Fraude mobile : contrôler installs, clics et visites attribuées
La fraude mobile ne vole pas seulement du budget : elle déforme les décisions d’acquisition, de rétention et de drive-to-store
Dans les plans marketing mobile, la fraude est souvent traitée comme une ligne de contrôle technique : taux de clics suspects, installs invalides, visites magasin douteuses, trafic bloqué par un outil de protection. Cette lecture est trop étroite. La fraude mobile altère la qualité du signal qui nourrit les algorithmes, les arbitrages budgétaires et les modèles d’attribution. Elle peut faire monter artificiellement un CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, ou au contraire le faire paraître excellent en capturant des conversions organiques. Elle peut améliorer un ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses marketing, sans créer de valeur incrémentale. Elle peut enfin pousser une enseigne à réinvestir sur des partenaires, audiences ou zones qui n’apportent aucun trafic magasin réel.
Le problème est particulièrement sensible dans les environnements mobile et drive-to-store, stratégie visant à générer du trafic qualifié vers un point de vente physique. Le mobile concentre plusieurs signaux attractifs pour le fraudeur : clics rapides, identifiants publicitaires, installs d’applications, SDK de mesure, données de localisation, impressions programmatiques et attribution post-exposition. Plus le parcours est fragmenté, plus il devient possible de s’insérer dans la chaîne de valeur pour revendiquer un crédit non mérité.
Le funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation, est affecté à plusieurs niveaux. En haut de funnel, des impressions non visibles ou générées par des bots gonflent la couverture. En middle funnel, des clics artificiels créent une illusion d’engagement. En bas de funnel, du click flooding, du click injection ou de l’attribution hijacking capturent des installs ou achats qui auraient eu lieu sans média. En drive-to-store, des visites attribuées peuvent provenir de signaux de localisation imprécis, de zones mal définies ou de panels exposés à des biais géographiques.
Pour les professionnels du marketing, l’enjeu n’est donc pas seulement de détecter des anomalies après coup. Il est de construire une architecture de contrôle qui protège la mesure avant l’optimisation. Un algorithme d’achat qui apprend sur des conversions frauduleuses devient lui-même un amplificateur de fraude. Une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires, peut optimiser vers des inventaires à fort taux de clic si le KPI est mal défini. Le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression disponible, accélère cette dynamique : les signaux de performance remontent vite, mais les signaux de qualité doivent être instrumentés avec la même rapidité.
La discipline consiste à contrôler trois familles de preuves : installs, clics et visites attribuées. Chacune demande des méthodes différentes. Les installs exigent une analyse des timestamps, des sources d’attribution, des événements post-install et des taux d’organicité. Les clics nécessitent des contrôles de fréquence, de distribution, d’environnement et de comportement. Les visites magasin supposent une validation géographique, temporelle et incrémentale. Sans cette segmentation, la fraude devient un concept trop général pour être actionnable.
Contrôler les installs : distinguer acquisition réelle, captation organique et événements artificiels
L’installation d’application reste l’un des points les plus exposés à la fraude mobile, car elle a longtemps servi de KPI principal dans les campagnes d’acquisition. Un CPI, cost per install, coût payé pour chaque installation attribuée, semble simple à piloter. Mais cette simplicité est précisément le problème : un install n’est pas une preuve de valeur. Il peut être réel mais non incrémental, attribué mais organique, généré par un utilisateur faible valeur, ou simulé par un environnement frauduleux.
Les mécanismes de fraude sur installs sont connus. Le click flooding consiste à générer massivement des clics publicitaires sur de nombreux utilisateurs, dans l’espoir qu’une future installation organique soit attribuée au fraudeur. Le click injection, surtout observé sur Android, consiste à déclencher un clic frauduleux juste avant l’ouverture de l’application après installation, afin de capter l’attribution. L’install hijacking détourne l’attribution d’une source légitime vers une source frauduleuse. Les device farms, fermes d’appareils réels ou émulés, peuvent générer des installations et parfois des événements in-app basiques pour paraître crédibles.
Le premier contrôle est temporel. Il faut analyser le CTIT, click-to-install time, délai entre le clic attribué et l’installation. Une distribution saine dépend du secteur, du pays, de la taille de l’application et du type de campagne, mais elle présente généralement une dispersion logique : certains installs en quelques minutes, d’autres après plusieurs heures ou jours. Un volume excessif d’installs dans les 5 à 15 secondes après clic peut signaler du click injection. À l’inverse, une forte concentration d’installs plusieurs jours après un très grand nombre de clics peut indiquer du click flooding. Le seuil ne doit pas être mécanique : il doit être calibré par canal, OS, pays, type de partenaire et historique organique.
