Perché le regole non bastano più
Le regole classiche («>5 click da un IP», «geo non in whitelist») intercettano solo la frode primitiva. I bot moderni ruotano residential IP e imitano scroll e time-on-site. Il ML cerca pattern, che una persona non scriverebbe in if-else: correlazioni di device fingerprint, referrer, ora, velocità di navigazione.
Tre pilastri dell’antifrode ML
- Device / browser fingerprint. Non solo User-Agent: canvas, WebGL, timezone drift, incoerenze di lingua. Un «umano» con una dozzina di fingerprint è un segnale di farm.
- Behavioral biometrics. Traiettoria del mouse, ritmo di scroll, pause tra le azioni. Il synthetic traffic è spesso «troppo corretto».
- Anomaly detection. I modelli Unsupervised intercettano picchi senza labeled fraud: utile con schemi zero-day.
AI Selena in ClikBy: cosa dichiariamo con onestà
AI Selena — un ensemble di modelli per valutare la qualità di click e visita sui link intelligenti: conversion score, status confirmed / bot_server / bot_filter. Il sistema analizza segnali tecnici e comportamentali sul redirect e sul sito dopo il click.
Мы не posizioniamo Selena come sostituto del ML transazionale di livello bancario, non garantiamo «il blocco al 100% di tutti i bot» e non rilasciamo certificati che il prodotto non ha. Il valore è — vedere più chiaramente il junk traffic nel marketing funnel e di non alimentarlo al retargeting.
«L’ML nell’antifrode è una corsa agli armamenti. Il nostro compito non è promettere magia, ma dare al marketer uno strato misurabile di qualità dei clic prima che bruci il budget trimestrale.»
Come non esagerare con il ML in fase di adozione
- Iniziate in modalità osservazione: monitorate la quota di bot per 2–4 settimane senza blocchi rigidi.
- Confrontate lo scoring con le metriche di business (lead quality, sales), non solo con il «% bot».
- Documentate i false positives: nel fintech/e-com costano più di un bot non intercettato.
Approfondimento sui termini: glossario dei termini antifrode.
Supervised vs unsupervised nella pratica
Supervised i modelli richiedono dati etichettati bot/confirmed: sono precisi dove lo schema è già stato visto. Unsupervised individuano nuovi cluster, ma generano più false positives. Selena combina gli approcci in un ensemble.
Drift e riqualificazione
I bot si adattano ai filtri in poche settimane. ClikBy aggiorna lo scoring sulla piattaforma; il cliente deve rivedere soglie delle campagne e liste di esclusione in Ads ogni trimestre.
