Erkennung von Werbebetrug & ungültigem Datenverkehr (Klickbetrug)

Ein Teil jedes Werbebudgets fließt in Klicks, Impressionen und Installationen, die nie ein echter, interessierter Mensch erzeugt hat: Bots, Klickfarmen, verdecktes Übereinanderlegen von Anzeigen, gefälschte Domains, Klicks von Wettbewerbern und gefälschte mobile Attributionen. Die Erkennung verbindet Bot- und Gerätesignale, Prüfungen der Lieferkette sowie Anomalie- oder überwachte Modelle, um diesen Datenverkehr vor oder nach der Zahlung herauszufiltern, schlechte Quellen auszuschließen und Forderungen auf Erstattung zu dokumentieren. Unabhängige Anbieter messen ungültigen Datenverkehr im hohen einstelligen bis zweistelligen Prozentbereich des bezahlten Verkehrs, sodass auch kleine Werbetreibende echtes Budget zurückholen können.

Problem & Nutzen

• Wer betroffen ist: KMU, die Such- und Social-Anzeigen kaufen (Klickbetrug bei Google-/Meta-Kampagnen), E-Commerce- und Lead-Generierungs-Werbetreibende, App-Publisher, die pro Installation zahlen, Agenturen und programmatische Einkäufer sowie Publisher, deren Inventar nachgeahmt oder deren Verkehr durch gekaufte Besuche aufgebläht wird.
• Heute: Werbetreibende vertrauen der Filterung auf Plattformseite und manuellen Prüfungen verdächtiger Platzierungen; mobile Teams nutzen Attributionswerkzeuge; programmatische Einkäufer nutzen Vorab-Filterung durch Verifizierungsanbieter. Lücken bleiben: Kleinere Werbetreibende sehen selten die Rohdaten, und der Betrug passt sich den Filtern an.
• KI-Nutzen: Verhaltens- und gerätebezogene Klassifikation zum Zeitpunkt des Klicks, Graph-Clustering von Quellen, die Geräte, IPs und Zeitpunkte teilen, und Anomalieerkennung bei Trichterkennzahlen (Zeit von Klick bis Installation, CTR gegenüber Conversion, Absprungmuster). LLMs helfen bei Beweiszusammenfassungen und Reklamationsschreiben, nicht bei der Erkennung selbst.
• Ausmaß (vom Anbieter berichtet, als Richtwert behandeln): Der Bericht 2026 von Lunio beziffert die durchschnittliche Rate ungültigen Datenverkehrs 2025 über alle Kanäle auf 8,51 %, was rund 63 Mrd. USD von etwa 740 Mrd. USD weltweiter Werbeausgaben entspricht; derselbe Bericht nennt für Westeuropa 6,34 % [1]. Fraudlogix meldet 20,64 % bei 105,7 Mrd. Impressionen (programmatische Impressionen, eine andere Bezugsbasis) [2]. Andere Anbieter nennen weit höhere Summen; die Zahlen weichen ab, weil Anbieter unterschiedliche Definitionen und Daten verwenden und alle Erkennungsprodukte verkaufen. Eine neutrale Erhebung gibt es nicht.

Varianten

• Klickbetrug bei Suche/Social (KMU): wiederholte Klicks von Bots oder Wettbewerbern auf bezahlte Suchanzeigen; Abhilfe sind der Ausschluss von IPs/Zielgruppen und Forderungen gegenüber der Plattform.
• Programmatisch / Display und CTV: ungültige Impressionen durch gefälschte Domains, übereinandergelegte Anzeigen, Verkehr aus Rechenzentren; behandelt durch Vorab-Verifizierung, Freigabelisten und Optimierung des Lieferwegs über ads.txt / sellers.json [3].
• Betrug bei Installationen und Attribution mobiler Apps: Click Injection, Click Flooding, SDK-Spoofing, Gerätefarmen, gefälschte Installationen; Attributionswerkzeuge markieren sie anhand von Zeitverhalten, Signatur und Prüfungen der Geräte-Reputation.
• Betrug bei Lead-Generierung und Affiliate: gefälschte Formulareingaben, Cookie Stuffing; kombinieren mit Lead-Scoring und ANOM-004.
• Seite der Publisher: gekauften oder Bot-Verkehr im eigenen Inventar erkennen, um die CPMs zu schützen und nicht ausgelistet zu werden.
• Branchenvokabular: Der Media Rating Council unterscheidet allgemeinen ungültigen Verkehr (bekannte Bots, Rechenzentrumsverkehr; per Liste gefiltert) von ausgefeiltem ungültigem Verkehr (gekaperte Geräte, menschenähnliche Bots; erfordert Analytik). Verwenden Sie diese Begriffe in Verträgen.
• Private Nutzung: nicht anwendbar.

