🖱️ Detector de Fraude de Clics Publicitarios — Ley de Benford en Vivo

La Ley de Benford establece que, para muchos conjuntos de datos numéricos multiescala que ocurren de forma natural, el primer dígito d no se distribuye de manera uniforme entre 1 y 9, sino que sigue P(d) = log₁₀(1 + 1/d) — de modo que alrededor del 30,1% de los valores comienzan con 1, el 17,6% con 2, hasta solo el 4,6% que comienza con 9. Esto surge siempre que la cantidad subyacente abarca varios órdenes de magnitud y su logaritmo se distribuye aproximadamente de manera uniforme, que es exactamente lo que ocurre con los recuentos orgánicos de clics publicitarios agregados en campañas de tamaños, presupuestos y alcances muy diferentes. Los datos fabricados — generados eligiendo números en un rango estrecho para parecer plausibles — no tienen esta estructura multiescala, por lo que no logran reproducir la propiedad log-uniforme y sus primeros dígitos se desvían de la curva esperada de Benford.

Para cada fuente de tráfico tabulamos cuántos de sus N valores de recuento de clics tienen cada primer dígito del 1 al 9, obteniendo los recuentos observados O(d). Calculamos el recuento esperado según la Ley de Benford como E(d) = N × log₁₀(1 + 1/d). El estadístico chi-cuadrado es χ² = Σ (O(d) − E(d))² / E(d), calculado en vivo a partir de los datos simulados reales en cada regeneración — nada está codificado de forma fija. Con 9 categorías de dígitos hay 8 grados de libertad, y el valor crítico estándar para un nivel de significancia del 5% es 15,507; las fuentes cuyo estadístico chi-cuadrado supera ese umbral se marcan como estadísticamente inconsistentes con tráfico genuino y de escala natural.

Las fuentes genuinas extraen recuentos de clics de un proceso multiplicativo log-uniforme: la escala base es 10 elevado a un exponente uniformemente aleatorio entre 1 y aproximadamente 5,2 (de modo que las magnitudes van de decenas a cientos de miles), multiplicado por ruido lognormal que representa la variación diaria de la campaña. Como el exponente es uniforme, los primeros dígitos resultantes siguen de cerca la Ley de Benford, reflejando cómo se comporta el tráfico web real agregado. Las fuentes fraudulentas, en cambio, extraen recuentos de manera uniforme de una banda numérica estrecha, como de 500 a 900 clics — un patrón típico de granjas de clics o bots que intentan parecer un volumen estable y plausible, lo cual matemáticamente no puede reproducir una distribución logarítmica del primer dígito.

El chi-cuadrado es sensible al tamaño de la muestra N — con suficientes datos, incluso desviaciones diminutas y prácticamente sin importancia se vuelven estadísticamente significativas. La desviación media absoluta, MAD = (1/9) × Σ |fracción observada(d) − P(d)|, mide el tamaño promedio de la propia desviación, independientemente de N. Los profesionales del análisis de dígitos (siguiendo las convenciones de contabilidad forense de Nigrini) consideran un MAD por debajo de aproximadamente 0,006 como conformidad cercana, 0,006–0,012 como aceptable, 0,012–0,015 como marginal, y por encima de 0,015 como no conforme. Reportar ambos estadísticos juntos — chi-cuadrado para la significancia estadística y MAD para el tamaño del efecto — ofrece una imagen más completa que cualquiera de los dos por separado.

No — la Ley de Benford es una heurística de cribado, no una prueba. Algunos conjuntos de datos genuinos no logran conformarse porque están restringidos a un rango estrecho por razones legítimas (por ejemplo, una pequeña campaña de presupuesto fijo que siempre compra un número similar de clics), y algunos datos fabricados pueden construirse deliberadamente para imitar una distribución logarítmica. En la detección real de fraude publicitario, un resultado chi-cuadrado significativo en los recuentos de clics es una señal más entre muchas — junto con los patrones de tiempo de clic, las huellas digitales de dispositivos, la reputación de IP y las anomalías en la tasa de conversión — que los analistas usan para priorizar qué fuentes de tráfico merecen una investigación más profunda.

Las barras observadas se animan suavemente hacia su nueva altura objetivo cada vez que cambian los datos subyacentes — por ejemplo, cuando alternas una fuente entre genuina y fraudulenta, cambias el tamaño de la muestra, o haces clic en Volver a muestrear. Esto es puramente un efecto visual de suavizado para facilitar la lectura; el estadístico chi-cuadrado y el valor p mostrados en el panel lateral siempre se calculan directamente a partir de los datos finales y estabilizados, no del fotograma animado intermedio.