Anti-spam por evidencia
Severidad: Importante
Audiencia: operadores y desarrolladores. Aplica al evaluar / configurar los filtros anti-spam del aprendizaje IA.
El problema
Antes de pasar queries sin resultados al modelo IA, hay que filtrar el spam para no quemar tokens en basura. La tentacion es copiar filtros agresivos de tutoriales (ratio alfa-numerico bajo, pocas vocales, caracteres especiales).
En catalogos con terminos tecnicos, esos filtros generan falsos positivos masivos: los codigos INCI (btms-50, coq10, olivem100, c15-19 alkane), SKUs cortos (adscg0727), abreviaturas tecnicas son busquedas legitimas.
Si filtras por "ratio alfa-num bajo" descartas el catalogo entero de cosmetica DIY.
La regla
TIP
El anti-spam debe basarse en evidencia del corpus real de tu tienda, no en heuristicas genericas. Calibrar los filtros contra un muestreo de 1.000+ queries reales antes de activarlos en produccion. Mantener una politica conservadora: en caso de duda, no filtrar (mejor gastar un token de IA que perder una intencion legitima).
Reglas conservadoras validas para casi cualquier tienda:
too_short: longitud < 3 caracteres.too_long: longitud > umbral configurable (default 20).no_latin_alpha: 0 letras latinas (cirilico, otros alfabetos).char_repeated: 5+ caracteres identicos seguidos.html_or_url: tags HTML o URLs.sql_signature: patrones de inyeccion SQL.
NO usar:
- Ratio alfa-numerico (rompe INCI/SKU).
- Recuento de vocales (rompe abreviaturas tecnicas).
- Diccionario de un idioma (rompe nombres internacionales).
Por que
- Tu firewall / WAF ya filtra antes: la mayoria del spam real se bloquea a nivel de red (fail2ban, Cloudflare, honeypots). Lo que llega al log de busquedas es mayoritariamente trafico legitimo. Filtros agresivos generan falsos positivos sin ganar nada.
- Los catalogos tecnicos tienen lexico especial: clientes que buscan
olivem1000oc15-19alkanesaben lo que quieren. Filtrarlos = perder ventas. - Coste IA bajo: un token de IA cuesta una fraccion de centimo. Es mucho mas barato pasar al modelo 100 queries dudosas (de las que descartara el 90% como ruido) que rechazar una sola intencion legitima del cliente.
- Auditable: cada query rechazada queda registrada con razon especifica. El operador puede revisar falsos positivos y subir el umbral si es necesario.
Ejemplo del corpus real
Muestreo sobre 6.981 queries unicas sin resultados de una tienda de cosmetica DIY:
| Filtro | Filtradas | % del total | Falsos positivos |
|---|---|---|---|
too_short (❤️) | 23 | 0.33% | 0 |
too_long (>20) | 102 | 1.46% | 0 (recetas) |
no_latin_alpha | 4 | 0.06% | 0 (caracteres asiaticos) |
char_repeated | 8 | 0.11% | 0 (aaaaa, 00000) |
html_or_url | 12 | 0.17% | 0 |
sql_signature | 8 | 0.11% | 0 |
| Total filtrado | 157 | 2.25% | 0 preocupantes |
Solo el 2.25% del corpus se filtra. Los firewalls de red ya hacen el grueso del trabajo. Filtros mas agresivos darian falsos positivos sin valor anadido.
Para merchants
Mibizum solo filtra como spam lo que es objetivamente basura: busquedas muy cortas, muy largas, sin letras, con HTML pegado, intentos de inyeccion. En caso de duda, deja pasar la busqueda al aprendizaje IA: es muy barato analizar una busqueda de mas, pero es caro perder una intencion real del cliente.
Si en tu tienda tienes terminos tecnicos legitimos (codigos INCI, SKUs, abreviaturas), no te preocupes: el anti-spam no los filtra. Si alguna busqueda legitima quedara filtrada por error, la veras en el registro de actividad como descartada y podras revisar los umbrales en Ajustes > Smart.
Anti-patrones
DANGER
No copies filtros anti-spam de tutoriales sin validar. Los tutoriales genericos asumen tiendas convencionales sin lexico tecnico. En tiendas especializadas, esos filtros son ruina.
DANGER
No filtres por ratio alfa-num bajo. Caso real probado: filtraria btms-50, olivem100, coq10, c15-19 alkane, adscg0727. Todas son busquedas legitimas frecuentes.
DANGER
No uses diccionario de un solo idioma para filtrar "palabras no diccionario". Falla con nombres tecnicos (niacinamide, sodium hyaluronate), marcas (maese, mibizum), codigos.
DANGER
No confies en "lo que parece basura". Lo que a un humano le parece basura a primera vista puede ser un codigo legitimo. Calibrar contra evidencia, no contra intuicion.