So funktioniert es

1. Ereigniserfassung (Plattformprotokolle, Tag- / serverseitige Ereignisse, SDK- / Attributions-Postbacks, Gebotsanfragen)
2. Anreicherung (Reputation von IP / ASN / Rechenzentrum / VPN, Geräte- und Browser-Fingerabdruck, Konsistenz von Geo und Sprache, Abfrage der Lieferkette)
3. Merkmalsbildung (Sitzungsverhalten, Zeit von Klick bis Conversion, Raten je Quelle, Geräte-/IP-Graph)
4. Bewertung: Regeln + Gradient-Boosting-Modelle (bekannte Muster) + Anomalie- / Graphmodelle (neue Kampagnen)
5. Entscheidung (zulassen / markieren / blockieren / Platzierung oder IP ausschließen / Conversion als ungültig kennzeichnen)
6. Rückkopplung (bereinigte Conversions an die Werbeplattform, Ausschlusslisten per API, Nachweispaket für die Erstattungsforderung)
7. Prüfung durch Analysten und Neutraining der Modelle mit bestätigten Ergebnissen

• Zentrale Bausteine: tabellarisches ML für den Wert; unüberwachte Anomalieerkennung und Zeitreihen-Basislinien für Spitzen auf Quellenebene; Graph-Clustering, um Farmen mit gemeinsamer Infrastruktur aufzudecken; ein kleiner Textklassifikator oder ein LLM zur Klassifikation von Referrer, Suchbegriff und Formular-Spam.
• Mensch in der Schleife: Analysten genehmigen neue Blockierregeln, prüfen Grenzfälle bei Quellen und entscheiden über Erstattungsforderungen. Echte Kunden hart zu blockieren ist ein Geschäftsrisiko, beginnen Sie daher mit dem Markieren.

Datenaufbereitung

Die relevanten Daten liegen an mehreren Stellen: Protokolle der Werbeplattformen (Google Ads, Meta), Webanalyse und Serverprotokolle mit IP, User Agent und Gerätedaten, Postbacks der mobilen Attribution sowie CRM- oder Shopsysteme, die zeigen, welche Leads tatsächlich zu Kunden wurden oder erstattet wurden. In einem KMU sind das meist getrennte Werkzeuge ohne gemeinsamen Schlüssel, und Exporte sind oft manuelle CSV-Dateien.

Typische Lücken: keine Verbindung zwischen Klick-ID und späterem Verkauf; Lead-Ergebnisse nicht im CRM erfasst; kurze Aufbewahrung der Serverprotokolle; Einwilligungsbanner, die das Tracking unterdrücken; und keine Liste bekannter guter Verkehrsquellen.

Schritte zur Aufbereitung:

1. Die Quellen und die Fragen, die Sie beantworten wollen, erfassen (PREP-001); Daten über Exporte oder Konnektoren aus Werbeplattformen und CRM holen (PREP-005).
2. Klick-IDs (gclid, fbclid) in Formularen erfassen und mit dem Lead speichern; Lead-Qualität und Erstattungen als Kennzeichnungen festhalten (PREP-020).
3. Tabellen zu einer maschinenlesbaren Tabelle mit einheitlicher Kampagnenbenennung aufräumen (PREP-011).
4. Rechtsgrundlage für die Verarbeitung von Protokollen und IPs prüfen und IPs wo möglich kürzen oder pseudonymisieren (PREP-022, PREP-025).

Werkzeuge: serverseitiges Tagging, eine Tabelle oder kleine Datenbank, n8n für Exporte. Grober Aufwandsanteil: etwa 25 Prozent auf dem Kaufweg, 40 Prozent, wenn Sie eigene Modelle bauen.

Umsetzungswege

Welcher Weg für wen

• smb: A. Ausgereifte Werkzeuge gegen Klickbetrug und für Verkehrsqualität gibt es zu KMU-Preisen, viele mit EU-Hosting, und das Problem ist für jeden Werbetreibenden ein Standardproblem.
• enterprise: B. Große Werbetreibende verbinden ihre eigenen Conversion- und CRM-Daten mit Cloud-KI-Diensten, da das Volumen die Preise der Anbieter pro Klick hoch macht und eigene Signale ausschlaggebend sind.
• developer: C. Open-Source-Stacks für ML und Streaming auf eigener Hardware erlauben transparente Erkennungslogik und halten die Verkehrsdaten im Haus.

