Hallo zusammen,
ich arbeite gerade an einer Lösung, um aus Raw-Server-Logs automatisch die echten Traffic-Quellen zu extrahieren – nicht nur das, was Google Analytics mir zeigt. Das Problem: Bei mehreren Affiliate-Projekten sehe ich Diskrepanzen zwischen Log-Daten und Tracking-Tools, besonders bei organischen Treffern und referrern.
Meine Frage: Hat jemand Erfahrung damit, Claude oder ähnliche KI-Modelle einzusetzen, um Log-Patterns zu analysieren und automatisch Bot-Traffic, Spam-Referrer und echte Nutzer zu trennen? Ich teste gerade, ob ich einen API-basierten Workflow aufbauen kann, der täglich die Logs processed und mir saubere Traffic-Daten liefert – ohne dass ich händisch jede Anomalie debuggen muss.
Vor allem interessiert: Wie verlässlich ist das im Vergleich zu etablierten Tracking-Tools? Und welche Fallstricke sollte ich bei der Log-Analyse beachten, damit ich nicht am Ende Provisionen auf Phantom-Traffic optimiere?
Danke für eure Erfahrungen!
Sehr geile Idee, das muss ich ehrlicherweise sagen. Ich teste gerade selbst einen ähnlichen Approach mit Claude, um Conversion-Daten zu normalisieren.
Mein Ergebnis nach 3 Wochen: Das funktioniert, aber nicht so wie du wahrscheinlich hoffst. Die KI ist gut darin, offensichtliche Bot-Pattern zu erkennen (User-Agent-Strings, repeated IPs in 2ms-Abständen, etc.), aber bei den subtileren Fällen (Proxy-Traffic, legitime Bulk-Requests) ist sie nicht besser als traditionelle Rule-Sets.
Was mir mehr gebracht hat: Ein Hybrid-Ansatz. KI für Pattern-Erkennung + einfache statistische Filter (95-Perzentil-Analyse auf Request-Frequenzen) + manuelles Spot-Checking. Dann täglich ein Report, den ich 10 Minuten überfliegе.
Zum Tracking-Vergleich: Ja, es gibt Unterschiede, aber die sind oft nicht das Problem deiner Provisionen – das sind eher Cookie-Lifespan und Attribution-Model-Unterschiede. Für Optimierung würde ich eher auf Netzwerk-Daten vertrauen.
Braucht es bei dir große Datenmengen (täglich 500k+ Requests), oder ist das ein kleineres Setup?