Bliv affiliateStart dit program

Teknik og sporing

Maskinlæring

Også kaldet machine learning, ML.

Kort svar

Maskinlæring er en gren af kunstig intelligens, hvor en model lærer mønstre fra data i stedet for at følge håndskrevne regler. I affiliate marketing bruges maskinlæring især til svindeldetektion, budautomatisering i annonceplatforme og produktanbefalinger.

Definition af Maskinlæring.

Klassisk software følger regler, en udvikler har skrevet: 'afvis klik fra denne user-agent'. En maskinlæringsmodel går den anden vej – den får tusindvis af eksempler på fx legitim og falsk trafik og finder selv de mønstre, der adskiller dem. Modellen bliver bedre, efterhånden som den ser mere data, men dens afgørelser kan være svære at forklare bagefter.

I affiliate marketing møder man maskinlæring flere steder: annonceplatformenes automatiske budgivning (Smart Bidding i Google Ads), webshops produktanbefalinger og svindeldetektion hos store platforme og betalingsudbydere, hvor klikmønstre, tidsintervaller og enhedsdata analyseres for afvigelser. AI-svarmaskiner som ChatGPT og Googles AI-oversigter bygger også på maskinlæring – og de flytter, hvor affiliate-trafikken kommer fra.

Maskinlæring og AI bruges ofte i flæng, men AI er paraplybegrebet – maskinlæring er den teknik, der driver det meste af den i praksis. En stor sprogmodel er maskinlæring trænet på tekst; en simpel model, der scorer et klik som bot eller menneske, er det også.

Regler eller model – to måder at fange bots

Bot-beskyttelse kan bygges på to måder. Et regelbaseret filter kender bots på deres signatur – user-agents, kendte IP-serier, headless-browsere – og afviser dem deterministisk: Samme input giver altid samme afgørelse, og afgørelsen kan forklares. En maskinlæringsmodel scorer i stedet hvert klik ud fra mønstre og kan fange nye botnet, reglerne ikke kender endnu – til gengæld følger falske positiver med, og den ramte kan sjældent få at vide hvorfor.

Sådan går det galt

  • 01

    Sort boks uden ankemulighed

    Når en model afviser trafik eller spærrer en konto uden begrundelse, har affiliaten intet at rette. Kriteriet for ethvert automatiseret værn: Kan afgørelsen forklares, og kan den efterprøves af den, det går ud over?

  • 02

    Modellen arver dataens skævheder

    En model trænet på historisk trafik lærer historikkens mønstre. Sæsonspidser, kampagnetryk og nye trafikkilder kan ligne anomalier – resultatet er falske positiver netop der, hvor en affiliate prøver noget nyt.

Hos Affilyflow

Maskinlæring i praksis

Affilyflows bot-filter er regelbaseret: Kendte bots identificeres på deres signatur og får hverken klik-registrering eller attribution. Det er et bevidst valg – en afvisning skal kunne forklares og efterprøves. Hver tracking-hændelse logges, også dem der ikke blev til salg, så der er et spor at slå op i.

Ofte stillede spørgsmål

Hvad er forskellen på AI og maskinlæring?

AI er det brede begreb for systemer, der løser opgaver, som normalt kræver menneskelig intelligens. Maskinlæring er den underliggende teknik, hvor en model lærer mønstre fra data i stedet for at følge faste regler. Det meste af det, der kaldes AI i dag – fra sprogmodeller til budautomatisering – er maskinlæring.

Hvordan bruges maskinlæring i affiliate marketing?

Mest i tre roller: automatisk budgivning i annonceplatforme, produktanbefalinger på webshops og svindeldetektion, hvor klikmønstre analyseres for afvigelser. Affiliates mærker den også indirekte, fordi søgemaskinernes rangering og AI-svarmaskiner bygger på maskinlæring og flytter trafikken.

Kan maskinlæring fange klikbedrageri?

Ja, i et vist omfang – en model kan lære, hvad legitim trafik ligner, og markere afvigelser som mistænkelige. Ulemperne er falske positiver og afgørelser, der er svære at forklare. Et regelbaseret filter mod kendte bots er mere forudsigeligt, og de to tilgange udelukker ikke hinanden.

Læs videre