Contexto: una gran marca, un gran presupuesto, resultados poco claros
Una gran marca internacional con decenas de puntos en todo el país invertía activamente en promocionar una app móvil. Los presupuestos de UA (User Acquisition) se contaban por decenas de miles de dólares al mes. Las cifras en los paneles de anuncios se veían flojas, pero no había comprensión de la causa: por qué ocurría.
Cuando el equipo empezó a mirar más a fondo — retention, actividad dentro de la app, pedidos reales — el cuadro se volvió aún más alarmante. Una parte significativa de las «instalaciones» no se convertía en ninguna acción objetivo, y la conversión de los saltos anuncio/app daba ventas flojas. Los usuarios como si se evaporaran...
«Veíamos que la publicidad estaba configurada y se mostraba a los usuarios, pensando que todo funcionaba bien. Cuando empezamos a entender por qué la conversión al primer pedido era tan baja, quedó claro: una parte significativa del tráfico era de baja intención o no objetivo en absoluto, y nuestros clientes reales casi no veían la publicidad».
Diagnóstico: qué ocurría exactamente con el tráfico
Paso 1. Análisis del funnel por cohortes
El primer paso fue un análisis de cohortes detallado por fuentes de tráfico publicitario, coste y cumplimiento de acciones objetivo. Las instalaciones de distintos canales se compararon no por cantidad, sino por calidad: retention Day 1, Day 7, Day 30, conversión al primer pedido, ticket medio, conversión a instalación de la app.
La brecha fue colosal. Los usuarios orgánicos convertían al primer pedido en torno al 40%. Los de parte de los canales de pago: menos del 3%. Eso no podía explicarse solo por la diferencia de calidad de audiencias.
Paso 2. Identificación de esquemas de fraude
Un análisis detallado del tráfico a nivel de visitas individuales reveló varios esquemas clásicos de fraude que operaban a la vez.
- Click Injection. Apps maliciosas en dispositivos de usuarios reales rastreaban el momento de una instalación orgánica y, milisegundos antes de completarse, generaban un «último clic» en nombre de una fuente de pago. La marca pagaba a una red de partners por usuarios que habían llegado solos. La cuota de ese tráfico era más del 2.4%.
- Tráfico Device Farm. Parte de las instalaciones se generaba en granjas de dispositivos: smartphones reales controlados automáticamente. Los dispositivos recorrían todo el proceso de instalación, abrían la app e imitaban las primeras acciones, pero no iban más allá. La cuota de ese tráfico era más del 12%.
- Clic fraudulento en anuncios (Click Fraud). Competidores y servicios automatizados hacían clic sistemáticamente en los anuncios, agotando artificialmente el presupuesto diario. Los anuncios se apagaban a mitad del día — justo en el pico de actividad de la audiencia objetivo — y el presupuesto se iba en saltos vacíos sin ninguna acción objetivo. La cuota de ese tráfico superaba el 17%.
Paso 3. Evaluación de la escala de pérdidas
Tras una atribución detallada resultó que más de un tercio de todas las instalaciones pagadas eran fraude directo o usuarios de valor cero captados vía tráfico incentivado disfrazado de orgánico.
El CPI real — el coste de captar a un usuario que hizo al menos un pedido — resultó 2,3 veces más alto de lo que mostraban los paneles de anuncios.
Cifras antes de empezar el trabajo
Conversión al primer pedido desde canales de pago: menos del 3%
Cuota de instalaciones fraudulentas y de baja calidad: más del 30%
CPI real vs declarado: ×2,3
Day 7 retention de usuarios de pago: críticamente por debajo del orgánico
Solución: protección multinivel en todas las etapas del funnel
Nivel 1. Filtrado antes del clic
En el primer nivel se implantó un sistema de análisis de fuentes de tráfico antes de que la plataforma cuente el clic. Cada salto publicitario se comprobaba contra una base de IP sospechosas, parámetros de dispositivo y patrones de comportamiento de la fuente.
