Google の無効なトラフィックに関するガイダンスには、自動クリックツール、ロボット、スパイダー、クローラー、誤ってのクリックなど、ユーザーの純粋な関心を反映しないアクティビティが含まれています。Google は検出した無効なアクティビティを除外しますが、広告主はクリック後の行動、リードの質、繰り返し現れる疑わしいパターンについて、独自にトラフィックの質を確認する必要があります。Google の無効なトラフィックと無効なクリックに関するガイダンスをご覧ください。
まずは不正クリックとは何かを理解することが第一歩です。ボットのリスクを減らすには、さらに、どのシグナルが強く、どのシグナルにノイズが多いのか、そして誤検知をどう避けるのかを知る必要があります。
単一のシグナルによる検出が失敗する理由
ボット検出は、チームが 1 つの手がかりを判決のように扱うと失敗します。
例：
- VPN からのクリックは、プライバシーを重視する見込み顧客かもしれない
- 短いセッションは、ボットかもしれないし、質の悪いランディングページや不適切な検索語句が原因かもしれない
- 繰り返し現れる IP は、競合他社かもしれないし、オフィスのネットワークや携帯キャリアかもしれない
- データセンターの IP はリード獲得では疑わしいが、一部の B2B ツールでは想定内のこともある
- 偽物に見えるリードは不正かもしれないし、単にフォームの入力チェックが不十分なだけかもしれない
優れた検出では、デバイス、ネットワーク、行動、コンバージョンの質のシグナルが一致しているかを問います。
ボットトラフィックと質の悪いトラフィックの違い
価値の低いクリックがすべてボットによるものではありません。無駄の一部は、ターゲティング、クリエイティブ、ランディングページの不一致から生じます。
| トラフィックの種類 | 意味すること | 最適な最初の対応 |
|---|---|---|
| ボットトラフィック | 自動化された、または人間以外によるアクティビティ | デバイス、行動、ネットワーク、タイミングの分析 |
| 不正クリック | 費用を浪費させたりレポートを操作したりすることを目的とした無効な有料クリック | 証拠に基づくブロックと報告 |
| 意図の弱いトラフィック | 購買意欲の弱い実在の人 | 除外キーワード、オーディエンスの整理、ランディングページとの整合 |
| 誤ってのクリック | 意図しないタップやクリック。範囲の広いプレースメントからのものが多い | プレースメントの除外とクリエイティブの見直し |
| 偽のリード | 実際の見込み顧客を表さないフォーム送信 | リードの検証と、質の高いコンバージョンのインポート |
この区別が重要なのは、対処法が変わるからです。ボットの問題には検出とブロックが必要です。意図の弱い検索の問題には、キャンペーンの整備が必要です。偽のリードの問題には、コンバージョンの質の整理が必要です。
ボット検出の主要な手法
効果的なボット検出には、複数の層が連携して機能することが欠かせません。1 つの手法だけですべてのボットを捕まえることはできませんが、組み合わせることで多層的な保護になります。
手法 1：デバイスフィンガープリント
デバイスフィンガープリントは、数十のデバイスの特性から固有の識別子を作成し、IP アドレスを切り替えながらも同じハードウェアやソフトウェアの構成を使うボットを捕まえます。
フィンガープリントで取得する情報：
- ブラウザの種類、バージョン、インストールされているプラグイン
- 画面の解像度と色深度
- タイムゾーンと言語の設定
- Canvas フィンガープリント（ブラウザがグラフィックをどう描画するか）
- WebGL レンダラーの情報
- AudioContext のフィンガープリント
- フォントの列挙
- ハードウェアの同時実行数（CPU コア数）
- デバイスのメモリ
- タッチ対応とその機能
ボットを検出する仕組み：
正当なユーザーのフィンガープリントは、一貫性があり現実的です。ボットにはよく次の特徴が見られます。
- ありえない組み合わせ（モバイルのユーザーエージェントにパソコンの画面）
- 本来あるはずのブラウザ機能の欠落
- 「別々の」ユーザー間で同一のフィンガープリント
- セッションの途中で変わるフィンガープリント
- headless ブラウザの痕跡（Puppeteer、Playwright）
