Cómo usar análisis para detectar fraude en referidos

El fraude en referidos puede ser un problema grave para las tiendas online, especialmente en Argentina, donde los descuentos y promociones son fundamentales para competir. Este tipo de fraude ocurre cuando las personas manipulan los programas de "amigo invita amigo" para obtener beneficios como descuentos o productos gratis, sin generar clientes reales. Esto afecta no solo las finanzas, sino también las métricas de adquisición y la confianza de los clientes legítimos.

¿Cómo identificarlo?

• Cuentas falsas y auto-referidos: múltiples cuentas creadas desde la misma IP o dispositivo, con datos similares.
• Loops de referidos: redes organizadas de personas que se refieren entre sí para maximizar beneficios.
• Abuso de cupones: uso indebido de códigos promocionales o combinaciones no autorizadas.

Soluciones clave:

1. Analizar datos: Detectar patrones sospechosos como IPs compartidas, dispositivos duplicados o picos de actividad inusuales.
2. Definir reglas claras: Limitar referidos por cuenta, IP o dispositivo y establecer compras mínimas para validar beneficios.
3. Usar herramientas integradas: Sistemas como Burbuxa ayudan a centralizar datos de clientes, pedidos y referidos en tiempo real.
4. Investigar alertas: Revisar manualmente casos sospechosos y confirmar datos con los clientes.

Proteger los programas de referidos requiere monitoreo constante, integración de datos y ajustes en las políticas para evitar abusos sin perjudicar a los clientes genuinos.

Patrones comunes de fraude en programas de referidos

Identificar patrones de fraude en programas de referidos es esencial para evitar pérdidas y proteger la integridad del sistema. En Argentina, los esquemas de "traé a un amigo" que ofrecen descuentos, envíos gratis o cashback son muy populares. Sin embargo, la alta inflación convierte cualquier beneficio fijo (como ARS $5.000 de descuento) en un blanco atractivo para quienes buscan aprovecharse del sistema. A continuación, exploramos tres patrones de fraude recurrentes y cómo detectarlos mediante el análisis de datos.

Cuentas falsas y auto-referidos

Uno de los fraudes más comunes consiste en la creación de múltiples cuentas para auto-referirse y así obtener beneficios como descuentos para "nuevos clientes". Esto implica registrar varias cuentas con diferentes correos electrónicos, números de teléfono o perfiles, repitiendo la compra mínima requerida para acumular descuentos.

Las señales de alerta en los datos incluyen:

• IPs compartidas: múltiples registros de "nuevos clientes" desde la misma dirección IP en un corto período.
• Correos temporales o similares: uso de servicios como tempmail.com o variaciones mínimas de un mismo nombre (por ejemplo, juan.perez@, juanperez1@, juan_perez@).
• Dispositivos duplicados: varias cuentas vinculadas al mismo dispositivo móvil o navegador.
• Direcciones de envío repetidas: múltiples cuentas que comparten la misma dirección o variaciones muy similares.
• Métodos de pago coincidentes: tarjetas o cuentas bancarias asociadas a varios perfiles que supuestamente son independientes.

Distinguir entre referidos legítimos, como los realizados dentro de una familia, y auto-referidos fraudulentos puede ser desafiante. Los clientes reales suelen mostrar patrones de compra variados, interactuar con el soporte y realizar pedidos recurrentes. En cambio, los auto-referidos suelen limitarse a una única compra mínima, no responden a mensajes posteriores y desaparecen tras obtener el beneficio.

En algunos casos, el fraude escala a redes más organizadas.

Loops de referidos y redes organizadas

Un tipo de fraude más sofisticado involucra grupos organizados que se refieren entre sí de manera circular o en estructuras tipo "telaraña" para maximizar recompensas sin generar ventas reales. Estas prácticas suelen coordinarse a través de grupos en Telegram, WhatsApp u otras plataformas.

Indicadores clave en los datos incluyen:

• Grafos de referidos cerrados: ciclos repetitivos en los que los mismos nombres o emails aparecen como referidor y referido (por ejemplo, A refiere a B, B refiere a C y C refiere a A).
• Datos compartidos entre referidos: como teléfonos alternativos, IPs o ubicaciones de registro.
• Picos inusuales de actividad: aumentos repentinos en registros o redenciones desde la misma ciudad o proveedor de internet.
• Baja retención: referidos que no vuelven a comprar después de usar el descuento inicial.
• Concentración de recompensas: pocos referidores acumulando la mayoría de los beneficios, mientras que sus referidos interactúan mínimamente con la marca tras la primera compra.

Incluso sin herramientas avanzadas, es posible detectar estos patrones mediante análisis básicos de red. Por ejemplo, listar pares "referidor → referido" en una hoja de cálculo y buscar nombres que aparezcan repetidamente en ambos roles, o agrupar por dirección de envío para identificar ubicaciones compartidas por múltiples "nuevos clientes".

Otro problema frecuente es el abuso de cupones promocionales.

Abuso de cupones y mal uso de promociones

El abuso de cupones de primera compra es otro patrón común. Esto incluye el uso de identidades ligeramente modificadas, la prueba sistemática de códigos hasta encontrar combinaciones que aumenten los beneficios, o incluso la reventa de códigos y links de referido en grupos de Facebook, Telegram o foros especializados. En un país como Argentina, donde las ofertas son altamente valoradas, este tipo de fraude puede escalar rápidamente si no se controla.

