推荐计划防作弊:奖励滥用和可疑推荐

老带新推荐计划常见的作弊方式有自我推荐、多账号、优惠码外泄和退货套利。本文讲清奖励滥用率、疑似欺诈推荐数、推荐欺诈检出率和无效推荐数怎么算,并给出规则设计和审核方法。
本文目录

推荐计划上线后,推荐订单很快涨了起来。但仔细一看:很多「新客户」的收货地址和推荐人一样;有个推荐人一个月带来了 60 个新客户,全部只买了最便宜的商品;有些订单拿到优惠后就退货了。

推荐计划的奖励是真金白银,自然会吸引一些人钻空子。这篇文章讲常见的作弊方式、衡量指标和防范方法。

常见的作弊方式

方式表现
自我推荐用自己的另一个邮箱注册,推荐自己下单,同时拿推荐人和被推荐人两份奖励
多账号刷奖励批量注册账号,用同一个地址、同一张卡下单
优惠码外泄把推荐码发到优惠券网站,被大量陌生人使用,推荐人拿到大量奖励
退货套利被推荐人下单拿到优惠、推荐人拿到奖励后,订单被退货或取消
老客户冒充新客户老客户换个邮箱,作为「新客户」使用首单优惠

几个指标

指标公式意思
疑似欺诈推荐数被规则或人工标记为可疑的推荐需要审核的推荐有多少
推荐欺诈检出率确认为欺诈的推荐 ÷ 疑似欺诈推荐你的规则判断得准不准
无效推荐数因取消、退货、违反规则而作废的推荐不应该发放奖励的推荐
奖励滥用率因作弊被错误发放的奖励金额 ÷ 推荐奖励总额有多少奖励被浪费
  • 推荐欺诈检出率太低:标记了很多可疑推荐,但大部分是正常的,规则太严,影响正常客户的体验;
  • 奖励滥用率高:规则太松,作弊没有被拦住。

识别可疑推荐的信号

信号说明
推荐人和被推荐人的收货地址相同或非常接近可能是自我推荐,但也可能是家人,需要判断
使用同一张支付卡或同一个 PayPal 账户自我推荐的强信号
同一个设备、IP 注册多个账号多账号
邮箱格式相似(例如 name+1@、name+2@)批量注册
某个推荐人短时间内推荐了异常多的新客户可能是优惠码外泄或刷单
被推荐的订单金额都刚好达到最低门槛只是为了拿奖励
被推荐订单的退货率异常高退货套利

防范方法

1. 设计规则时就堵住漏洞

  • 延迟发放奖励:推荐人的奖励在被推荐订单过了退货期之后才发放,退货的订单自动作废;
  • 设置最低订单金额:被推荐人的首单需要达到一定金额才算有效推荐;
  • 只限新客户:用邮箱、地址、支付方式判断是否真的是第一次购买;
  • 设置奖励上限:每个推荐人每月最多获得多少奖励;
  • 奖励用店铺积分或优惠券:而不是现金,降低作弊的动力。

2. 用工具自动检测

大部分推荐计划工具都有基本的防作弊功能:检测相同的邮箱、IP、设备、地址,自动标记或拦截可疑推荐。上线时检查这些功能是否开启。

3. 定期人工审核

每周或每月看一次:

  • 推荐数量最多的前几位推荐人;
  • 被标记为可疑的推荐;
  • 推荐订单的退货率。

发现推荐码出现在优惠券网站上,可以停用这个推荐码,并联系推荐人。

4. 在规则里写清楚

在推荐计划页面写明:什么情况算有效推荐、什么情况会取消奖励。这样处理违规时有依据,也能减少争议。

不要误伤正常客户

家人、室友推荐给彼此,可能共用一个地址;同一个办公室的同事,可能使用同一个 IP。规则太严,会让正常的推荐变得很麻烦,反而降低推荐计划的效果。

建议:

  • 对单个信号(例如相同 IP)只标记、不自动拦截;
  • 多个信号同时出现(同一张卡 + 同一个地址 + 同一个设备)时再拦截;
  • 对被拦截的客户提供申诉方式。

每月一张检查表

月份推荐总数疑似欺诈确认欺诈检出率无效推荐奖励滥用率

总结

  1. 常见作弊:自我推荐、多账号、优惠码外泄、退货套利、老客户冒充新客户。
  2. 用疑似欺诈数、检出率、无效推荐数、奖励滥用率衡量问题。
  3. 规则上延迟发放奖励、设置门槛和上限,工具上开启自动检测,定期人工审核。
  4. 单一信号只标记,多个信号同时出现再拦截,避免误伤正常客户。

推荐计划的整体设计方法见 老带新推荐计划怎么设计,相关指标的定义可以在 指标库的推荐计划板块 查到。

本文目录

继续阅读

按主题查找下一篇指南。

进入知识库 →