Exemple : une application de fidélité retail observe 40 000 installs attribués sur un mois via trois partenaires. Le partenaire A génère un CTIT médian de 22 minutes, un taux d’inscription post-install de 48 % et un taux d’achat magasin identifié à 7 jours de 6 %. Le partenaire B affiche un CTIT médian de 9 secondes, un taux d’inscription de 11 % et presque aucun événement qualifié. Le partenaire C présente un CTIT très long, avec 72 % des installs attribués au-delà de 48 heures après clic, alors que son volume de clics est dix fois supérieur à la moyenne. A peut être performant, B suspect de click injection, C suspect de click flooding. Le KPI install brut ne permettrait pas cette lecture.
Le second contrôle porte sur la qualité post-install. Une campagne d’acquisition mobile doit suivre des événements profonds : création de compte, consentement push, ajout de carte fidélité, consultation de stock local, géolocalisation volontaire, ajout panier, première transaction, visite magasin matchée, réachat. Un fraudeur peut imiter un install ; il lui est plus difficile de reproduire durablement une séquence cohérente d’engagement, surtout si elle implique des données first-party, c’est-à-dire collectées directement par la marque dans sa relation client.
Le troisième contrôle est l’incrémentalité. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, ne prouve pas qu’un install n’aurait pas eu lieu sans campagne. Un partenaire peut capter beaucoup d’organique si sa fenêtre d’attribution est trop large. Les MMP, mobile measurement partners, plateformes spécialisées dans la mesure et l’attribution d’applications mobiles, proposent des filtres antifraude utiles, mais ils ne remplacent pas des tests avec holdout, groupe témoin volontairement non exposé. Si une campagne attribue 20 000 installs mais que le groupe non exposé montre un volume attendu de 16 000 installs, l’uplift réel n’est que de 4 000. Le CPI incrémental est alors cinq fois supérieur au CPI attribué.
Auditer les clics : le CTR peut devenir un piège lorsque le signal d’intention est pollué
Le clic est un indicateur ambigu. Il peut révéler une intention, une curiosité, une erreur de manipulation, un format intrusif ou une activité frauduleuse. Le CTR, click-through rate, taux de clic entre impressions et clics, reste utile pour comparer des créations ou détecter une friction, mais il devient dangereux s’il sert seul à optimiser des campagnes mobile. Les inventaires frauduleux ou de faible qualité savent produire du clic. Un taux de clic élevé n’est pas une preuve d’attention, encore moins une preuve de visite magasin ou d’achat incrémental.
Les fraudes au clic prennent plusieurs formes. Les bots génèrent des clics automatisés depuis des navigateurs, applications ou devices simulés. Les click farms utilisent des personnes ou appareils réels pour produire des interactions rémunérées. Les formats à faible qualité ergonomique favorisent les clics accidentels : boutons trop proches, interstitiels agressifs, fermetures ambiguës. Dans certains cas, des éditeurs ou intermédiaires gonflent artificiellement le volume de clics pour améliorer leur rémunération ou capter l’attribution post-clic.
Un audit sérieux doit croiser plusieurs dimensions. La première est la distribution temporelle : pics de clics à horaires atypiques, régularité excessive minute par minute, taux anormal de clics nocturnes, absence de saisonnalité hebdomadaire. La deuxième est la profondeur comportementale : taux de rebond, temps passé sur landing page, scroll, consultation d’itinéraire, ajout au wallet, recherche de magasin, appel, demande de stock. La troisième est la cohérence technique : user agents, ad IDs, versions OS, IP, ASN, pays, modèles d’appareil, latence, répétition d’identifiants. La quatrième est la cohérence média : inventaires, placements, formats, SSP, supply-side platform, plateforme utilisée par les éditeurs pour vendre automatiquement leurs impressions publicitaires.
Un exemple illustre le risque. Une campagne mobile locale pour une enseigne de restauration compare deux sources. La source 1 affiche un CTR de 0,42 %, un taux de clic vers itinéraire de 18 % et un taux de visite incrémentale estimé de 0,6 point. La source 2 affiche un CTR de 2,8 %, soit presque sept fois plus, mais seulement 2 % des cliqueurs consultent un itinéraire et le taux de visite incrémentale est nul dans les zones test. Si l’algorithme optimise au clic, il migrera le budget vers la source 2. Si l’annonceur optimise à la visite incrémentale, la source 1 est supérieure malgré un CTR plus faible.
