He estado pensando mucho en autenticidad de influencers. No es suficiente mirar followers y engagement rate. Esas métricas son superficiales y se pueden manipular fácilmente. Lo que realmente necesitamos es un sistema que examine patrones de comportamiento que varían según el mercado.
Make seis meses comencé a experimentar con un enfoque diferente: recopilar señales de audiencia cross-market para construir un score de autenticidad para cada influencer. Por “señales de audiencia,” me refiero a cosas como:
- Distribución geográfica genuina de seguidores (cuando el influencer dice que es global pero 95% de sus engaged followers son de bots rusos).
- Consistencia de engagement: ¿sus likes aumentan en patrones naturales o en spikes sospechosos?
- Calidad de comentarios: ¿la gente interactúa significativamente o solo spam de bot?
- Crecimiento a lo largo del tiempo: ¿gradual y orgánico, o alguien compró 100k followers overnight?
- Cross-platform coherencia: ¿sus números en Instagram, TikTok, YouTube tienen sentido juntos?
Lo interesante fue cuando empecé a comparar estos patrones entre mercados. Un influencer puede parecer auténtico en Instagram en Estados Unidos, pero cuando comparas eso con sus patrones en TikTok ruso, ves inconsistencias. O viceversa. El modelo comenzó a aprender qué patrones indicaban engagement genuino versus manipulado.
Pero aquí está mi inquietud: no tengo suficientes datos para entrenar esto completamente. Tengo 200-300 influencers que sé que son auténticos y 50-100 que definitivamente son fake o están haciendo algo raro. Eso no es suficiente para un modelo robusto.
Mi pregunta es: ¿cómo validan ustedes si un score de autenticidad basado en IA realmente predice comportamiento real, o todos estamos solo jugando con números que se ven bien en un dashboard? ¿Alguien ha construido esto a través de múltiples mercados y tiene confianza real en el resultado?
Esto me golpea personalmente porque he visto influencers legítimos ser penalizados por sistemas que no entienden cómo funciona realmente la construcción de comunidad. Yo construí mi audiencia de manera orgánica durante años, pero tengo algunos spikes raros de engagement porque ocasionalmente mi contenido simplemente explota. Si un sistema marca esos días como “sospechosos,” estaría equivocado.
Lo que propones suena mejor porque mira patrones múltiples, no solo un spike. Pero aún me preocupa el sesgo. Si tu modelo fue entrenado principalmente en influencers occidentales, ¿cómo sabe qué es “normal” en mercados como Rusia, donde los patrones de engagement pueden ser muy diferentes?
También, realmente espero que si un influencer es flagueado como “inauténtico,” haya manera de apelar eso. He oído historias de horror de creadores perdiendo oportunidades de negocio porque fueron marcados incorrectamente por un algoritmo.
Abordo esto como un problema de validación de modelo. Tu set de entrenamiento de 250-350 ejemplos etiquetados es demasiado pequeño para un modelo robusto, tienes razón. Esto es especialmente problemático cuando quieres que generalice cross-market.
Aquí está lo que haría:
-
Validación externa: En lugar de solo confiar en tus etiquetas internas, necesitas validación de terceros. Toma una muestra aleatoria de influencers que tu modelo clasifica como “auténticos” y lleva eso a expertos de mercado independientes. ¿Están de acuerdo? Si tu acuerdo inter-evaluador es bajo, tu score no es confiable.
-
Temporal validation: ¿Tu score de autenticidad actual predice qué influencers luego mostrarán comportamiento sospechoso en los próximos 3-6 meses? Eso es la única validación que importa realmente. Un score que se ve bien hoy pero no predice nada es inútil.
-
Cross-market calibration: Necesitas entrenar submodelos separados para cada mercado importante, luego ver dónde divergen. Si un influencer es marcado como “8/10 auténtico” en el modelo promedio pero “3/10 auténtico” en el submodelo ruso, eso te dice dónde tu modelo está ciego.
Sobre tu pregunta más profunda: los números pueden verse bien en un dashboard. He visto docenas de modelos de scoring que tenían absolutamente cero poder predictivo pero que miraban suficientemente profundos. La única manera de saber si tu sistema funciona es si resuelve un problema real: ¿tu score predice que influencers con baja autenticidad no generarán ROI?
Como alguien que busca influencers constantemente, esto es útil. Hemos estado usando herramientas que nos dan un score de “confianza” pero raramente sabemos cómo se calcula. Un sistema que tira en datos cross-market suena más sólido.
Mi pregunta práctica: si tengo 50 influencers candidatos para una campaña, ¿cuánto tiempo toma este score de autenticidad? ¿Es instantáneo o requiere análisis profundo? Porque en agencias, trabajamos con plazos apretados.