Ungültigen Traffic erkennen, wenn jeder Klick echt aussieht

Du kaufst Klicks auf Stellenanzeigen, um Menschen zu erreichen, die sich für einen Job interessieren. Wenn ein Teil dieser Klicks künstlich erzeugt wird, bezahlt dein Budget Aktivität, die dieses Ziel nicht erfüllt. Gleichzeitig sieht die Kampagne im Bericht aktiver aus, als sie tatsächlich ist.

Das Problem lässt sich nicht auf bekannte Bots oder wiederholte IP-Adressen reduzieren. In einem bestätigten historischen Fall untersuchten wir 1.574 Klicks von 1.546 unterschiedlichen IP-Adressen. Fast jeder Aufruf konnte damit von einer anderen Adresse kommen. Die Gemeinsamkeit zeigte sich erst in der Zusammensetzung des Traffics.

Hier erklären wir, was wir unter Fraud-Traffic verstehen, welche Folgen er im Recruiting hat und wie wir solche Muster prüfen. Die Zahlen zum August-Fall und zur Abrechnung stammen aus historischen Auswertungen. Rechenergebnisse und vereinfachte Beispiele sind als solche gekennzeichnet.

Was Fraud-Traffic im Recruiting bedeutet

Mit Fraud-Traffic meinen wir absichtlich erzeugte oder manipulierte Aufrufe, Klicks oder Bewerbungssignale, die eine echte Recruiting-Leistung vortäuschen sollen. Dahinter kann zum Beispiel das Ziel stehen, eine Vergütung auszulösen oder das Werbebudget eines anderen zu verbrauchen.

Das kann unterschiedlich aussehen:

• Ein Skript ruft Stellenanzeigen auf und löst abrechenbare Klicks aus, ohne dass dahinter ein Jobsuchender steht.
• Eine Person wird dafür bezahlt, Anzeigen anzuklicken, obwohl sie sich nicht für die Stellen interessiert.
• Ein automatisierter Ablauf wechselt zwischen privaten Internetanschlüssen und plausiblen Browserkennungen. Dadurch wirken seine einzelnen Aufrufe wie gewöhnliche Besuche.
• Erfundene Bewerbungen oder manipulierte Conversion-Signale täuschen einen nachgelagerten Erfolg vor. In diesem Artikel konzentrieren wir uns auf die Prüfung von Klick-Traffic.

Ungültiger Traffic ist der weitere Begriff. Auch ein versehentlicher Doppelklick oder ein offener Crawler kann für die Abrechnung ungeeignet sein, ohne dass jemand betrügen wollte. Google unterscheidet in seiner Definition ungültiger Klicks ebenfalls zwischen absichtlichen Manipulationen und versehentlichen Klicks.

Und ein Mensch, der eine Anzeige liest und sich anschließend gegen eine Bewerbung entscheidet, erzeugt dadurch keinen betrügerischen Klick. Eine niedrige Bewerbungsrate allein beweist keinen Fraud.

Warum das für dein Recruiting wichtig ist

Bei einer Abrechnung pro Klick wird aus einem ungültigen Aufruf eine konkrete Budgetfrage. Was dafür ausgegeben wird, steht nicht mehr zur Verfügung, um echte Interessenten zu erreichen.

Auch bei Stellenanzeigen mit fester Laufzeit kann die Qualität der Aufrufe deine Reichweite beeinflussen. Jobbörsen können die Ausspielung solcher Pakete anhand interner Leistungsziele steuern, etwa einer angestrebten Zahl von Anzeigenaufrufen.

Ein vereinfachtes Beispiel: Für ein Paket ist ein Zielwert von 150 Aufrufen hinterlegt. Anhand dieses Ziels entscheidet die Jobbörse, welche Anzeigen sie zusätzlich bewirbt oder hervorhebt. Weil Werbefläche begrenzt ist, kann sie Anzeigen, die ihren Zielwert bereits erreicht haben, weniger stark fördern und andere Anzeigen stärker ausspielen. Die 150 Aufrufe dienen hier nur der Veranschaulichung; Ziele und Ausspielungslogik unterscheiden sich je nach Anbieter und Paket.

Werden betrügerische Klicks dabei als echte Anzeigenaufrufe mitgezählt, erscheint der Zielwert früher erreicht. Ohne wirksame Fraud-Erkennung kann die zusätzliche Bewerbung deiner Anzeige dadurch zu früh zurückgefahren werden. Der Paketpreis bleibt gleich, aber ein Teil der gebuchten Leistung entfällt auf künstliche Aktivität. So kann Fraud-Traffic auch bei einem Laufzeitpaket Werbebudget verbrauchen und die Reichweite bei echten Interessenten verringern.

