Pasé los últimos 6 meses construyendo un dashboard que monitorea señales de fraude en influencers. Empecé con todas las señales obvias: bots, engagement inorgánico, seguidores comprados. Pero lo que descubrí es que esas señales funcionan diferente en cada mercado, y confiar en una sola métrica es un desastre.
La historia: audité más de 200 creadores en mercados anglófonos y rusófonos. Encontré que lo que funciona es combinar múltiples señales, pero ponderadas según el contexto regional:
- En mercado US, patrones de comentarios inorgánicos (misma palabra clave repetida muchas veces) son señal fuerte de bot networks
- En mercados rusófonos, ese mismo patrón puede ser simplemente que personas usan palabras clave similares para buscar contenido
- Velocidad de crecimiento sostenido es rojo en ambos mercados, pero qué se considera “sostenido” varía mucho
- Timestamps de engagement: en algunos mercados hay picos naturales en ciertos horarios (rush horario, descanso laboral), en otros eso menos
Lo que me ha salvado es no automatizar la decisión final de “este es fraude, rechazamos”. Uso IA para flaguear, pero humanos para validar. Un creador puede tener patrones que parecen fraudulentos pero son legítimos porque hace contenido viral o tiene una estrategia de engagement específica.
¿Cuáles son las señales que ustedes consideran “línea roja” instantánea vs. las que merecen investigación más profunda?
Estamos en la misma. Implementamos un sistema de “banderas roja vs. naranja” hace 3 meses.
Rojo instantáneo para nosotros:
- Cambios de engagement >300% en una semana sin explicación contextual clara
- Comentarios que son claramente spam bots (caracteres aleatorios, links)
- Ratio de seguidores fake detectados por herramientas especializadas >25%
Naranja (investigación):
- Crecimiento acelerado sin explicación inmediata
- Picos de engagement en horarios extraños (aunque investigamos por zona horaria)
- Audiencia geográfica que no coincide con mercado target (a veces legítimo, a veces no)
Tuvimos un caso donde rechazamos a un creador por “patrón de fraude” y resultó que simplemente, su contenido fue reposteado en una comunidad grande y explotó. Perdimos un deal porque no hicimos due diligence profunda.
Ahora invertimos tiempo en contexto antes de descartar. ¿Cómo estructuraste el proceso de investigación humana? ¿Cuánto tiempo le dedicas por creator?
Esto es tan importante. Como creadora de UGC, he notado que cuando tengo picos de engagement, es porque simplemente creé contenido que resonó. No es fraud, es que probé algo nuevo y funcionó.
Una marca me rechazó una vez porque mi ratio de engagement “era imposible” en su modelo. Pero no sabían que hace poco pivotee mi contenido y empecé a trabajar con una estrategia más específica. El cambio fue intencional, no fraudulento.
Mi punto: las herramientas de IA capturan lo obvio (bots masivos), pero no capturan la realidad de cómo evolucionamos como creadores. Si vamos a ser validadas, hazlo hablando con nosotras, no solo mirando números.
Tu approach de “rojo vs. naranja” es sensato. El problema que he visto es que la mayoría de las marcas no tienen recursos para investigación profunda, así que automatizan la decisión y pierden oportunidades.
Técnicamente, lo que funciona es construir un modelo de “anomaly detection” entrenado en influencers verificados de cada mercado. El modelo aprende qué es normal para ese tipo de creator en esa región. Cuando un nuevo creator no encaja en el patrón esperado, eso genera una bandera—pero no una rechazada automática.
Una métrica que no he visto que muchos usen es la “audiencia cohesión”: qué percentaje de los seguidores de un creator interactúan regularmente con ese creador. Cuentas falsas tienden a tener baja cohesión. Es más confiable que engagement rate puro.
Otra cosa: si operan cross-market, segreguen sus modelos por región. Un modelo global es peor que uno regional malo, porque al menos uno regional refleja realidad local.