Le contrôle doit aussi intégrer la notion de viewability, visibilité réelle d’une impression publicitaire selon des critères de durée et de surface visible. Les standards de marché, inspirés notamment des travaux MRC et IAB, considèrent souvent qu’une impression display est visible si au moins 50 % des pixels sont affichés pendant au moins une seconde, et deux secondes pour la vidéo. Ces seuils ne garantissent pas l’attention, mais ils évitent de payer des clics associés à des impressions jamais réellement vues. Dans les campagnes mobile, la visibilité doit être complétée par l’analyse du contexte : application, écran, position, environnement éditorial, fréquence et proximité géographique.
Enfin, il faut distinguer clic utile et clic attribuant. Un clic utile réduit une friction dans le parcours : il ouvre une carte, affiche un coupon, confirme un rendez-vous, ajoute une offre au wallet. Un clic attribuant ne sert parfois qu’à donner un crédit au partenaire dans la fenêtre d’attribution. Les plans média doivent privilégier les événements qui rapprochent réellement l’utilisateur de l’action, pas les micro-signaux faciles à manipuler.
Sécuriser les visites attribuées : la localisation est un signal puissant, mais rarement neutre
La mesure de visite magasin est devenue centrale pour les annonceurs retail. Elle permet de relier exposition mobile et trafic physique, donc de dépasser les métriques digitales classiques. Mais elle concentre aussi des risques méthodologiques importants. Une visite attribuée n’est pas automatiquement une visite causée. Elle peut résulter d’une mauvaise précision géographique, d’un point de vente mal géofencé, d’un panel biaisé, d’une fenêtre d’attribution trop large ou d’un trafic organique capturé par le média.
Le géofencing, définition d’un périmètre virtuel autour d’un lieu physique, doit être précis. Un magasin situé dans un centre commercial ne peut pas être mesuré avec le même rayon qu’un retail park isolé. Un rayon de 100 mètres peut inclure plusieurs enseignes, parkings, restaurants ou flux piétons non pertinents. À l’inverse, un rayon trop strict peut sous-compter les visites, notamment en zone dense ou lorsque la précision GPS varie. La bonne pratique consiste à combiner polygones de bâtiments, temps de présence minimal, exclusion des routes et parkings lorsque possible, et comparaison avec des lieux voisins.
Le dwell time, durée de présence estimée dans une zone, est un filtre essentiel. Une présence de 30 secondes à proximité d’un magasin peut être un passage. Une présence de 5 à 10 minutes, selon catégorie et format de point de vente, devient plus crédible. Mais le seuil doit être adapté : une boulangerie, une station-service, une pharmacie et un magasin de bricolage n’ont pas les mêmes durées de visite. La fraude ou l’erreur de mesure apparaît souvent dans les volumes anormalement élevés de visites très courtes, ou dans les visites répétées impossibles pour un même device.
La fenêtre d’attribution est un autre arbitrage. Attribuer une visite dans les 24 heures suivant exposition peut être pertinent pour une offre de proximité ou un coupon court. Une fenêtre de 7 jours peut se justifier pour une catégorie à décision plus longue. Au-delà, le risque de capturer du trafic organique augmente fortement, surtout pour des enseignes à forte notoriété ou forte fréquence d’achat. Une campagne drive-to-store alimentaire n’a pas la même temporalité qu’une campagne literie ou automobile.
Un cas concret : une enseigne spécialisée active une campagne mobile autour de 80 magasins avec un budget de 120 000 euros. Le reporting fournisseur annonce 95 000 visites attribuées, soit un coût par visite de 1,26 euro. Le chiffre paraît excellent. L’audit montre cependant que 38 % des visites proviennent de zones commerciales où le géofencing inclut plusieurs enseignes voisines, 22 % ont un dwell time inférieur à deux minutes et 31 % concernent des devices déjà observés dans la même zone avant campagne. Après nettoyage, les visites qualifiées tombent à 34 000. Un test géographique révèle ensuite un uplift de 9 500 visites seulement. Le coût par visite incrémentale est donc de 12,63 euros, dix fois plus élevé que le reporting initial. Le diagnostic média change entièrement.