Hinzu kommt die Auswertung. Wenn künstliche Klicks im Nenner deiner Bewerbungsrate landen, fällt die gemessene Rate. Eine gute Stellenanzeige kann dadurch schlecht wirken. Wenn du dagegen vor allem Klickmenge oder Klickpreis vergleichst, kann eine auffällige Quelle attraktiver erscheinen, als sie ist. Beides kann zu falschen Budgetentscheidungen führen.

Für Publisher steht die Nachvollziehbarkeit ihrer Vergütung auf dem Spiel. Wer selbst Traffic einkauft, kann eine problematische Quelle weiterreichen, ohne deren Erzeugung zu kennen. Eine Prüfung muss deshalb einzelne Ereignisse zuordnen können und erklären, worauf eine Korrektur beruht.

Wie wir dein Werbebudget schützen

Der Schutz beginnt vor der Abrechnung. Jeder Klick durchläuft unsere Qualitätsprüfungen. Als Duplikat erkannte Klicks, Klicks aus dem Ausland, erkannter Bot-Traffic und abgelaufene Klick-Referenzen werden nicht berechnet. Der abgewiesene Aufruf belastet dein Klickbudget nicht. Das Budget steht weiter zur Verfügung, um potenzielle Bewerber zu erreichen.

JobJump lehnte im Jahr 2026 bis zum Datenstand 6. November insgesamt 33.102 von 256.660 ausgewerteten Klickereignissen vor der Abrechnung ab (12,9 %). Die Ablehnungen verteilen sich auf diese zugeordneten Prüfgründe:

Unser Zielmarkt ist Deutschland. Ein Klick aus dem Ausland ist nicht automatisch betrügerisch, erfüllt aber unsere Voraussetzungen für die Abrechnung nicht. Auch Klicks ohne bestimmbare Länderzuordnung werden nicht berechnet. Ebenso ist ein Duplikat nicht automatisch ein Betrugsversuch. Entscheidend ist, dass solche Aufrufe dein Werbebudget nicht zusätzlich belasten.

Abgerechnet werden nur Klicks, die unsere Qualitätsprüfungen bestehen. „Qualifiziert für die Abrechnung“ bedeutet hier: Der Klick hat die Prüfung auf Duplikate, Herkunftsland, Bots und Gültigkeit bestanden. Die fachliche Eignung eines Bewerbers wird im weiteren Recruiting-Prozess beurteilt.

Die 12,9 % beschreiben den Anteil der abgelehnten Klickereignisse. Wie viel Werbebudget dadurch in Euro geschützt wird, hängt von den jeweiligen Klickpreisen ab. Aus diesem Klickanteil lässt sich deshalb keine gleich hohe prozentuale Budgetersparnis ableiten.

Auch nachträgliche Prüfung schützt dein Budget

JobJump erstattete im Jahr 2026 bis zum Datenstand 6. November zusätzlich 4.238 von 256.660 ausgewerteten Klickereignissen nach Prüfung (1,7 %). Die Echtzeitprüfung hält bereits erkannte ungültige Klicks aus der Abrechnung. Die nachträgliche Prüfung korrigiert weitere bestätigte Fälle. Beide Schritte sorgen dafür, dass Unternehmen ihr Werbebudget für geprüfte Klicks einsetzen können.

Ein bestätigter Fall mit 1.574 Klicks

In einem historischen Cluster aus August 2026 fiel eine Kombination aus Browserfamilie, Sprache und Verbindungsprotokoll auf. Die folgende Tabelle zeigt die dokumentierten Messwerte, ohne Partner, Stellen oder einzelne Anschlüsse offenzulegen.

Aus den ersten beiden Werten ergeben sich rechnerisch rund 1,02 Klicks pro IP-Adresse. Eine Prüfung, die hauptsächlich häufig wiederkehrende Adressen sucht, bekommt hier wenig Ansatzpunkte. Unterschiedliche Adressen sind aber kein Beleg für unterschiedliche Menschen mit echtem Interesse.

Die Verteilung zeigt die Abweichung: 27 % gegenüber 0,2–1,6 %. Teilt man den Anteil der untersuchten Quelle durch die Anteile der Vergleichsquellen, ist die Kombination dort rechnerisch rund 17- bis 135-mal so stark vertreten. Verglichen werden Anteile, nicht die absoluten Klickmengen unterschiedlich großer Quellen.

