Betrugserkennung in Lead-Formularen: Methoden und Code

Erkennen von Lead-Form-Fälschungen: Von Blockierung zu intelligentem Filtern

Lead-Formulare stehen vor mehrschichtigen Angriffen – von einfachen Bots bis hin zu bezahlten Einträgen durch echte Personen. Anfangs scrapten Bots statische Seiten und füllten Felder automatisch aus. Der Wechsel zu dynamischer Formularerstellung mit Vue.js störte diesen Prozess zunächst, indem er Elemente vor Scrapern verbarg.

Spammer passten sich an, indem sie API-Endpunkte umgekehrt und Header wie User-Agent, Bildschirmauflösung und Cookies manipulierten. Traditionelle CAPTCHAs verloren ihre Wirkung, da Bots Antworten in Echtzeit generierten.

Mit der Einführung von JWT-Token, die an Benutzersitzungen gebunden sind, sowie serverseitiger Überprüfung wurde die Kontrolle wiederhergestellt. Doch in wettbewerbsintensiven Nischen wie Immobilien entstanden bezahlte Formularfüll-Dienste – Menschen beantworten Quizze gegen Bezahlung, was die Konversionskennzahlen verfälscht.

Verhaltensanalyse zur ersten Filterung

Zeitstempel bei jedem Quiz-Schritt helfen, automatisierte Versuche zu erkennen. Wenn Antwortzeiten unter eine Schwelle fallen (z. B. <2 Sekunden pro Frage), wird der Lead als verdächtig markiert.

Die Überwachung der digitalen Spur umfasst:

• Überprüfung von IPs auf plötzliche Anstiege von Rechenzentren.
• Analyse von Cookies und Fingerprinting (Canvas, WebGL, Schriftarten).
• Erkennung wiederholter Kontakte in der Datenbank (Schwellwert >3 pro Sitzung).

Diese Maßnahmen filtern 80–90 % des automatisierten Spam heraus, doch bezahlte Angriffe umgehen sie durch saubere Aufbereitung und manuelle Ausführung.

Ein neues Paradigma: Kontrolle über die Blockierung

Strenge Blockierung führt zu Anpassung – Spammer wechseln Proxy-Server und löschen localStorage. Die Umstellung auf einen »weichen« Filteransatz verändert das Spiel.

Alle Leads werden erfolgreich verarbeitet, aber unterschiedlich weitergeleitet:

• Vollständige Ignorierung: Daten werden weder im CRM gespeichert noch Benachrichtigungen ausgelöst – Leads verschwinden einfach.
• Schwarze Markierung: In einer isolierten Datenbank gespeichert, niemals an operative Integrationen weitergeleitet.
• Geisterkonversion: An das CRM gesendet mit einem »Spam«-Flag, aber keine Ereignisse werden in der Analytik (GA4, Yandex Metrika) erfasst.

Dies entmutigt Angreifer: Keine Ablehnung bedeutet kein Feedback, was die Rendite bezahlter Betrugsaktionen senkt.

Technische Umsetzung des Filters

Ein Node.js/Express-Middleware prüft Merkmalsvektoren:

const fraudScore = calculateFraudScore(req.body, req.headers, sessionData);

if (fraudScore > 0.8) {
  routeToBlackhole(req.body); // Szenario 1
} else if (fraudScore > 0.5) {
  markAsSpamAndLog(req.body); // Szenario 2
} else if (fraudScore > 0.3) {
  sendToCrmWithFlag(req.body); // Szenario 3, keine Analytics
} else {
  processNormally(req.body);
}

function calculateFraudScore(data, headers, session) {
  let score = 0;
  score += data.quizTime < 30 ? 0.4 : 0; // Quiz-Zeit
  score += isProxyIP(headers['x-forwarded-for']) ? 0.3 : 0;
  score += session.repeatContacts > 2 ? 0.2 : 0;
  return score;
}

Fingerprinting über clientseitige Skripte sammelt Entropie: Gerätememory, Zeitzone-Offset, Audio-Context. Der Server aggregiert die Daten in Redis für Echtzeit-Cluster-Erkennung.

Skalierung und Überwachung

Bei Systemen mit hoher Last können ML-Modelle (XGBoost, trainiert auf historischen Lead-Daten) integriert werden. Die Schulung auf beschrifteten Datensätzen (Spam / legitim) erreicht Präzision >95 % mit 90 % Recall.

Überwachen Sie mittels Grafana-Dashboards den Betrugsanteil und falsche Positivfälle. Testen Sie Szenarien an Traffic-Teilmengen ab, um Risiken zu minimieren.

Wichtige Erkenntnisse

• Bezahlt betriebene Fälschungen kosten 10–50 Rubel pro Lead, erhöhen aber die CPC-Werte in Werbeanzeigen um 20–30 %.
• Weiche Filterung verringert die Motivation von Angreifern, ohne die Nutzererfahrung zu beeinträchtigen.
• Kombinieren Sie Verhaltensanalyse mit ML für langfristige Robustheit.
• Protokollieren Sie alles für Nachanalysen und Neutrainingsmodelle.
• Testen Sie gründlich am echten Traffic, bevor Sie roll out.

— Editorial Team