Weg A — Kaufen (für die meisten KMU empfohlen)

• Schutz vor Klickbetrug für KMU mit Suche/Social: ClickCease, Lunio, PPC Protect, TrafficGuard, Fraud Blocker; sie schließen IPs und Zielgruppen automatisch über die APIs der Werbekonten aus.
• Verifizierung für Unternehmen/programmatisch: DoubleVerify, Integral Ad Science (IAS), HUMAN Security, Pixalate, Anura, Fraudlogix.
• Suiten für mobile Attribution: Adjust, AppsFlyer, Singular, Branch, Kochava bieten alle Betrugsfilter in ihren Attributionsprodukten.
• Die Plattformen selbst filtern ungültigen Verkehr und können Werbetreibenden Gutschriften erteilen; prüfen Sie immer zuerst die Berichte der Plattform zu ungültigen Klicks.
• EU-/deutsche Optionen: Der Markt wird von US-/britischen Anbietern dominiert; Adjust hat seinen Sitz in Berlin. Prüfen Sie bei jedem Anbieter den Datenstandort in der EU und den Auftragsverarbeitungsvertrag; weitere Anbieterstandorte sollten bei der Beschaffung verifiziert werden.
• Wählen Sie A, wenn: das Ausgabenvolumen moderat ist, Ihnen der Zugriff auf Rohdaten fehlt und ein Tag oder eine API-Anbindung genügt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Protokoll-Pipeline in einer Cloud-Region der EU: serverseitiges Tagging oder Protokollexport (z. B. BigQuery-Export von Google Ads / GA4), Streaming in BigQuery, Azure oder AWS in EU-Regionen, dazu verwaltetes ML (Vertex AI, Azure ML, SageMaker) für Gradient-Boosting-Modelle und Anomalieerkennung.
• Anreicherung über Datenquellen zu IP-Reputation und ASN; Bot-Signale über Edge-Anbieter (Cloudflare Bot Management, Akamai, DataDome (französisch), HUMAN).
• Eine LLM-API (z. B. Claude, Mistral) kann markierte Cluster zusammenfassen und Gutschriftsanträge entwerfen, bei minimierten personenbezogenen Daten.
• Wählen Sie B, wenn: Sie eigenes Data Engineering haben, eine individuelle Attributionslogik brauchen oder Betrugserkennung mit Signalen aus ANOM-004 kombinieren wollen.

Weg C — Selbst betreiben (Open Source)

• Stack: Kafka oder Redpanda, ClickHouse oder PostgreSQL, Python mit scikit-learn, XGBoost / LightGBM, PyOD oder Isolation Forest für Anomalien, NetworkX / Neo4j für Geräte-IP-Graphen, Prophet oder statsmodels für Basislinien; IP-Daten aus öffentlichen ASN- und Rechenzentrumslisten; n8n für Alarm-Abläufe.
• Hardware: HW1; die CPU genügt. Eine GPU wird nur für optionale LLM-Zusammenfassungen gebraucht.
• Grenze: Open Source liefert die Modelle und die Verkabelung, nicht die Bedrohungsinformationen (Geräte-Reputation, bekannte Botnetze), die Anbieter pflegen; erwarten Sie eine schwächere Erkennung von ausgefeiltem ungültigem Verkehr.

Weg D — Eigenes Training

Lohnend für große App-Publisher, Werbenetzwerke und Börsen mit eigenen Klick- und Installationsprotokollen. Überwachte Modelle auf gekennzeichneten Ergebnissen trainieren (erstattet, rückgebucht, keine Bindung, bestätigter Bot) und Sequenzmodelle auf Verhaltenstelemetrie. Der Engpass sind die Kennzeichnungen: Betrug wird nur teilweise beobachtet, nutzen Sie daher halbüberwachte Verfahren und validieren Sie an zurückgehaltenen Zeiträumen.