Diese Zahlen beschreiben einen bestätigten historischen Fall. Sie sind keine Erkennungsschwellen. Auch eine starke Abweichung muss im Kontext geprüft werden; die Tabelle allein ersetzt diese Prüfung nicht.

Wie wir das Muster sichtbar machen

Zuerst den einzelnen Klick prüfen

Bevor ein Klick abgerechnet werden kann, prüfen wir unter anderem Wiederholungen, geografische Herkunft, Hinweise auf automatisierte Aufrufe und die Gültigkeit der Anzeige. Ein abgelehnter Klick kann trotzdem weitergeleitet werden; die Prüfung betrifft seine Abrechenbarkeit.

Eine wechselnde IP-Adresse und ein plausibler Browser können manche Einzelprüfungen bestehen. Deshalb endet unsere Analyse nicht beim einzelnen Aufruf.

Technische Merkmale gemeinsam betrachten

Wir gruppieren Aufrufe nach technischen Gemeinsamkeiten wie Browserfamilie, Sprache und Verbindungsprotokoll. Anschließend betrachten wir den Anteil dieser Gruppen innerhalb jeder Quelle.

Zum Beispiel: Ändert ein automatisierter Ablauf die genaue Browserversion, entstehen unterschiedliche Browserkennungen. Auf Ebene der Browserfamilie können die Aufrufe trotzdem zusammengehören. Eine Auswertung nur nach vollständigen Kennungen würde dieses Muster auf mehrere kleine Gruppen verteilen.

Die verwendete Sprache oder ein bestimmter Browser ist dabei für sich genommen kein Verdachtsgrund. Entscheidend ist, wie die Merkmale zusammen auftreten und ob die Verteilung zum übrigen Traffic passt.

Mit anderen Quellen und der eigenen Historie vergleichen

Die untersuchte Quelle gehört nicht in ihre eigene Vergleichsbasis. Sonst prägt ein großer auffälliger Anteil den vermeintlichen Normalwert mit und schwächt seine eigene Abweichung ab.

Wir vergleichen deshalb mit anderen Quellen und zusätzlich mit dem bisherigen Verhalten derselben Quelle. Wo möglich, erfolgt der Vergleich im Kontext desselben Advertisers. So lässt sich eher unterscheiden, ob ein Unterschied zum Publikum gehört oder eine neue technische Gleichförmigkeit entstanden ist.

Ein englischer Sprachheader kann etwa bei einer internationalen Zielgruppe völlig plausibel sein. Derselbe Header wird nicht durch seine Sprache verdächtig, sondern durch einen unplausiblen Zusammenhang mit weiteren Beobachtungen.

Den Befund anhand weiterer Beobachtungen prüfen

Wir sehen uns an, welche Ereignisse die auffällige Gruppe bilden und welche nachgelagerte Aktivität messbar ist. Fehlende Bewerbungsstarts können ein zusätzlicher Hinweis sein. Sie können aber auch mit den Stellen, der Zielgruppe oder einer Messlücke zusammenhängen.

Diese Arbeitsweise passt zur Unterscheidung des Media Rating Council zwischen routinemäßig filterbarem und aufwendiger zu erkennendem ungültigem Traffic: Bei komplexeren Mustern braucht es mehrere zusammenpassende Hinweise und gegebenenfalls menschliche Prüfung.

Was unser historischer Test aussagt

Bevor wir die zusätzliche Prüfung nach Browserfamilien einführten, haben wir sie mit historischen Daten getestet. Der dokumentierte Backtest vom September 2026 erkannte alle neun dafür festgelegten, bereits bestätigten Fälle. Auf einer als unauffällig bekannten Kontrollquelle blieb die Prüfung ohne Alarm.

Das ist ein konkretes Prüfergebnis auf bekannten Fällen. Es ist keine unabhängig gemessene Erkennungsrate für beliebigen zukünftigen Traffic. Ebenso lässt sich aus einer Kontrollquelle keine allgemeine Fehlalarmquote ableiten. Der Test zeigt, dass die Methode die bekannten Muster erfasst, für die sie entwickelt und geprüft wurde.

Von der Auffälligkeit zur Abrechnungskorrektur

Unsere quellenübergreifende Analyse markiert Auffälligkeiten für die menschliche Prüfung. Sie löst keine automatischen Erstattungen aus.

