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”。这些用户的后续行为几乎为零。这意味着，有5%的广告预算，可能直接流向了黑产或作弊渠道，购买了完全无效的“用户”。
其次，是用户后续行为分析。在未被反作弊系统明确标记的用户中，古民定义了“低价值/疑似无效”用户群，其特征为：注册后7天内，除了可能领取新人福利外，没有任何其他有效互动（如浏览超过3个页面、搜索、收藏等），或仅完成一笔用尽新人补贴的极小金额订单后便再无音讯。符合这一特征的注册用户比例，高达30%。这部分用户是否是“真实用户”存疑，即使真实，其获取成本几乎可以判定为沉没成本，短期内看不到转化希望。
将5%的确切作弊用户和30%的低价值/疑似无效用户相加，意味着在通过该广告项目获取的“新注册用户”中，有超过三分之一的用户质量堪忧，其获取成本很可能是浪费。
第三，也是最关键的发现，来自渠道深度归因。当古民将用户质量数据与最细粒度的广告投放单元关联时，模式变得清晰。他发现，某些特定的广告代理公司负责的某些特定媒体渠道，其带来的用户中，“
本章未完，请点击下一页继续阅读！