El problema
Las marcas gastan miles de dólares en campañas de influencers de TikTok sin verificar si la interacción es real. Los seguidores falsos, los grupos de participación y los comentarios de bots inflan métricas que parecen legítimas a primera vista. Un creador con 500.000 seguidores puede tener un 90% de cuentas de bots. La API oficial de TikTok no proporciona señales de detección de fraude y la verificación manual de la calidad de los comentarios y los patrones de seguidores no escala. Las marcas descubren el fraude sólo después de que se ejecuta la campaña y el retorno de la inversión es cero.
La solucion de Scavio
El punto final de TikTok de Scavio muestra métricas de participación, patrones de comentarios y señales de seguidores que le permiten crear heurísticas de detección de fraude. Verifica las tasas de participación con respecto a puntos de referencia, busca patrones de repetición de comentarios y compara la coherencia de un video a otro. Un creador legítimo tiene una variación natural en el compromiso; uno fraudulento tiene métricas sospechosamente uniformes. Los datos estructurados se incorporan a modelos de puntuación que señalan a los creadores de alto riesgo antes de firmar un contrato.
Antes
Antes de Scavio, las marcas dependían de métricas de influencers autoinformadas y descubrían el fraude solo después de pagar por campañas que no producían retorno de la inversión (ROI).
Después
Después de Scavio, un guión de investigación previo a la campaña califica a los creadores según la autenticidad del compromiso. Las marcas detectan métricas infladas antes de firmar contratos y redirigen el presupuesto a creadores genuinos.
Para quien es
Comercializadores de marcas y gerentes de campañas de influencers que necesitan examinar a los creadores de TikTok antes de firmar contratos. Cualquiera que haya gastado su presupuesto en personas influyentes con una participación falsa y quiera un proceso de investigación basado en datos.
Beneficios clave
- Métricas de participación con índices de visualización para la detección de fraude
- El análisis de patrones de comentarios revela la actividad de los bots y los grupos de interacción
- Banderas de puntuación de coherencia de vídeo a vídeo cuentas infladas artificialmente
- La investigación previa a la campaña evita el desperdicio del presupuesto de influencers
- Los datos estructurados se alimentan de modelos de puntuación personalizados
Ejemplo en Python
import requests
import statistics
API_KEY = "your_scavio_api_key"
BASE_URL = "https://api.scavio.dev/api/v1/tiktok"
def vet_creator(username: str) -> dict:
res = requests.post(
f"{BASE_URL}/user",
headers={"Authorization": f"Bearer {API_KEY}"},
json={"username": username},
timeout=15,
)
res.raise_for_status()
data = res.json()
videos = data.get("videos", [])
if not videos:
return {"username": username, "risk": "no_data"}
engagement_rates = []
for v in videos:
views = v.get("views", 0)
likes = v.get("likes", 0)
if views > 0:
engagement_rates.append(likes / views)
if not engagement_rates:
return {"username": username, "risk": "no_engagement_data"}
avg_er = statistics.mean(engagement_rates)
er_variance = statistics.variance(engagement_rates) if len(engagement_rates) > 1 else 0
# Fraud signals
risk_flags = []
if avg_er > 0.15: # Suspiciously high engagement
risk_flags.append("engagement_too_high")
if er_variance < 0.001 and len(engagement_rates) > 5: # Too uniform
risk_flags.append("suspiciously_uniform")
if data.get("followers", 0) > 100000 and avg_er < 0.01:
risk_flags.append("high_followers_low_engagement")
return {
"username": username,
"followers": data.get("followers", 0),
"avg_engagement_rate": round(avg_er, 4),
"engagement_variance": round(er_variance, 6),
"videos_analyzed": len(engagement_rates),
"risk_flags": risk_flags,
"risk_level": "high" if len(risk_flags) >= 2 else "medium" if risk_flags else "low",
}
result = vet_creator("example_influencer")
print(f"{result['username']}: {result['risk_level']} risk")
for flag in result.get("risk_flags", []):
print(f" - {flag}")Ejemplo en JavaScript
const API_KEY = "your_scavio_api_key";
const BASE_URL = "https://api.scavio.dev/api/v1/tiktok";
async function vetCreator(username) {
const res = await fetch(`${BASE_URL}/user`, {
method: "POST",
headers: { Authorization: `Bearer ${API_KEY}`, "content-type": "application/json" },
body: JSON.stringify({ username }),
});
if (!res.ok) throw new Error(`scavio ${res.status}`);
const data = await res.json();
const videos = data.videos ?? [];
if (!videos.length) return { username, risk: "no_data" };
const engagementRates = videos
.filter((v) => (v.views ?? 0) > 0)
.map((v) => (v.likes ?? 0) / v.views);
if (!engagementRates.length) return { username, risk: "no_engagement_data" };
const avgEr = engagementRates.reduce((a, b) => a + b, 0) / engagementRates.length;
const variance = engagementRates.reduce((sum, er) => sum + (er - avgEr) ** 2, 0) / engagementRates.length;
const riskFlags = [];
if (avgEr > 0.15) riskFlags.push("engagement_too_high");
if (variance < 0.001 && engagementRates.length > 5) riskFlags.push("suspiciously_uniform");
if ((data.followers ?? 0) > 100000 && avgEr < 0.01) riskFlags.push("high_followers_low_engagement");
return {
username,
followers: data.followers ?? 0,
avgEngagementRate: Math.round(avgEr * 10000) / 10000,
engagementVariance: Math.round(variance * 1000000) / 1000000,
videosAnalyzed: engagementRates.length,
riskFlags,
riskLevel: riskFlags.length >= 2 ? "high" : riskFlags.length ? "medium" : "low",
};
}
const result = await vetCreator("example_influencer");
console.log(`${result.username}: ${result.riskLevel} risk`);
for (const flag of result.riskFlags ?? []) console.log(` - ${flag}`);Plataformas utilizadas
TikTok
Descubrimiento de videos, creadores y productos en tendencia