Wenn wir ungültigen Traffic bestätigen, korrigieren wir die Abrechnung auf beiden Seiten: die Belastung des Advertisers und die Vergütung des Publishers. Eine nachvollziehbare Begründung gehört zur Korrektur.

Der betroffene Partner bekommt die einzelnen Ereignisse mit seinen eigenen Klick-Referenzen. Damit kann er die Quelle in seinen Systemen untersuchen. Im Partnerportal bleibt der Validierungsstatus sichtbar. Ein pauschales Urteil über eine ganze Quelle würde bei dieser Arbeit wenig helfen.

Wie du deinen Traffic selbst untersuchen kannst

Um eingekauften Traffic zu prüfen, gruppierst du Klicks nach Quelle und technischen Gemeinsamkeiten. Vergleiche dann, welchen Anteil eine Kombination bei jeder Quelle ausmacht. Untersuche starke Abweichungen anhand der bisherigen Entwicklung, der beworbenen Stellen und der gemessenen Bewerbungsstarts.

1. Bereite einen vergleichbaren Datenexport vor. Wähle denselben Zeitraum und möglichst dieselben Kampagnen, Stellen oder Advertiser. Nutze aus deinen vorhandenen Logs die Quellenkennung, den Zeitpunkt, die Stellen- oder Kampagnenkennung, den Prüfstatus sowie Browserfamilie, Sprache und Verbindungsprotokoll, soweit diese Merkmale vorliegen. Verwende in allen Quellen dieselbe Auswahl, etwa nur Klicks, die die ersten Qualitätsprüfungen bestanden haben. Ergänze die gemessenen Bewerbungsstarts pro Quelle, wenn verfügbar.

2. Bilde Gruppen pro Quelle. Zähle, wie viele Klicks auf jede Kombination aus Browserfamilie, Sprache und Protokoll entfallen. Fasse Browserversionen zu Familien zusammen, damit ein Versionswechsel dieselbe technische Gemeinsamkeit nicht auf mehrere kleine Gruppen verteilt.

3. Berechne die Anteile. Es gilt: Anteil = Klicks der Gruppe ÷ alle Klicks der Quelle im Datenexport. Formatiere das Ergebnis als Prozentwert. So vergleichst du die Zusammensetzung der Quellen und nicht nur ihre Größe.

4. Vergleiche mit anderen Quellen. Stelle den Anteil derselben Kombination bei vergleichbaren Quellen gegenüber. Lass die untersuchte Quelle aus ihrer eigenen Vergleichsbasis heraus. Im historischen August-Fall lag eine Kombination bei 27 % der betroffenen Quelle, bei den Vergleichsquellen bei 0,2–1,6 %. Daraus ergibt sich rechnerisch eine rund 17- bis 135-fache Überrepräsentation. Fehlende oder sehr kleine Vergleichsgruppen liefern keine belastbare Referenz.

5. Prüfe die eigene Historie und den Kontext. Ist die Kombination neu oder gehört sie seit Langem zu dieser Quelle? Haben sich Stellen, Zielregion oder Publikum verändert? Vergleiche außerdem die Bewerbungsstarts und kontrolliere, ob sie vollständig gemessen werden. Eine internationale Zielgruppe oder eine Messlücke kann einen Teil der Abweichung erklären.

6. Dokumentiere die auffälligen Ereignisse. Halte Quelle, Zeitraum, technische Kombination, Klickzahlen und Vergleichsanteile fest. Ordne die betroffenen Ereignisse über vorhandene Klick-Referenzen zu und prüfe sie gemeinsam mit dem Partner. Eine Abweichung begründet zunächst eine Untersuchung; eine Abrechnungskorrektur braucht einen bestätigten Befund.

Für eine erste Auswertung reicht eine Tabelle mit den Spalten Quelle, technische Kombination, Klickzahl der Gruppe, Gesamtklicks der Quelle und Anteil. Ergänze daneben die Vergleichsanteile und deine Erklärung nach der Kontextprüfung. Damit bekommt dein Technik- oder Analyse-Team einen konkreten Prüfauftrag.

Datengrundlage

Die Fallzahlen stammen aus JobJumps anonymisierter historischer Auswertung für August 2026, dokumentiert im September 2026. Der Backtest wurde im September 2026 dokumentiert. Die Abrechnungszahlen für 2026 haben den Datenstand 6. November 2026; spätere Änderungen sind darin nicht enthalten. Die berechneten Verhältnisse sind gerundet. Partnernamen, einzelne IP-Adressen und operative Erkennungsschwellen werden nicht veröffentlicht.