- 自動化フレームワークの痕跡
検出の例：
Fingerprint Analysis:
- User Agent: Chrome 120 on Windows 11
- Screen Resolution: 800x600 (unusual for modern desktop)
- WebGL Renderer: ANGLE (Google Inc.); indicates headless browser
- Canvas Hash: Matches 847 other "users" this week
- Result: HIGH PROBABILITY BOT
限界：
高度なボットは、フィンガープリントをランダム化したり、実際のブラウザのインスタンスを使ったりできます。フィンガープリントは判断のすべてではなく、1 つの層として扱いましょう。
手法 2：行動分析
行動分析は、訪問者がページとどのようにやり取りするかを調べ、フィンガープリントでは見逃すかもしれない人間らしくないパターンを特定します。
マウスの動きの分析：
人間は自然なマウスの動きを見せます。
- 目標の間を曲線で移動する（直線ではない）
- 速度が変化する（加速と減速）
- 細かな修正や行き過ぎ
- 読んだり判断したりする間の一時停止
- 自然な揺れと不正確さ
ボットには通常、次の特徴が見られます。
- 要素の間を完全な直線で移動する
- 一定の速度での移動
- 数学的に正確なクリック
- 迷いや読む時間がない
- 人間離れした反応速度（100ms 未満の反応）
スクロールの分析：
人間のスクロールのパターンには、次のようなものがあります。
- コンテンツの密度に応じて変わるスクロール速度
- 興味のあるコンテンツでの一時停止
- 読み返すための上方向へのスクロール
- タッチデバイスでの慣性スクロール
- ページの端での自然な減速
ボットのスクロールには、よく次の特徴が見られます。
- 一定のスクロール速度
- コンテンツに応じた一時停止がない
- すぐにページの最下部までスクロールする
- ピクセル単位で正確な距離のスクロール
- セッション間でのばらつきがない
クリックのタイミングの分析：
人間には認知処理の時間が必要です。
- ページの読み込みから最初の操作まで最低 250〜500ms
- ページの複雑さに応じて変わる遅延
- 重要な判断ほど長くかかる時間
- 繰り返しの操作における自然なばらつき
ボットには、よく次の特徴が見られます。
- ページの読み込みから数ミリ秒以内のクリック
- セッション間で同一のタイミングパターン
- 数学的に正確な間隔
- 複雑さと反応時間の間に相関がない
セッションの流れの分析：
正当なユーザーは、筋の通ったセッションの流れをたどります。
- CTA をクリックする前に読む
- 情報収集のために複数のページを訪れる
- 前のページに戻る
- 自然なセッション時間（2〜15 分）
- 筋の通った移動のパターン
ボットのセッションには、よく次の特徴が見られます。
- 読まずにすぐ CTA をクリックする
- 1 ページだけの訪問
- 再訪問がない
- 極端に短いセッション（10 秒未満）
- ランダムまたは筋の通らない移動
手法 3：IP インテリジェンスとレピュテーション
高度なボットはレジデンシャルプロキシを使いますが、IP の分析は今でも相当な不正を捕まえ、有用なシグナルを提供します。
IP レピュテーションのデータベース：
- 既知のデータセンターの IP 範囲
- VPN とプロキシサービスの出口ノード
- Tor ネットワークの出口ノード
- 過去に特定された不正の発生源
- ホスティング事業者の IP 範囲
位置情報の一貫性：
- IP の位置とデバイスのタイムゾーンの不一致
- ありえない移動（数分以内に複数の国からのクリック）
- IP の位置と言語設定の不一致
- 接続タイプの異常（モバイルの IP なのにパソコンの振る舞い）
ネットワークの分析：
- ASN（自律システム番号）のレピュテーション
- ISP の分類（家庭向け、法人向け、ホスティング）
- 接続速度と想定される振る舞いとの比較
- 1 つの企業 IP からの複数ユーザー（正当）と、レジデンシャル IP からの複数ユーザー（疑わしい）
検出の例：
IP Analysis:
