Por qué las reglas ya no bastan
Las reglas clásicas («>5 clics desde una IP», «geo fuera del whitelist») solo detectan fraude primitivo. Los bots actuales rotan residential IP e imitan scroll y time-on-site. El ML busca patrones, que una persona no pondría en un if-else: correlaciones de device fingerprint, referrer, hora y velocidad de navegación.
Tres pilares del antifraude ML
- Device / browser fingerprint. No solo User-Agent: canvas, WebGL, timezone drift, desajustes de idioma. Un «humano» con una docena de huellas es una señal de farm.
- Behavioral biometrics. Trayectoria del ratón, ritmo de scroll, pausas entre acciones. El synthetic traffic suele ser «demasiado correcto».
- Anomaly detection. Los modelos Unsupervised detectan picos sin labeled fraud: útil ante esquemas zero-day.
AI Selena en ClikBy: lo que afirmamos con honestidad
AI Selena — un ensemble de modelos para evaluar la calidad del clic y de la visita en enlaces inteligentes: conversion score, estados confirmed / bot_server / bot_filter. El sistema analiza señales técnicas y de comportamiento en el redirect y en el sitio tras el clic.
Мы не posicionamos Selena como sustituto del ML transaccional de nivel bancario, no garantizamos «el bloqueo del 100 % de todos los bots» ni emitimos certificados que el producto no tiene. El valor es — ver el junk traffic en el marketing funnel con más claridad y no alimentarlo al retargeting.
«El ML en antifraude es una carrera armamentista. Nuestra tarea no es prometer magia, sino dar al marketer una capa medible de calidad de clics antes de que se gaste el presupuesto trimestral.»
Cómo no pasarse con el ML en la implantación
- Empiece en modo observación: observe la cuota de bots durante 2–4 semanas sin bloqueos duros.
- Contraste el scoring con métricas de negocio (lead quality, sales), no solo con el «% bot».
- Documente los false positives: en fintech/e-com salen más caros que un bot no detectado.
Más sobre los términos: glosario de términos antifraude.
Supervised vs unsupervised en la práctica
Supervised los modelos necesitan datos etiquetados bot/confirmed: son precisos donde el patrón ya se ha visto. Unsupervised capturan nuevos clústeres, pero generan más false positives. Selena combina ambos enfoques en un ensemble.
Drift y reentrenamiento
Los bots se adaptan a los filtros en semanas. ClikBy actualiza el scoring en la plataforma; el cliente debe revisar umbrales de campañas y listas de exclusión en Ads cada trimestre.
