Antes de tocar cualquier umbral conviene saber qué se está midiendo. En HuellaSintética cada revisión empieza por una descripción escrita del escenario: qué sesiones se quieren distinguir, qué rasgos de comportamiento y de dispositivo están disponibles, y qué métricas de red se pueden registrar sin alterar el servicio. Ese documento se comparte con el equipo solicitante y se ajusta hasta que ambas partes leen lo mismo.
Documentamos cada etapa por escrito y compartimos las notas con el equipo solicitante. No publicamos tasas de detección, plazos ni resultados garantizados: lo que se entrega es el registro del proceso, las decisiones tomadas y los puntos que quedaron abiertos. Para consultas editoriales o de proyecto, escribí a contact@hhsuppliesco.com o llamá al +54 11 5375-2850.
Antes de empezar conviene dejar por escrito qué señales entran en el estudio, cuáles no y qué decisiones dependen de tu equipo. Esta página resume ese perímetro para que no haya sorpresas a mitad de camino.
El trabajo se centra en dos familias de señal que se analizan juntas: la biometría de comportamiento, que observa cómo se escribe, cómo se mueve el cursor y con qué ritmo se completa un formulario, y la huella de dispositivo, que reúne rasgos de hardware, sistema operativo, navegador y configuración de red. A partir de ahí se construyen modelos de huella, se calibran umbrales y se revisa cómo se comportan las métricas de red frente a sesiones automatizadas.
Lo que no forma parte del alcance también importa. No entregamos un panel, no habilitamos cuentas ni accesos, no ofrecemos pruebas gratuitas ni demostraciones en vivo, y no prometemos tasas de detección ni plazos de respuesta. Tampoco sustituimos la decisión de negocio: definir cuándo bloquear, cuándo pedir una verificación adicional y cuándo dejar pasar una operación sigue siendo responsabilidad del equipo que opera el servicio.
Hay puntos que cambian el enfoque y que solo tu equipo puede responder: qué tipo de organización solicita el análisis, qué volumen mensual de transacciones maneja, qué escenario de fraude quiere observar y qué restricciones de privacidad aplican sobre los datos que se van a procesar. También ayuda saber si hay proxies corporativos, redes móviles inestables o hardware poco común en la base de usuarios, porque esos factores afectan directamente a la calibración de umbrales y al margen de falsos positivos aceptable.
Si quieres precisar el perímetro antes de avanzar, puedes escribir a contact@hhsuppliesco.com o llamar al +54 11 5375-2850. La dirección postal del proyecto es Av. Corrientes 1235, Piso 18, Oficina 1802, Edificio Corrientes Plaza, Ciudad Autónoma de Buenos Aires, Argentina.
En esta página reunimos las familias de señal que estudiamos cuando un equipo de riesgo quiere entender por qué una sesión parece legítima o no. No son productos cerrados ni módulos que se activen con un botón: son capas de análisis que se combinan, se calibran y se revisan con el tiempo. Cada una aporta un ángulo distinto del mismo episodio.
Observa cómo se escribe, cómo se mueve el cursor y con qué ritmo se completa un formulario. La cadencia, las pausas y las correcciones dibujan un patrón que resulta difícil de imitar sin perder naturalidad. Sirve para distinguir una persona real de un guion automatizado que solo rellena campos.
Reúne rasgos de hardware, sistema operativo, navegador y configuración de red. Ninguno de esos rasgos aislados identifica a nadie; combinados forman un vector estable que se puede comparar entre sesiones. El trabajo fino está en tolerar cambios legítimos, como una actualización del sistema o un equipo nuevo.
Latencia, negociación TLS, orden de las peticiones y reutilización de conexiones. Muchos ataques automatizados se delatan aquí antes de tocar la interfaz visible. La dificultad aparece en redes móviles o con proxies corporativos, donde la variabilidad natural se parece demasiado a una anomalía.
Cuando las señales humanas y técnicas se cruzan, el margen del atacante se estrecha: no basta con imitar a una persona, también hay que reproducir un entorno coherente. Aquí se decide qué peso tiene cada capa y cómo se resuelven los desacuerdos entre ellas.
Un detector demasiado agresivo expulsa a clientes reales. Revisamos dónde se concentran los falsos positivos, cómo se separa la decisión de bloquear de la de pedir una verificación adicional y por qué los casos límite siguen necesitando revisión humana.
Los navegadores cambian, aparecen dispositivos nuevos y la precisión cae en silencio si el modelo no se actualiza. Describimos cómo se detecta la deriva, qué papel cumplen las muestras etiquetadas y por qué conviene versionar cada modelo con su conjunto de validación.
Estas capas se estudian como componentes de un mismo análisis, no como servicios contratables por separado. Si tu equipo necesita entender qué señales conviene mirar en un escenario concreto, podés escribirnos y lo revisamos juntos.
Antes de plantear un análisis conviene aclarar qué se puede medir, qué hace falta preparar y dónde están los límites. Estas respuestas resumen las dudas más habituales sobre las capas de señal que se estudian en el proyecto.
Se trabaja con dos familias que se complementan. Por un lado, la biometría de comportamiento: cómo se escribe, cómo se desplaza el cursor y con qué ritmo se completa un formulario. Por otro, la huella de dispositivo: rasgos de hardware, sistema operativo, navegador y configuración de red. Cada capa por separado deja huecos; el cruce de ambas es lo que aporta contexto.
Lo útil es contar con una muestra de sesiones reales, tanto legítimas como sospechosas, y con una descripción del escenario de fraude que se quiere estudiar. No hace falta infraestructura especial: basta con poder exportar los eventos de interacción y los metadatos técnicos de cada sesión en un formato consistente.
Depende del volumen y de la calidad de los datos disponibles. La recolección y normalización de señales suele ser la etapa más larga, porque cada fuente tiene su propio formato y su propio ruido. La calibración de umbrales viene después y requiere revisar resultados con casos conocidos antes de sacar conclusiones.
Ningún modelo distingue con certeza absoluta. Los falsos positivos aparecen sobre todo en hardware poco común, redes corporativas y conexiones móviles inestables. También existe deriva de datos: los navegadores y los dispositivos cambian, y un modelo sin reentrenamiento pierde precisión de forma silenciosa.
Se distingue entre señales efímeras, que pueden procesarse en memoria, y rasgos que requieren conservación. Cada decisión sobre qué se guarda y por cuánto tiempo conviene documentarla, porque cuanto más se retiene, más fácil es reidentificar a una persona. La minimización no es un detalle accesorio: condiciona el diseño completo.
El objetivo es entender qué mide cada técnica y cómo se combinan, no obtener una tasa de detección garantizada. Los resultados se leen como indicios que se suman, y en los casos límite la revisión humana sigue siendo necesaria. Si querés profundizar en el enfoque, podés consultar la sección de soporte y recursos o escribirnos desde la página de contacto.
Usamos cookies propias y de terceros para recordar tus preferencias y medir el funcionamiento del sitio. Puedes aceptarlas o rechazar las que no sean necesarias. Más información en nuestra política de privacidad.