文 | Dataeye

移动广告行业与广告欺诈的对抗，从未停止。

从点击作弊、机器人安装到归因劫持，围绕“虚假流量”的识别与拦截能力，已经逐渐成为广告平台、归因工具与买量团队的基础能力之一。但AppsFlyer最新发布的《2026年移动广告欺诈现状报告》《The State of Fraud for Marketers – 2026 Edition》却指出，一个比“刷量”本身更值得警惕的趋势正在出现：

超过52%的欺诈安装，如今已经开始被识别为“自然流量”。

这意味着，广告欺诈正在从过去相对粗暴、易识别的“异常流量”，演变为一种更隐蔽、更接近真实用户行为的数据污染方式。它不再只是简单伪造安装数据，而是开始主动“伪装成增长”——甚至直接进入广告主最难怀疑的自然量体系之中。

AppsFlyer在报告中指出，尽管2025年整体广告欺诈率并未出现明显变动，但随着全球移动广告预算持续扩大，欺诈安装的绝对规模仍在快速增长。与此同时，ATT之后的移动广告生态，也正在让归因链路与用户识别变得更加复杂：一方面，SRN与非SRN渠道之间的欺诈差距被进一步拉大；另一方面，机器人流量、设备刷量以及归因劫持等作弊方式，也开始朝着更高拟真度的方向演化。

可以说，当虚假用户开始看起来像真实用户，移动营销行业过去所依赖的数据判断逻辑，也正在被重新挑战。

一、欺诈没有“消失”，只是变得更难被发现

如果只看整体欺诈率，2025年的移动广告行业，似乎并没有出现想象中的“失控”。

报告中指出，过去一年全球移动广告欺诈率整体相对稳定，例如，iOS整体欺诈率从2025年Q1的17.5%，下降至2026年Q1的11.7%，同比下降约33%。相比之下，安卓整体欺诈率则基本维持在14%-15%区间，全年变化相对有限。这意味着，过去几年行业围绕反作弊系统、归因校验与流量风控所建立的一系列能力，确实正在发挥作用。

但问题在于，欺诈率的“稳定”，并不意味着广告主的实际损失正在减少。

因为伴随着全球移动广告预算持续扩大，整个行业的买量规模仍在增长，最终导致欺诈安装的绝对数量继续上升。换句话说，即便作弊流量在整体中的占比没有明显提升，只要市场盘子还在扩大，被“吞掉”的预算总额依然会越来越高。

这一变化，本质上意味着移动广告行业已经进入了一个新的阶段：

过去，广告欺诈更多是“粗放型”的——依赖大量机器人流量、批量虚假点击或异常设备行为，通过简单放量来套取广告预算。这类作弊方式虽然规模大，但往往也更容易被识别。

而现在，随着主流平台与归因工具不断提升拦截能力，作弊逻辑开始从“规模化刷量”转向“高拟真度伪装”。

报告提到，目前主流的作弊方式，已经越来越强调“像真实用户一样行为”：

尤其是在ATT之后，整个iOS生态的用户识别能力下降，实际上也给了作弊行为更多“模糊空间”。

过去很多依赖IDFA的异常识别逻辑，在隐私限制之后已经难以像以前一样直接生效。某种程度上，这也推动广告欺诈从“暴力破解”，转向了一种更隐蔽的数据污染模式。

而在报告看来，这种变化背后最危险的地方，并不只是广告主“被骗了多少钱”。真正的问题在于：当虚假用户越来越像真实用户时，广告主可能已经无法准确判断，哪些增长是真实增长，哪些只是被伪装后的“数据繁荣”。

二、52%的欺诈安装，为什么会变成“自然量”？

整份报告中，最值得行业警惕的一组数据，或许并不是某个地区的欺诈率增长，而是2025年有超过52%的欺诈安装，最终被识别为了“自然流量”。与此同时，联盟流量渠道占全部欺诈安装的接近40%。也就是说，仅自然流量与联盟流量两类渠道，就已经占据了全球约九成的欺诈安装来源。

这意味着，作弊行为已经不再只是简单伪造广告转化，而是开始主动“洗白”自己的来源。

在传统认知里，“自然量”往往意味着用户并未经过广告触达，而是通过应用商店搜索、社交传播、品牌认知等方式主动完成下载。因此，相较于广告买量数据，广告主通常会对自然量保持更高信任。

也正因如此，当欺诈行为开始进入自然量的体系之后，它所带来的问题，将远比“刷量”本身更加复杂。

因为这会直接污染广告主对于“产品真实增长能力”的判断。

举例来说，一款产品可能突然出现大量新增自然用户，但这些用户后续既没有留存，也没有付费，更不存在正常的行为路径。过去，团队往往会将这种情况理解为“流量质量问题”或“自然推荐波动”，而不会第一时间怀疑其本身可能属于欺诈流量。

但实际上，这类“异常自然量”的背后，往往对应的正是归因劫持或更隐蔽的数据伪装行为。

报告中提到，部分作弊逻辑已经开始绕过传统广告归因路径：它们不会直接伪造一次广告安装，而是通过伪造点击时间戳、模拟设备行为、干扰归因窗口等方式，让系统最终“无法正确归因”，从而把原本异常的安装流量，转化为看似正常的自然用户。