Los clics de botnets conocidos, direcciones VPN sin historial y dispositivos con parámetros de fingerprint sospechosos se cortaban de inmediato: no se cobraba presupuesto por ellos.
Nivel 2. Biometría de comportamiento después de la instalación
El segundo nivel operaba en la landing a la que iban los usuarios antes de instalar la app. El píxel registraba visitas, pero no distinguía personas reales de bots. El sistema analizaba el comportamiento en la página: profundidad de scroll, tiempo hasta el clic en el botón de instalación, patrones de movimiento del cursor, visitas repetidas desde un mismo dispositivo.
Las sesiones con comportamiento no humano se excluían de las audiencias de optimización: las plataformas dejaban de tomarlas como patrón de «buen usuario».
Nivel 3. Limpieza de audiencias y reentrenamiento de algoritmos
De todas las audiencias de retargeting y segmentos lookalike se eliminaron perfiles de fraude. Los algoritmos de Facebook y Google recibieron una muestra de entrenamiento limpia: usuarios reales que de verdad hacían pedidos.
Esto cambió no solo la calidad de las campañas nuevas, sino también la eficacia de las estrategias automáticas ya en marcha: dejaron de optimizarse hacia bots «ideales». El coste de captar a un usuario real bajó.
Nivel 4. Revisión de acuerdos con partners
Con datos detallados de calidad de tráfico de cada partner se revisaron las condiciones de colaboración. Las fuentes con alta cuota de fraude se desconectaron. El presupuesto se redistribuyó hacia canales que mostraban conversión real a pedidos.
Resultados: qué cambió a los 60 días
Métricas clave tras implantar la protección
- +30% de instalaciones reales con el mismo presupuesto publicitario. El dinero que antes se iba en fraude empezó a captar usuarios reales.
- La conversión al primer pedido creció 4 veces — de menos del 3% a más del 12% en canales de pago.
- El CPI real bajó un 40% — al excluir instalaciones fraudulentas del cálculo y redistribuir el presupuesto.
- El Day 7 retention creció un 22% — los algoritmos de las plataformas empezaron a traer una audiencia parecida a compradores reales, no a bots.
- El ahorro de presupuesto fue de más del 25% — los fondos que antes se pagaban por tráfico fraudulento se redirigieron a canales que funcionan.
Por qué el resultado fue exactamente así
El insight clave de este caso: el fraude en UA móvil inflige un daño doble. El primero, obvio: paga por instalaciones que no existen. El segundo, oculto: los datos del tráfico fraudulento envenenan los algoritmos que luego optimizan sus campañas. Al quitar el fraude, no solo ahorra: corrige la brújula por la que se mueve todo su presupuesto publicitario.
Por eso el resultado fue desproporcionadamente grande respecto a los cambios: el mismo dinero, casi los mismos canales y el mismo equipo, pero una calidad de tráfico fundamentalmente distinta y otros datos para entrenar algoritmos.
La conclusión principal del caso
«El problema no era que gastáramos poco en publicidad. El problema era que un tercio del presupuesto se iba al sitio incorrecto. Cuando lo arreglamos, las cifras crecieron solas, sin aumentar la inversión».
Protección inteligente de su publicidad online con ClikBy
Hemos creado AI Selena no solo como filtro, sino como sistema de biometría de comportamiento. La plataforma analiza más de 130 señales explícitas e implícitas (desde la velocidad del cursor hasta la especificidad de protocolos de red) en tiempo real.
- Aprendizaje automático por ensemble: unimos 5+ modelos ML para reconocer identidades sintéticas y tráfico Device Farm.
- Zero-Trust Attribution: verificamos cada instalación, excluyendo Click Injection y SDK Spoofing.
- Umbrales adaptativos: el sistema reduce automáticamente la rigurosidad de los filtros en periodos de rebajas, minimizando False Positives.
Más sobre cómo funciona la protección contra el fraude publicitario, en nuestro material: cómo funciona el antifraude en la publicidad moderna.
Pedir antifraud para publicidad (Yandex.Direct, Google Ads, Meta Ads y otras plataformas)
