本例中，47.70%的使用者不符合任何過濾條件，屬於「合法」存取。
建立分段後，我們只需選擇它，以便報告不包含垃圾郵件發送者存取資料：
選擇過濾垃圾郵件視圖的分段
現在我們知道了可以在 Google Analytics 中找到的垃圾流量類型以及如何在網路分析中丟棄它們，接下來出現的問題是，我們如何知道某些訪問是垃圾郵件發送者的產物？
在我們迄今為止所看到的所有任務和配置中，分析 Google Analytics 收集的數據以找出哪些可能對應於垃圾郵件發送者可能是最複雜和乏味的。
原因是什麼？
沒有固定的規則可以讓我們確定性地確定某個訪問是由垃圾郵件發送者進行的，而是透過一系列模式和可疑行為可以向我們表明它們正在發生。
一般來說，我們不應該擔心幽靈垃圾郵件，因為正如我們所見，它具有使用無效主機名稱或與我們網站無關的主機名稱的缺陷，因此我們創建的過濾器可以完美地應對它們。
那麼，問題可能來自於更改或使用新 加拿大 b2b 潛在客戶 名稱或來源位址（過濾器中的「行銷活動來源」）的爬網程式推薦垃圾郵件，因此我們必須先識別它們，然後更新過濾器的正規表示式。
為了識別它們，我們別無選擇，只能定期分析「參考流量」圖表和報告：
在 Google Analytics 中分析推薦流量
根據這些數據，我們必須檢查是否發生以下任何可疑的垃圾郵件行為：
來自同一參考的會話或訪問次數不成比例地增長，這就是我在本文中作為介紹向您介紹的情況。很多時候，這將是發生異常情況的第一個跡象。
無意義或不能指望我們的來源名稱（URL 位址）（「來源」欄位）。例如，在上表中， 是可疑的。然而，t.co 或 是有效的，因為他們從 Twitter 或 Google+ 推薦我們是正常的。
不切實際的跳出率，接近100%和0%。取決於許多因素，不同網站的跳出率差異很大，但它應該始終徘徊在中間，而不是極端。在上表中，被懷疑發送垃圾郵件。
非典型會話的平均持續時間，因為它持續零或很少秒或遠高於平均持續時間的幾分鐘。在上表中，site-auditor.online 或 與該網站上的典型行為不同。
新會話的百分比接近 100% 或 0%，即幾乎所有存取都來自不同使用者或幾乎所有存取都來自同一使用者。通常該值位於中間區域，而不是極端。在我們的範例中， 是可疑的。