Inmersión técnica en tgadsspy: clasificador y pipeline de ingestión de datos

Propósito y audiencia#

Este documento es una inmersión técnica en cómo Telegram Ads Spy recopila, clasifica y sirve datos de anuncios de Telegram. Complementa la visión general en /about con detalles a nivel de implementación. La audiencia principal: desarrolladores que construyen sobre la API pública, investigadores que necesitan entender la procedencia de los datos para citarlos, y equipos de cumplimiento que evalúan la metodología OSINT del sistema.

---

1. Fuente de datos#

Todos los datos publicitarios en Telegram Ads Spy provienen de una única fuente: nuestro pipeline automatizado de recopilación. Nuestra capa de recopilación funciona sobre la API de Telegram y devuelve datos estructurados. Telegram Ads Spy depende exclusivamente de este pipeline — sin scraping.

Qué recopilamos#

• Mensajes patrocinados en los canales monitoreados: texto, botón CTA y su enlace, medios y destino del anunciante. Los enlaces originales de los medios caducan en 1 hora, por lo que los replicamos en almacenamiento permanente.
• Metadatos del canal: título, username, descripción, número de miembros y avatar.
• Búsqueda de canales, usada para el descubrimiento (con 47 consultas semilla rotativas) y cuando un usuario envía un enlace t.me.
• Recomendaciones de canales similares de Telegram, usadas para ampliar el pool de canales.

---

2. Pool de canales y niveles#

El pipeline de ingestión opera sobre un pool de ~9.000+ canales. Los canales se clasifican por número de miembros, lo que determina la frecuencia de ingestión:

Nivel	Número de miembros	Intervalo de ingestión
S (Super)	1M+	30 minutos
A	100k–1M	2 horas
B	10k–100k	8 horas
C	1k–10k	72 horas
Placeholder	Desconocido	No ingesta

---

3. Deduplicación de creativos#

Cuando el cron de ingestión recibe creativos, la deduplicación ocurre antes de cualquier almacenamiento:

huella del creativo = sha256(title + text + ctaUrl + ctaLabel + accentColor)

Un creativo se considera nuevo solo si su huella no se ha visto antes. Esto significa:

• El mismo anuncio en 100 canales produce un registro AdCreative (no 100)
• Cada aparición en un canal produce un registro SponsoredImpression
• Las variaciones menores (diferente accentColor con el mismo texto) se tratan como creativos distintos — intencional, ya que las variantes de color se usan en pruebas A/B

---

4. Clasificación de nichos#

Cada AdCreative se clasifica en uno o más nichos. El clasificador es un sistema de detección de palabras clave ponderadas más detección de marcas implementado en lib/niche.ts.

Arquitectura#

Paso 1: Detección de marcas Una consulta contra un diccionario de ~400 marcas conocidas de anunciantes, mapeadas a su nicho principal. Ejemplos:

• binance → crypto
• 1xbet → gambling
• exness → forex

Las coincidencias de marcas tienen peso alto (w=10) y dominan la clasificación cuando están presentes.

Paso 2: Puntuación de palabras clave Para cada nicho, se evalúan patrones regex contra el texto del creativo. Los patrones están diseñados para evitar falsos positivos mediante especificidad, reglas de negación y variantes de idioma.

Taxonomía de nichos#

Nichos actuales de nivel superior (abril 2026):

crypto, trading, forex, fintech, gambling, betting, vpn, dating, news, education, gaming, retail, tech, bots, adult, signals, remittance, ai, other

---

5. Clasificación geográfica#

El clasificador geográfico es una cascada de 3 pasos:

Paso 1: Análisis del TLD de la URL CTA El TLD de la URL CTA se analiza: .ru → RU, .com.br → BR, etc.

Paso 2: Detección de idioma en el texto del creativo Si el Paso 1 es ambiguo, se detecta el idioma: árabe → AR, cirílico → RU/CIS, devanagari → HI, hangul → KR, etc.

Paso 3: Agregación geo a nivel de canal El canal en el que apareció el creativo tiene su propia señal geo. Cuando un creativo aparece predominantemente en canales de idioma ruso, hereda esa geo.

---

6. Mirror de medios#

Los enlaces temporales originales de los medios caducan en 1 hora. El cron Telegram Ads Spy-media-mirror (cada 5 minutos) procesa creativos con medios no espejados:

1. Fetch: HTTP GET a la URL temporal del medio
2. Hash: SHA-256 del contenido binario sin procesar
3. Almacenamiento: Escribe en /var/www/tgadsspy-media/<prefijo>/<sha256-hex>.<ext>
4. Actualización: AdCreative.mediaUrl se actualiza a /m/<prefijo>/<sha256-hex>.<ext>

La caché de nginx sirve rutas /m/ con Cache-Control: public, immutable, max-age=31536000.

---

7. Extracción de anunciantes#

La identidad del anunciante se deriva de la URL CTA:

• Anunciante de dominio: si ctaUrl es una URL externa, el dominio registrado se convierte en un registro Advertiser con type: domain
• Anunciante de Telegram: si ctaUrl es una URL t.me/<username>, el nombre de usuario se convierte en un registro Advertiser con type: telegram

---

8. Caché de agregación#

Dos claves Redis se pre-calientan cada minuto:

Telegram Ads Spy:home:agg (TTL 120s) Contiene: recuento total de creativos, anunciantes, canales, nichos principales, 20 creativos recientes, estadísticas del día.

Telegram Ads Spy:pool:stats (TTL 600s) Contiene: recuento de canales por nivel, recuento elegible para patrocinio, países representados.

---

9. Spider BFS discover-similar#

Telegram Ads Spy ejecuta un spider BFS continuo usando el grafo de "canales similares" de Telegram:

• Selección de ancla: Channel.lastSimilarCheckAt IS NULL OR < NOW()-1h
• Tamaño del lote: 30 canales por tick (cada minuto en proceso)
• Cooldown de ancla: 1 hora para evitar re-spidear el mismo canal

---

10. Completitud de datos y brechas conocidas#

Cobertura estimada: Para mensajes patrocinados del gabinete EUR, la cobertura se estima en 65–75% de todos los creativos únicos del período.

Brechas conocidas: publicidad en grupos, mensajes de bot a usuario, resultados de bot inline, canales muy nuevos, canales con < 1k suscriptores.

---

11. Licencia de datos y citación#

Todos los datos están bajo CC-BY-4.0:

Fuente: tgadsspy.com · tgadsspy.com/blog/tgadsspy-classifier-pipeline-technical-deep-dive · CC-BY-4.0

tgadsspy research (2026). Inmersión técnica en tgadsspy: clasificador y pipeline de ingestión de datos. tgadsspy.com. Retrieved from https://tgadsspy.com/blog/es-tgadsspy-inmersion-tecnica-clasificador-pipeline-2026