点击量、点击成本、注册量、注册成本、以及浅层的次日留存率。

    古民拥有查看该专项详细后台数据的权限。他首先调取了近一个月的投放数据总览。从表面看，数据“健康”：总花费在预算内，平均单次点击成本和单用户注册成本控制在预设目标线以下，甚至略优于历史同期。各合作代理公司上报的数据也基本符合要求，偶有波动，但经调整后总能回到“正轨”。这看起来是一份合格的、甚至不错的成绩单。

    然而，古民带着“识别无效动作”的警觉，开始拆解。他怀疑，问题可能隐藏在聚合数据之下，存在于不同渠道、不同广告素材、不同人群定向的细微差异中，更可能存在于“点击”到“注册”之后，用户到底做了什么，或者更关键的是，没做什么。

    他设定了分析框架：

    1. 定义“有效用户”与“无效动作”：在当前的KPI体系下，“注册”即算有效转化。但古民认为这远远不够。他将“有效用户”初步定义为：注册后7日内，完成至少一次非补贴驱动、非零门槛的核心交易行为（例如，购买非新人专享折扣的商品，或使用一项非免费试用的服务）。而“无效动作”则包括：a) 机器人或脚本产生的虚假点击与注册；b) 真人完成的注册，但后续无任何活跃行为，或仅完成领取新人福利等最低门槛动作后即流失（纯羊毛·党）；c) 因广告误导（如夸大宣传、诱导点击）而注册，但发现与预期不符迅速离开的用户。

    2. 建立用户后续行为追踪链路：他利用数据权限，将广告点击ID、设备ID、注册用户ID进行跨表关联，追踪每个通过广告渠道进来的用户，在注册后的关键行为序列：是否完善资料、浏览了哪些页面、是否将商品加入购物车、是否完成下单、下单金额、是否使用补贴、下单频率、访问时长、访问间隔等。这需要处理海量数据，编写复杂的SQL查询和脚本。

    3. 引入反作弊数据交叉验证：他申请了与公司风控部门反作弊数据（脱敏后）的有限交叉查询权限。反作弊系统会基于设备指纹、IP地址、行为模式等识别可疑流量。古民希望量化广告流量中，被反作弊系统标记为“**险”或“已确认为作弊”的比例。

    4. 渠道深度归因与聚类分析：不再只看各代理或各平台汇总的数据，而是下钻到具体的广告计划、广告组、甚至关键词/人群包层面。分析不同细分来源带来的用户，在后续行为上的聚类特征。是否存在某些来源，其用户注册后的行为模式高度一致且异常（例如，几乎全部在注册后24小时内沉寂）？这些来源的点击成本和注册成本是否异常低？

    分析过程是繁琐且耗时的。古民利用实习工作之外的时间，在夜间和周末运行复杂的查询，构建临时数据表，进行可视化分析。王磊似乎察觉到他正在进行的“课外研究”，但未加阻止，只是偶尔在路过时瞥一眼他的屏幕，不置可否。

    初步结果逐渐浮出水面，触目惊心。

    首先，是反作弊交叉验证。古民发现，在“暑期拉新冲刺”项目带来的所有注册用户中，有约5% 的设备ID，在注册后短时间内（如24-48小时）被反作弊系统标记为“批量注册特征”或“设备农场嫌疑”。这些-->>

本章未完，点击下一页继续阅读