Stand der Technik (2026)

• Wettrüsten: Anbieter berichten, dass KI-gestützte Bots menschliches Verhalten besser nachahmen und dass ausgefeilter ungültiger Verkehr zunimmt [2]; ein Anbieter-Papier von 2026, das eMarketer zitiert, behauptet Raten ungültigen Verkehrs von bis zu 40 % bis Mitte 2026 – eine Behauptung eines einzelnen Anbieters, die ich nicht unabhängig prüfen konnte [4].
• Techniken: Ein Verbund aus einfachen Regeln, überwachtem Gradient Boosting und Verhaltens-/Gerätetelemetrie bleibt der Kern im Produktivbetrieb; Graphverfahren decken koordinierte Farmen auf; Zeitreihen-Basislinien erfassen plötzliche Spitzen auf Quellenebene. LLM-Agenten werden in Werkzeugen für Analysten und bei Untersuchungen eingesetzt, nicht als primärer Detektor.
• Transparenz der Lieferkette: ads.txt, app-ads.txt und sellers.json lassen Käufer prüfen, ob ein Verkäufer autorisiert ist, und verringern Betrug mit gefälschtem Inventar [3]; Bots erkennen sie nicht.
• Verschiebung beim Datenschutz: Weniger Daten aus Drittanbieter-Cookies und Geräte-IDs verlagern die Erkennung auf serverseitige und First-Party-Signale.
• Grenzen: keine Ground Truth, daher sind "Betrugsraten" von Anbietern nicht vergleichbar; Falschalarme blockieren echte Kunden; ausgefeilter Betrug passiert Filter vor dem Gebot und wird erst danach gefunden; Modelle von Plattformen und Anbietern sind Black Boxes, und Gutschriften sind oft durch Richtlinien gedeckelt.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine: tabular-ml + anomaly-detection + graph-ml + streaming wie in ANOM-001 (Zahlungsbetrug), ANOM-004 (Missbrauch von Plattformen, Bot-Abwehr), ANOM-033 (Retouren/POS) und ANOM-036 (Schummeln in Spielen). Ein gemeinsamer Speicher für Geräte-/IP-Reputation und eine gemeinsame Ereignis-Pipeline bedienen alle auf HW1.
• Vor- und nachgelagert: REC-007 (Werbeoptimierung und Gebotssteuerung) sollte bereinigte Conversion-Daten verwenden, sonst optimiert es in Richtung Betrug. ANOM-010 (gefälschte Bewertungen) und ANOM-028 (gefälschte Angebote) nutzen dieselben Werkzeuge für Web-Scraping und Graphen. SEC-005 (UEBA) und SEC-010 (Leitplanken gegen agentischen Verkehr) teilen sich die Infrastruktur für Bot-Signale.
• Datenpipeline: Die serverseitige Ereigniserfassung und CRM-Ergebnisse sind für Modelle zu Abwanderung und Lead-Scoring wiederverwendbar.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis zwei Wochen (Tag plus Anbindung des Werbekontos); die Preise skalieren in der Regel mit den monatlichen Werbeausgaben oder dem Klickvolumen.
• Weg B: 2–4 Monate für eine Pipeline mit Modellen und Dashboards.
• Weg C: 2–4 Monate; Hauptkosten ist die Entwicklungszeit.
• Weg D: 6+ Monate inkl. Kennzeichnung und Validierung.
• Kennzahlen: Rate ungültigen Verkehrs nach Kanal und Quelle, durch Gutschriften und Ausschlüsse zurückgeholtes Budget, Kosten je qualifiziertem Lead / je Gewinnung vorher gegenüber nachher, Falschalarmrate (blockierte echte Conversions), Anteil von SIVT, der nach dem Gebot erkannt wird, Zeit bis zum Ausschluss einer schlechten Platzierung.

Menschen & Veränderung

Wer und wann. Die Geschäftsleitung legt das Budgetziel fest (zurückgeholte Werbeausgaben). Die Marketingleitung verantwortet den Prozess und wählt die Pilotkampagnen. IT oder die Webagentur setzt Tracking und Protokollzugriff um, und die oder der Datenschutzbeauftragte wird konsultiert, bevor IP- und Gerätedaten verarbeitet werden. Lieferanten wie Werbeagenturen und Plattformen müssen der Weitergabe von Nachweisen für Gutschriftsanträge zustimmen.

Betriebsrat. Im typischen Fall nein: Das System bewertet externen Verkehr, nicht das Verhalten von Beschäftigten. Prüfen Sie nur, ob das Werkzeug auch protokolliert, wie die Marketingbeschäftigten arbeiten; dann kann § 87 Abs. 1 Nr. 6 BetrVG gelten, und § 90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung, wenn KI Arbeitsabläufe verändert.

Datenschutz. IP-Adressen, Geräte-Fingerabdrücke und Klick-IDs sind personenbezogene Daten. Schließen Sie mit dem Anbieter einen AVV (Art. 28 DSGVO), dokumentieren Sie das berechtigte Interesse an der Betrugsprävention und führen Sie eine DSFA nur durch, wenn das Profiling umfangreich ist (GUIDE-005).