Pour sécuriser ce type de mesure, il faut exiger quatre niveaux de transparence du partenaire : source des données de localisation, méthode de géofencing, règles de déduplication et protocole d’attribution. Les données issues de SDK doivent être collectées avec consentement valide et niveau de précision documenté. Les panels doivent être suffisamment volumineux pour éviter les extrapolations instables. Les visites doivent être dédupliquées par device et période. Les magasins doivent être exclus lorsque les données locales sont trop ambiguës : centres commerciaux complexes, gares, zones piétonnes très denses, points de vente adjacents à des concurrents directs.
Mettre en place une chaîne de contrôle : MMP, ad verification, données first-party et tests d’incrémentalité doivent se compléter
Aucun outil antifraude ne suffit seul. La protection doit combiner plusieurs couches. Le MMP contrôle les installs, l’attribution app, les événements in-app et certaines anomalies de device. Les solutions d’ad verification mesurent la visibilité, la brand safety, l’IVT, invalid traffic, trafic invalide généré par bots, comportements non humains ou environnements non conformes. Les données first-party valident la qualité business : inscription, achat, fidélité, visite caisse, réachat, marge. Les tests d’incrémentalité apportent la preuve causale que la campagne a modifié le comportement.
Un framework opérationnel peut s’organiser en cinq étapes. Premièrement, définir les événements de valeur avant l’achat média : install qualifié, inscription vérifiée, consentement utile, consultation de stock, coupon utilisé, visite qualifiée, transaction en caisse. Deuxièmement, fixer des seuils d’alerte par source : CTIT anormal, CTR trop élevé, taux de conversion post-clic trop bas, répétition d’IP, incohérences géographiques, volume de visites courtes. Troisièmement, appliquer des règles de quarantaine : ne pas couper immédiatement un partenaire sur un seul signal, mais isoler le trafic suspect pour analyse. Quatrièmement, réconcilier avec les données CRM et caisse. Cinquièmement, réallouer les budgets sur la base de la valeur incrémentale, pas de l’attribution brute.
La connexion server-to-server, ou S2S, échange direct de données entre serveurs plutôt que via le navigateur ou le device, peut améliorer la robustesse de la mesure. Elle réduit certaines manipulations côté client, limite les pertes de tracking et facilite la traçabilité des événements. Mais elle ne supprime pas la fraude en amont : un clic frauduleux peut toujours revendiquer une attribution si les règles ne sont pas correctement configurées. Le S2S est une infrastructure, pas une garantie de causalité.
Les modèles privacy-first ajoutent de la complexité. Sur iOS, SKAdNetwork, cadre d’attribution d’Apple permettant une mesure agrégée et limitée des campagnes app, réduit la granularité disponible pour lutter contre certaines fraudes individuelles. Cette limitation protège la vie privée, mais impose de renforcer les contrôles agrégés : cohérence par cohorte, taux d’événements post-install, distribution des conversion values, tests géographiques, comparaison avec historiques organiques. Le marketing doit accepter moins de précision individuelle et davantage de rigueur expérimentale.
Il faut également intégrer la gouvernance contractuelle. Les contrats média devraient préciser les définitions d’IVT, les sources remboursables, les fenêtres de contestation, les logs accessibles, les règles de déduplication et les méthodes de validation des visites. Sans clauses claires, l’annonceur découvre souvent trop tard que le partenaire considère un clic invalide comme non remboursable, ou une visite géolocalisée approximative comme valable. La lutte contre la fraude commence dans le brief et dans le bon de commande, pas seulement dans le reporting.
Lire les anomalies comme des signaux économiques : le vrai KPI est la valeur nette après fraude et bruit d’attribution
Le contrôle antifraude doit déboucher sur des décisions économiques. Bloquer 12 % du trafic comme invalide n’a de valeur que si l’on comprend l’impact sur la marge, l’apprentissage algorithmique et le mix média. À l’inverse, tolérer un faible niveau de bruit peut être rationnel si le partenaire génère une forte valeur incrémentale et que les signaux suspects restent marginaux. La question n’est pas d’atteindre une pureté absolue, mais de maximiser la valeur nette mesurée avec prudence.
Un tableau de pilotage avancé devrait distinguer quatre niveaux. Le premier est le volume brut : impressions, clics, installs, visites attribuées. Le deuxième est le volume filtré : trafic visible, clics non suspects, installs valides, visites qualifiées. Le troisième est le volume business : inscriptions, achats, visites caisse, marge. Le quatrième est l’incrémental : différence entre exposés et témoins ou entre zones activées et zones de contrôle. Beaucoup de campagnes paraissent performantes au niveau 1 et s’effondrent au niveau 4.