对于广告主而言，这种风险非常隐蔽。因为一旦流量被归类为自然量，它不仅更难被质疑，还会进一步影响团队对于产品增长结构的理解。例如：

这些被“洗白”的虚假用户，还可能进一步掩盖真实的归因劫持行为，让广告团队错误评估渠道表现，从而持续向低质量流量投入预算。

换句话说，广告欺诈正在从过去“骗预算”，逐渐演变为一种对增长数据本身的系统性污染。它影响的已经不只是ROI，而是广告主对于整个产品增长逻辑的认知能力。

三、SRN与非SRN渠道：广告欺诈正在进一步两极化

从渠道结构来看，报告指出，当前移动广告生态中的欺诈风险，正在呈现出明显的分层趋势。

其中最值得关注的一点是：SRN（自归因平台）与非SRN渠道之间，已经出现了高达36倍的欺诈差距。

所谓SRN，通常指Google、Meta、TikTok等拥有封闭归因体系的大型广告平台。这类平台由于掌握用户触达、点击与转化链路中的大量原始数据，因此能够在平台内部完成更完整的归因与反作弊校验。

相比之下，大量联盟流量、中小广告网络以及部分第三方流量平台，则属于非SRN体系。

而报告显示，目前绝大部分高风险欺诈行为，依然集中在这些非SRN渠道之中，这背后的原因并不复杂。

一方面，SRN平台本身拥有更强的数据控制能力，作弊成本更高；另一方面，大型平台长期投入机器学习风控与异常识别系统，也进一步压缩了传统作弊空间。

而在非SRN体系中，流量链路通常更加复杂：广告主往往无法完整看到真实流量来源，渠道之间也存在大量流量转售、二次分发甚至“套娃式”采购行为。在这种情况下，作弊流量更容易隐藏于复杂链路之中。

对于一些以低价流量为核心卖点的联盟渠道而言，“便宜”本身，很多时候就意味着更高的不确定性。

报告也特别提醒：许多广告主长期过度关注低CPI（单次安装成本），但低成本安装本身，并不一定意味着真实有效用户。

因为在广告欺诈场景下，作弊流量往往最擅长制造的，就是“表面上很好看”的数据：

但这些数据，很多时候只是建立在虚假安装、归因污染甚至自然量洗白基础上的“伪增长”。

尤其是在预算压力越来越大的环境下，不少团队会天然倾向于“看起来更便宜”的流量来源，而这也进一步给了作弊渠道生存空间。

从这个角度来看，这份报告实际上也释放出了一个非常明确的行业信号：移动广告行业未来的竞争，可能不再只是“谁买量更便宜”，而是谁更有能力识别“哪些用户是真实用户”。

四、真实用户获得：为什么安装量越来越不重要了？

这份报告提出了一个非常关键的新概念：Real Users Lift（真实用户获得）。

相比传统移动营销体系中习惯关注的安装量、CPI、ROAS等指标，“真实用户增加”更强调一个问题：这些用户，究竟是不是广告真正“带来的”用户？

之所以提出这一概念，很大程度上正是因为当前移动广告行业，已经越来越难通过“安装数增长”直接判断广告效果。

报告中举例称，在安卓博彩品类中，广告主平均每获得1名真实用户，就会伴随接近2次虚假安装。而在iOS社交媒体品类中，2025年Q2的“真实用户获得率”甚至达到275%——意味着当季度约四分之三的新增安装，并未对应真实用户增长。

因为一个安装的产生，背后可能同时混杂着多种来源：

在这种情况下，广告后台所显示的“新增用户”，并不一定等于广告真正创造出的新增价值。

报告中提到，很多看似效果不错的渠道，在剔除自然增长与欺诈干扰之后，真正带来的增量用户可能接近于零。

换句话说：有些广告，并不是“带来了用户”，而只是“抢走了本来就会来的用户”。这也是为什么近年来越来越多广告团队开始重新强调增量价值测试。

过去，行业普遍默认：“只要用户是通过广告链路归因进来的，那就算广告贡献。”但现在，越来越多团队开始意识到：真正重要的，并不是“用户有没有看到广告”，而是“如果没有这条广告，这个用户还会不会来”。

从更宏观的视角来看，“真实用户获得”这个概念的重要性，其实已经不只是反作弊问题。它更像是整个移动营销行业的一次指标体系转向：从过去追求“更多安装”，逐渐转向追求“更多真实增量用户”。

五、广告欺诈正在进入“后归因时代”

过去行业竞争的是“流量获取能力”，而现在，越来越开始竞争“数据判断能力”。

因为当归因链路越来越复杂、用户识别越来越模糊、作弊行为越来越拟真之后，广告主真正缺乏的，已经不再只是流量，而是“可信的数据”。

这份报告指出了一个越来越现实的问题：今天很多广告团队看到的数据，未必等于真实增长本身。从自然流量污染，到归因劫持；从机器人与Device Farm演化，到“真实用户获得”概念的提出，本质上都在说明一件事：

移动广告行业，正在进入一个“真假用户难以区分”的阶段。

而这也意味着，未来行业的核心能力，可能不再只是谁能买到更便宜的量、谁能跑出更高的安装、谁能做出更漂亮的报表。而是谁能够更准确地识别出哪些用户是真实用户，哪些增长是真实增长。

因为当虚假用户开始“伪装成增长”之后，真正危险的，已经不只是预算被浪费，而是整个增长判断逻辑本身受到的误导。