KI-Kompetenz und Kontrolle. Zeigen Sie den Marketingbeschäftigten, was ein Betrugswert bedeutet und wo Falschalarme entstehen, damit echte Kunden nicht blockiert werden (GUIDE-006). Beginnen Sie mit einer oder zwei Kampagnen als Pilot, prüfen Sie Ausschlusslisten von Hand, bevor Sie sie anwenden, und vergleichen Sie die Ergebnisse mit der Basislinie (GUIDE-009). Eine typische Sorge lautet "das Werkzeug blockiert echte Käufer"; begegnen Sie ihr mit einer monatlichen Prüfung der ausgeschlossenen Quellen.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Es ist ein B2B-Integritätswerkzeug ohne Anwendung nach Anhang III; KI-Kompetenz (Art. 4) gilt. Keine biometrische Kategorisierung und kein Profiling von Personen für den Zugang zu wesentlichen Leistungen. Einschränkung: Sperren Blockierentscheidungen echte Nutzer von Diensten aus (z. B. einem Kreditangebot), prüfen Sie das nach den jeweiligen Branchenregeln.
• DSGVO / ePrivacy: IP-Adressen, Geräte-Fingerabdrücke und Verhaltenstelemetrie sind personenbezogene Daten. Auf das berechtigte Interesse an der Betrugsprävention (Art. 6 Abs. 1 Buchst. f, Erwägungsgrund 47) wird üblicherweise abgestellt, es erfordert aber eine dokumentierte Interessenabwägung und Datenminimierung. Das Speichern oder Auslesen von Geräteinformationen im Endgerät des Nutzers fällt zudem unter Art. 5 Abs. 3 ePrivacy (in Deutschland § 25 TDDDG) und kann eine Einwilligung erfordern, sofern es nicht unbedingt erforderlich ist. Prüfen Sie, dass der Anbieter Auftragsverarbeiter mit AVV ist und Übermittlungen in der EU oder angemessen geschützt erfolgen.
• Verträge: Gutschriftsanträge bei Plattformen haben Fristen und Nachweisanforderungen; bewahren Sie Protokolle auf. "Garantien" von Anbietern schließen SIVT oft aus.
• Risiken und Gegenmaßnahmen: Falschalarme (mit reinem Markieren beginnen, Stichproben prüfen), Abhängigkeit vom Anbieter und Interessenkonflikt (Anbieter werden nach Ausgaben bezahlt), Anpassung der Gegenseite (regelmäßig neu trainieren), Fehlmessung (mit CRM-Ergebnissen vergleichen, nicht nur mit Plattformkennzahlen).

Erste Schritte

1. Klick- und Conversion-Daten der letzten 90 Tage ziehen und einfache Indikatoren berechnen: Absprungrate und Conversion-Rate nach Platzierung, Region und Gerät sowie Klickspitzen von einer IP oder ASN.
2. Die Berichte der Plattform zu ungültigen Klicks aktivieren und Gutschriften prüfen; offensichtliche Ausschlüsse ergänzen (Rechenzentrums-ASNs, wiederholte IPs).
3. Ein bis zwei Werkzeuge von Weg A 4 Wochen lang an einem Teil der Ausgaben erproben; mit der Lead-Qualität im CRM vergleichen, nicht nur mit dem Dashboard des Anbieters.
4. Bereinigte Conversions an Werbeplattformen und Gebotssteuerung zurückgeben (REC-007).
5. Rechtsgrundlage, Umgang mit Einwilligungen und AVV dokumentieren, bevor Sie skalieren.

Quellen

1. Piracy Monitor — Invalid ad traffic for 2025 estimated at $63B globally (reporting Lunio's Global Invalid Traffic Report 2026) — https://piracymonitor.org/invalid-ad-traffic-for-2025-estimated-at-63b-globally-ai-increasingly-a-driver/
2. Fraudlogix — 2026 industry report and ad-fraud statistics — https://www.fraudlogix.com/stats/ad-fraud-statistics-2026
3. IAB Tech Lab — ads.txt / app-ads.txt (Authorized Digital Sellers) — https://iabtechlab.com/ads-txt/
4. eMarketer — AI-powered ad fraud distorts campaign data as invalid traffic hits 40% — https://www.emarketer.com/content/ai-powered-ad-fraud-distorts-campaign-data
5. IAB Tech Lab — OpenRTB specification repository — https://github.com/InteractiveAdvertisingBureau/openrtb
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj