Cómo crear un anti-impersonation funnel para anuncios sin confundir detección de contenido con identidad del anunciante

Paso 1 — Separa cuatro preguntas desde el inicio. Antes de evaluar un anuncio, distingue identidad, autorización, contenido y destino. ¿Quién paga y administra la cuenta? ¿Tiene derecho a representar esa marca o producto? ¿Qué afirma el creativo? ¿A dónde lleva el clic? Un solo score mezclado desde el principio dificulta explicar errores y ajustar controles. Guarda señales por capa y construye la decisión después. Así una campaña puede ser legítima en contenido pero requerir revisión porque el actor no tiene autorización, o puede provenir de una cuenta verificada y aun fallar por una promesa engañosa.

Paso 2 — Verifica identidad con alcance, no como medalla permanente. Una verificación debe tener atributos: entidad, país, dominio, marca representada, responsables, vigencia y método usado. No conviertas “verified=true” en permiso universal. Para servicios financieros u otras categorías de riesgo, exige verificación reforzada y renovación. Registra también cambios de administrador y métodos de pago, porque una identidad inicialmente válida puede cambiar de control. El sistema debe saber qué afirmaciones puede hacer esa entidad y sobre qué activos. La misma arquitectura sirve para clientes y agencias: autenticar a alguien es solo el principio de la autorización.

Paso 3 — Analiza el creativo como conjunto multimodal. Procesa texto, imagen, video, voz y metadatos de la landing. Busca uso de figuras, marcas, claims financieros, urgencia artificial y discrepancias entre anuncio y destino. No bloquees por una palabra aislada si el contexto puede ser legítimo. Usa reglas de alta precisión para categorías prohibidas y modelos para señales más ambiguas. Cuando el resultado depende de una persona o marca real, consulta registros autorizados de campañas o acuerdos si existen. Conserva un resumen de señales y referencias, no una explicación inventada de intención del anunciante.

Paso 4 — Usa historial para detectar reincidencia sin crear culpabilidad automática. Agrupa intentos por cuentas, dominios, pagos y otros indicadores permitidos, pero asigna peso según confiabilidad. Un dominio nuevo compartido no prueba fraude; múltiples campañas confirmadas con patrones equivalentes sí justifican más fricción. Define ventanas temporales y caducidad para que señales antiguas no persigan a una entidad indefinidamente. Cuando un actor acumula riesgo, puedes exigir revisión o limitar volumen. Documenta por qué. La seguridad se vuelve más robusta cuando el comportamiento repetido importa, pero sigue existiendo una ruta de apelación para corregir asociaciones erróneas.

Paso 5 — Implementa allow, review y deny con acciones distintas. Allow publica y registra el control pasado. Review conserva el anuncio sin gastar presupuesto ni distribuirlo hasta que una persona resuelva la duda. Deny bloquea categorías claras y explica la política aplicable con suficiente detalle para corregir un caso legítimo sin revelar cómo evadir el detector. En acciones de alto riesgo, la ausencia de un servicio de verificación debería degradar a review, no a allow por defecto. Cada decisión registra versión de política y señales esenciales. Eso permite comparar cambios del sistema y demostrar qué control actuó en un incidente.

Paso 6 — Mide exposición y apelaciones, no solo bloqueos. Observa cuánto contenido riesgoso llegó a usuarios antes de detectarse, tasa de reincidencia, falsos positivos confirmados, tiempo de apelación y calidad por categoría. Separa métricas declaradas por proveedores de mediciones propias. En Goatify, un funnel equivalente puede proteger campañas creadas por agentes: el sistema verifica quién solicita la pauta, sobre qué cuenta, qué creativo se publicará y a qué URL enviará tráfico. El control debe ocurrir antes del gasto. Esa arquitectura convierte seguridad publicitaria en una política operacional verificable, no en una confianza genérica en los filtros de una plataforma externa.