Contexte de la campagne
Le développeur de l’application puzzle Dayzle a lancé une campagne Google Ads ciblant les installations Android avec un budget quotidien de CA$40 et un coût cible par installation fixé à $1,50. Au bout de quelques jours, le système n’a pas trouvé d’utilisateurs à ce prix, ce qui a conduit à la suppression du ciblage. Immédiatement après, la dépense a doublé à CA$80 et la plateforme a affiché 21 installations pour la même journée.
Le tableau de bord d’administration ne montrait qu’une seule installation réelle, alors que les données brutes d’analytics indiquaient 21 nouveaux appareils Android. Cette différence provient du fait que 20 des 21 appareils utilisaient une version de l’application que le Play Store ne distribuait plus, ce qui implique que le fichier APK a été obtenu en dehors du magasin officiel.
Analyse des métriques et du bot farm
Sur l’ensemble de la période de deux semaines, 56 installations ont été facturées. Parmi elles, 33 présentaient le même schéma d’utilisation : version obsolète, ouverture unique, durée d’écran nulle et aucune ré‑ouverture. Ces 33 installations représentent ≈ 60 % du total facturé. Les 13 installations restantes correspondent à de vrais utilisateurs, qui ont généré 92 parties au total, confirmant un engagement réel.
Le comportement observé correspond à un « bot farm » : le script regarde la vidéo publicitaire la plus courte, ne clique pas, puis installe l’application à partir d’une copie locale de l’APK, ce qui est plus rapide que le téléchargement depuis le Play Store. Google Ads compte chaque vue suivie d’une installation comme une conversion, ce qui alimente l’algorithme d’optimisation. Plus le bot installe, plus le système considère la campagne comme performante, ce qui augmente le nombre d’impressions vers le même bot farm et crée une boucle de dépenses inutiles.
Mesures correctives et perspectives
Le développeur a soumis un formulaire d’invalid‑traffic à Google et a modifié l’objectif de la campagne, passant de « installations » à « gagner un puzzle ». Cette nouvelle conversion nécessite une interaction plus complexe (résolution d’un Sudoku), augmentant le coût d’exécution pour un bot et réduisant la rentabilité de la fraude. La démarche montre que, même pour un petit budget, la définition d’une conversion basée sur une action utilisateur substantielle peut limiter l’efficacité d’un bot farm.
Le cas souligne deux limites du suivi d’installations : d’une part, la dépendance à la version de l’application pour le reporting, d’autre part, la vulnérabilité des campagnes install‑centric face à des scripts automatisés. Les éditeurs de plus grande envergure, qui dépensent davantage, sont probablement exposés à des volumes similaires, mais les données restent rarement publiques. Une surveillance continue des métriques d’engagement (temps d’écran, nombre de sessions) apparaît comme une condition indispensable pour détecter les écarts entre installations facturées et usage réel.