Exemple : une campagne d’acquisition app affiche 50 000 installs à 1,80 euro, soit 90 000 euros de budget. Après filtres antifraude, 41 000 installs sont considérés valides. Parmi eux, 12 300 créent un compte, 4 100 ajoutent une carte fidélité et 1 250 réalisent un achat dans les 30 jours. La marge attribuée atteint 72 000 euros. Le reporting brut semble inférieur au coût média. Mais un holdout montre 780 achats incrémentaux seulement, avec une marge moyenne de 22 euros, soit 17 160 euros de marge incrémentale. Même après nettoyage, la campagne détruit de la valeur si elle est jugée à court terme. Elle peut rester défendable si ces nouveaux clients ont une LTV élevée, mais cette hypothèse doit être prouvée par cohorte.
La cohorte est indispensable. Une cohorte regroupe des utilisateurs acquis à la même période ou via la même source pour suivre leur comportement dans le temps. Les sources frauduleuses ou de faible qualité présentent souvent un profil caractéristique : beaucoup d’installs initiaux, faible rétention J1, effondrement J7, peu d’événements profonds, LTV faible, taux de désinstallation élevé. Une source de qualité peut avoir un CPI plus élevé mais une meilleure rétention et une marge supérieure à 90 jours. Le pilotage antifraude rejoint alors le pilotage de rentabilité.
Il faut également surveiller l’effet de la fraude sur les algorithmes. Si une plateforme optimise vers des conversions polluées, elle renforce les inventaires et audiences qui produisent ces signaux. Le coût n’est pas seulement le budget gaspillé hier ; c’est la dégradation de l’apprentissage pour demain. Les annonceurs devraient donc exclure rapidement les événements douteux des signaux d’optimisation, même lorsque le litige commercial avec le partenaire n’est pas encore résolu.
Conclusion : passer d’une défense antifraude à une discipline de mesure contrôlée
La fraude mobile ne se résume pas à quelques clics invalides ou installs suspects. Elle attaque la chaîne de décision marketing : attribution, optimisation, allocation budgétaire, mesure de visite et lecture du ROAS. Pour les annonceurs retail, locaux et omnicanaux, le risque est double. D’un côté, payer pour des signaux sans valeur. De l’autre, apprendre de ces signaux et déplacer progressivement le budget vers des environnements qui maximisent l’attribution plutôt que l’incrémentalité.
Une feuille de route actionnable peut se structurer en neuf étapes. Premièrement, définir les conversions de valeur avant campagne : install qualifié, inscription, événement in-app, visite magasin qualifiée, transaction, marge. Deuxièmement, séparer les KPI bruts, filtrés, business et incrémentaux. Troisièmement, contrôler les installs avec CTIT, qualité post-install, cohérence device et analyse par cohorte. Quatrièmement, auditer les clics avec distribution temporelle, profondeur de session, visibilité, inventaires et taux de clic utile. Cinquièmement, sécuriser les visites attribuées avec géofencing précis, dwell time, déduplication, fenêtres adaptées et tests géographiques. Sixièmement, combiner MMP, ad verification, données CRM, données caisse et holdouts. Septièmement, formaliser les seuils d’alerte et règles de quarantaine par partenaire. Huitièmement, intégrer les définitions antifraude dans les contrats, avec accès aux logs et clauses de remboursement. Neuvièmement, optimiser les budgets sur la marge incrémentale plutôt que sur l’attribution déclarée.
L’arbitrage central est pragmatique. Une mesure parfaite n’existe pas, surtout dans un environnement mobile fragmenté, soumis aux restrictions d’identifiants et aux contraintes de consentement. Mais une mesure naïve coûte trop cher. Le bon niveau d’exigence consiste à rendre les signaux suffisamment robustes pour guider l’achat média sans surinterpréter chaque point de données. Les installs doivent être qualifiés, les clics contextualisés, les visites validées et les conversions testées causalement.
Le marketing mobile mature ne cherche pas seulement à acheter moins de fraude. Il cherche à empêcher la fraude et le bruit d’attribution de définir ce qui semble performant. C’est cette bascule, de la défense technique vers la gouvernance de la preuve, qui permet de protéger le budget, la qualité des audiences et la capacité réelle du mobile à générer du trafic magasin incrémental.
