Según las estadísticas, el 8,51 % de todos los clics en anuncios pagados corresponden a tráfico fraudulento. Esto equivale a pérdidas de USD 63 mil millones de presupuesto publicitario a nivel global. Así, la calidad del tráfico entrante determinará qué tan eficientes son las campañas, impactando directamente los costos unitarios y montos de inversión finales de los anunciantes.
El fraude digital es cada vez más sofisticado. Ya no se trata solo de los clásicos bots: ahora el fraude se organiza mediante machine learning y escenarios de comportamiento adaptativos.
Sin mecanismos de control fiables, las campañas publicitarias se vuelven vulnerables a impresiones, clics y conversiones ilegítimas. Esto reduce el ROI y aumenta el gasto sin generar crecimiento real en audiencia o ventas.
La plataforma de publicidad móvil BYYD ha desarrollado un sistema antifraude basado en IA que capta el fraude casi en su totalidad. Ahora, algunos datos sobre su funcionamiento y el impacto que tiene a nivel técnico.
BYYD AI Anti-Fraud es un sistema integral de protección contra el fraude en campañas digitales. Se basa en un modelo patentado de aprendizaje automático y procesa más de 1.500 millones de solicitudes de puja al día.
En tiempo real, la plataforma puede:
La arquitectura se implementa actualmente en un servidor antifraude dedicado (48 CPU / 256 GB RAM). Cada servidor de subasta ejecuta un proceso de servicio antifraude independiente que consume ~2 CPU. Esto permite escalar el sistema de forma eficiente sin afectar el rendimiento del bidder.
El modelo ML (CatBoost) procesa grandes volúmenes de datos y los distintos patrones de comportamiento del tráfico. El aprendizaje se realiza con datos reales de actividad de usuario. Este dataset está estructurado para incluir la mayor diversidad de patrones posible, tanto fraudulentos como legítimos.
Una vez entrenado, el modelo se implementa en el entorno de producción, donde:
El umbral puede ajustarse según el equilibrio requerido entre filtrado agresivo y preservación del alcance.
Para evaluar el rendimiento de la herramienta, se utilizan KPIs de clasificación binaria: precisión y recall.
— Precisión refleja la proporción de fraude correctamente identificado dentro de todo el tráfico que fue clasificado como fraudulento.
Fórmula: Precisión = TP / (TP + FP), donde:
TP (True Positive) — fraude correctamente detectado
FP (False Positive) — tráfico legítimo clasificado erróneamente como fraude
— Recall refleja la proporción de fraude detectado respecto al total de tráfico ilegítimo real.
Fórmula: Recall = TP / (TP + FN), donde:
TP — fraude correctamente detectado
FN (False Negative) — fraude no detectado por el modelo
Esto significa que el sistema detecta el 95 % del tráfico fraudulento, manteniendo una alta precisión y minimizando el bloqueo de usuarios legítimos.
A cada usuario se le asigna un fingerprint (huella dactilar) digital único.
Si está disponible un Device ID (IFA/GAID), el perfil se vincula al mismo. Si no, la plataforma genera un ID único basado en una combinación de parámetros como:
Esto permite la identificación probabilística del dispositivo incluso sin un identificador publicitario.
En entornos reales, los usuarios con frecuencia:
Si se crea un nuevo fingerprint (por ejemplo, debido a cambios de IP o UA), la exhibición del anuncio solo es posible tras una nueva verificación en pujas posteriores con los mismos parámetros.
Esto permite al sistema:
Antes de la evaluación a través de Machine Learning, el sistema aplica un filtrado base de:
Esto permite bloquear el tráfico ilegítimo evidente previo al análisis profundo.
Tras el filtrado inicial, cada puja pasa por una evaluación multinivel basada en más de 20 parámetros.
El alto y ancho mínimo deben superar cierto umbral de “X” píxeles para evitar ubicaciones invisibles.
La falta de datos de operador puede indicar tráfico anómalo.
Se verifica:
Bloqueado en función de:
Se analiza el intervalo entre las solicitudes de puja de un mismo fingerprint. Frecuencias demasiado altas o regulares indican automatización.
De superarse el límite de solicitudes, el sistema realiza un bloqueo a nivel de fingerprint. Apelar o levantar el bloqueo es posible siempre y cuando haya un cambio en el comportamiento del perfil.
Cambios repentinos del ID de dispositivo dentro de un mismo fingerprint sugieren manipulación.
Para detectar actividad sospechosa, se compara la cantidad de solicitudes de un mismo perfil con la mediana de solicitudes provenientes de dispositivos similares dentro del mismo bundle ID (identificador de la app). Eso hace posible detectar variaciones repentinas que son propias de los bots.
Los resultados de esta campaña para una marca en el segmento retail reflejan una alta calidad del tráfico, con un Viewability Rate del 96% que supera ampliamente los estándares de la industria. Al mismo tiempo, la tasa de tráfico fraudulento es de solo 0,03%, y no se registraron impresiones fuera de la geografía objetivo, lo que confirma la precisión del targeting y la eficacia de los controles de prevención de fraude.
Otra campaña, esta vez del rubro FMCG, alcanzó resultados similares en términos de calidad del tráfico. Con un Viewability Rate del 94%, la campaña muestra una visibilidad bastante más alta que el estándar de la industria. Además, el tráfico ilegítimo (IVT) fue solo del 0,06%, una cifra nada despreciable considerando la escala de la campaña y el tamaño de la audiencia.
Asimismo, no se registraron impresiones fuera de la geografía objetivo (0,00%), lo que resalta la precisión del targeting y la efectividad de la prevención de fraude implementadas en la campaña.
Para asegurarnos de la fiabilidad de los números, los comparamos con los resultados de DoubleVerify, que constató un alto nivel de precisión en las ubicaciones. El 96% de las impresiones fueron visibles, y la proporción de impresiones libres de Sophisticated Invalid Traffic (SIVT) supera el 99%, lo que indica una ausencia casi total de fraude.
En esa línea, más del 99% de las impresiones se entregaron dentro de la geografía objetivo y cumplieron con los requisitos de Brand Suitability, lo que confirma la correcta configuración de la campaña y el uso de un entorno seguro para la difusión de anuncios de la marca.
BYYD AI Anti-Fraud no es solo un conjunto de filtros: es un sistema inteligente y dinámico de evaluación de tráfico capaz de detectar hasta los esquemas de fraude más sofisticados en tiempo real.
Al combinar machine learning, análisis de patrones de comportamiento y criterios técnicos estrictos, el sistema garantiza máxima transparencia y calidad en las campañas publicitarias.
Te presentamos las últimas noticias del marketing digital nacional, de nuestros socios y de la industria mundial.