- IP Address: 45.33.32.156
- ASN: AS14061 (DigitalOcean)
- Type: Data Center / Hosting
- Reputation Score: 12/100 (High Risk)
- Previous fraud flags: repeated in past 30 days
- Result: high-risk source for review or blocking
手法 4：機械学習による分類
現代のボット検出では、人間とボットの数百万件のセッションで学習した機械学習モデルを使います。
教師あり学習モデル：
既知の人間とボットのトラフィックにラベルを付けたデータセットで学習します。
- 特徴量の組み合わせを扱うランダムフォレスト分類器
- 複雑なパターン認識のための勾配ブースティング
- 行動の系列を分析するニューラルネットワーク
- 複数のモデルを組み合わせるアンサンブル手法
使用する特徴量：
- デバイスフィンガープリントの特性（50 以上の特徴量）
- 行動の指標（マウス、スクロール、クリックのパターン）
- セッションの特性（時間、ページ数、操作）
- ネットワークの特徴量（IP レピュテーション、接続タイプ）
- 時間に関する特徴量（時間帯、曜日のパターン）
- 過去のパターン（このフィンガープリントや IP は以前に見られたか）
リアルタイムのスコアリング：
各クリックには不正の確率を表すスコアが付けられます。
Fraud Score: 0.87 (High Probability Bot)
Contributing Factors:
- Behavioral anomaly score: 0.92
- Device fingerprint risk: 0.78
- IP reputation: 0.45
- Session pattern match: 0.91
Decision: BLOCK
手法 5：JavaScript による確認とプルーフ・オブ・ワーク
JavaScript の実行と計算処理を求めることで、ページを描画しない初歩的なボットを除外できます。
JavaScript の実行テスト：
- JavaScript が実際に実行されているかを確認する（申告されているだけでないか）
- ブラウザ API が利用できるかをテストする
- タイミングに基づく確認を実行する
- DOM を操作できるかを確認する
プルーフ・オブ・ワークによる確認：
疑わしいトラフィックには、計算処理を求めます。
- ハッシュ計算による確認
- 実際のブラウザが必要なパズルの解答
- リスクの高い訪問者への CAPTCHA
- 人間なら自動的に通過できる見えない確認
実装時の注意点：
確認は正当なユーザーに見えないようにする必要があります。どんな手間もコンバージョンを減らします。優れた実装では、次のようにします。
- バックグラウンドで静かに実行する
- ユーザーが操作する前に完了させる
- CAPTCHA は最もリスクの高い訪問者にだけ表示する
- 可能な場合は見えない検証を使う
高度な検出戦略
セッションをまたいだ分析
個々のセッションは正当に見えることがあります。パターンは複数のセッションをまたいで浮かび上がります。
- 同じフィンガープリントが複数の IP から現れる
- 「別々の」ユーザー間で似た行動パターン
- 組織的な攻撃を示唆する、連携したタイミング
- セッション間での地理的にありえない動き
- 個別にはしきい値を下回るが、一貫して見られる不正のシグナル
ハニーポットの手法
人間が決して操作しないのにボットは操作してしまう、隠された要素です。
- 見えないフォーム項目（CSS で非表示）
- 画面外のリンク
- 思わず押したくなる名前の隠しボタン
- 偽のコンバージョン endpoint
ハニーポットへの操作は強いリスクのシグナルですが、自動ブロックに使う前に、その項目がどのように実装されているかを確認しましょう。
トラフィックパターンの分析
トラフィック全体のパターンを分析すると、組織的な攻撃が明らかになります。
- キャンペーンの変更がないのに起きる急なトラフィックの増加
- 通常とは異なる地域からのトラフィック
- 異常なデバイスの種類の分布
- ターゲット層と合わない時間帯のパターン
Google 広告にボット検出を導入する
第 1 層：クリック前の保護
既知の悪質な発信元を、クリックされる前にブロックします。
- Google 広告の IP 除外リスト
- 不正の多い地域の地域除外
- 疑わしいカテゴリーを除外するデバイスのターゲティング
- 不正なウェブサイトのプレースメント除外
Google 広告の IP 除外はキャンペーンごとに 500 件までに制限されていますが、ClickFortify はこれを自動で管理します。
第 2 層：リアルタイムの検出
すべてのクリックを発生と同時に分析します。
- 正当なユーザーの速度を落とさない素早い検出の判断
- 複数の検出手法の並列実行
- 確信度の高い繰り返しパターンへの自動対応
- 正当なユーザーへの遅延の影響を最小限に抑える
第 3 層：クリック後の検証
最初の選別を通過したクリックに対して行います。
- ランディングページでの行動分析
- JavaScript による検証
- 異常がないかのセッション監視
- コンバージョンの検証
第 4 層：フィードバックループ
検出結果を使って保護を改善します。
- IP 除外リストを更新する
- 新しい不正のパターンで機械学習モデルを再学習させる
- 誤検知率に基づいて検出のしきい値を調整する
- 確認された不正を Google に報告し、クレジットを求める
検出の効果を測る
主要な指標
- 検出率：既知の不正のうち捕捉できた割合
- 誤検知率：誤ってブロックされた正当なユーザー
- 検出までの時間：新しい不正のパターンをどれだけ早く特定できるか
- コスト削減：不正から守られた予算
- 品質スコアの改善：不正が減るにつれて品質スコアが上がる
保護をテストする
- プラットフォームの規約に違反しない範囲で、既知の疑わしいパターンを確認する
- 保護の導入前後でコンバージョン率を比較する
- ブロックしたトラフィックに誤検知がないか分析する
- 品質スコアの変化を時系列で追跡する
ClickFortify のアプローチ
ClickFortify は、これらの検出手法をすべて統合した保護を提供します。
多層的な検出：
- 50 以上のシグナルによるデバイスフィンガープリント
- リアルタイムの行動分析
- 複数の情報源に基づく IP レピュテーションのスコアリング
- 機械学習による分類
- セッションをまたいだパターン認識
自動対応：
- 予算に影響が出る前のリアルタイムのブロック
- IP 除外リストの自動管理
- 即時更新のための Google 広告 API 連携
- クレジット申請のための不正の報告
継続的な改善：
- 最新の不正のパターンで再学習するモデル
- ボットの進化に合わせた新しい検出手法
- 自社のトラフィックのパターンに基づくカスタムルール
- 脅威を監視する専任の不正研究チーム
誤検知の管理
ボット検出は、実際の見込み顧客を罰することなくキャンペーンを守るべきです。自動化を強める前に、管理の仕組みを加えましょう。
- 社内チーム、代理店、信頼できる顧客のネットワークには許可リストを使う
- 新しい流入元をブロックする前に、複数のシグナルを必須にする
- 中程度のリスクのセッション向けに確認待ちキューを作る
- ブロックしたトラフィックを CRM の成果や営業からのフィードバックと比較する
- キャンペーンごとにリスクの特性が異なる場合は、キャンペーン単位のルールを分けておく
- 重要なルールを追加した理由と、見直すべき時期を記録する
目的は、ブロックしたクリック数を最大に見せることではありません。実際の需要を保ちながら予算を守ることです。
まとめ：多層防御
1 つのボット検出手法だけでは不十分です。現代の不正には、次の要素を組み合わせた多層的な防御が必要です。
- デバイスフィンガープリントで疑わしい構成を特定する
- 行動分析で高度な模倣を見抜く
- IP インテリジェンスで既知の悪質な発信元をブロックする
- 機械学習で新たなパターンを特定する
- 継続的な適応でボットの進化に対応する
ボットのパターンは変化するため、検出も定期的に見直す必要があります。仕組みは実用的に保ちましょう。疑わしい行動を検出し、後工程の成果を検証し、証拠が変わればルールを調整します。
不正クリックが品質スコアに与える影響を理解すると、効果的な検出がなぜ重要なのかがわかります。不正は予算を無駄にするだけでなく、アカウント全体への損害を積み重ねていきます。