Señales de advertencia:

• Tasas de canje inusuales: cupones que se redimen mucho más de lo habitual, especialmente tras ser compartidos en grupos de descuentos.
• Canjes desde las mismas IPs o dispositivos: distintos clientes que usan diferentes códigos pero comparten la misma infraestructura técnica.
• Pruebas repetidas de códigos: sesiones donde un usuario intenta varios códigos en un solo proceso de compra.
• Órdenes canceladas y rehechas: pedidos con descuento que se cancelan y recrean varias veces en un mismo día.
• Picos en registros o redenciones: incrementos repentinos impulsados por tráfico anómalo hacia la página de checkout o canales de contacto como WhatsApp.

Controlar estas métricas en pesos argentinos ayuda a medir el impacto financiero del fraude. Por ejemplo, si un cupón de ARS $3.000 se redime 200 veces durante un fin de semana en un mismo barrio de Buenos Aires, y el ticket promedio apenas supera el mínimo requerido, es probable que se trate de abuso coordinado. Establecer límites como un máximo de canjes por IP, restricciones en la combinación de códigos o validaciones adicionales, como el número de teléfono, puede reducir el fraude sin perjudicar la experiencia de los clientes genuinos.

Configuración de datos para la detección de fraude

Antes de empezar a identificar patrones sospechosos, es indispensable construir una base de datos sólida que reúna toda la información relevante de tu programa de referidos. Sin datos bien organizados, incluso los algoritmos más avanzados pueden fallar. El secreto está en establecer reglas claras, rastrear los datos correctos y unificar toda la información de tus canales de venta.

Definición de las reglas del programa de referidos

Las reglas claras son el pilar de cualquier sistema de detección de fraude, ya que definen qué comportamientos son aceptables y cuáles deben ser investigados. Sin estas reglas, no es posible identificar anomalías.

Para empezar, asegurate de establecer criterios de elegibilidad específicos. Por ejemplo, los referidos podrían calificar solo si realizan compras mínimas de ARS 5.000,00 y si sus cuentas tienen más de 48 horas de antigüedad. Estas limitaciones ayudan a prevenir fraudes automatizados o masivos.

También es importante definir límites operativos concretos. Podés, por ejemplo, limitar a 10 referidos diarios por cuenta, restringir referidos desde la misma dirección IP y establecer topes para las recompensas acumuladas. Si detectás que un cliente en Buenos Aires genera 50 referidos en una hora desde la misma IP, tu sistema debe marcarlo automáticamente como sospechoso.

Además, documentá las condiciones de validez de las transacciones. Especificá si los clientes existentes pueden referir, si alguien puede usar su propio código, qué métodos de pago son válidos y cuánto tiempo debe permanecer activo un pedido antes de liberar la recompensa. Estas reglas no solo dificultan el fraude, sino que también simplifican la investigación cuando surgen irregularidades.

Con estas reglas claras, el siguiente paso es asegurarte de capturar y conectar los datos clave.

Rastreo de puntos de datos clave

Un sistema de detección eficaz necesita recopilar información desde múltiples ángulos. La calidad de los datos que captures será directamente proporcional a la precisión de tu análisis.

En los datos transaccionales, incluí detalles como el ID del pedido, el monto (por ejemplo, ARS 15.750,50), la fecha y hora (DD/MM/YYYY HH:MM), la categoría, el método de pago y el estado. Estos datos te permiten identificar patrones como múltiples pedidos por el mismo monto o transacciones en horarios poco habituales.

La información específica de referidos debe incluir el ID del referido, el ID de la cuenta del referidor, el ID de la cuenta del cliente referido, la marca de tiempo del referido, el monto de la recompensa en ARS y su estado (pendiente, completado o rechazado). Este tipo de información conecta las transacciones con las relaciones entre las cuentas.

No olvides los datos de comportamiento del usuario, que son clave para diferenciar entre clientes legítimos y potenciales estafadores. Rastreá horarios de inicio de sesión, detalles del dispositivo (como modelo y sistema operativo), direcciones IP, ubicación geográfica (provincia y ciudad), patrones de navegación, fecha de creación de la cuenta y actividad en distintos canales. Por ejemplo, un cliente habitual de Rosario que compra desde su celular Samsung a las 20:00 tiene un perfil completamente distinto al de una cuenta creada hace dos horas que genera cinco referidos desde una IP de Córdoba a las 3:00 de la madrugada.

Finalmente, capturá datos de origen y sesión como la fuente de tráfico (directo, redes sociales, email), duración de la sesión, páginas visitadas y actividad entre canales. Estos datos te ayudan a distinguir entre referidos orgánicos y esquemas fraudulentos.

Conexión de datos entre canales

El fraude moderno rara vez se limita a un solo canal. Los estafadores suelen crear cuentas en Instagram, generar códigos de referido por WhatsApp y completar compras en tu tienda online. Si los datos de estos canales están aislados, nunca podrás identificar el patrón completo.

Integrar los datos de todos tus canales te permite detectar conexiones sospechosas en tiempo real. Por ejemplo, si una cuenta crea un perfil en Instagram, solicita un código de referido por WhatsApp y realiza una compra mínima de ARS 5.000,00 en menos de una hora, estas señales combinadas podrían indicar fraude.

Burbuxa es una herramienta que facilita esta integración al sincronizar automáticamente datos de clientes, pedidos, productos, inventario y políticas entre plataformas como Shopify, Tiendanube o VTEX y tus canales de conversación. Esto significa que si un cliente interactúa con tu marca en WhatsApp o Instagram, el sistema puede acceder instantáneamente a su historial de compras, referidos y comportamiento. No necesitás exportar datos manualmente ni esperar actualizaciones nocturnas: toda la información está disponible al momento para análisis de fraude.

Este enfoque integrado también te permite identificar esquemas más complejos que abarcan múltiples canales. Por ejemplo, si un grupo de cuentas se refieren entre sí por WhatsApp, pero todas comparten la misma dirección de envío y usan métodos de pago similares, solo un sistema que conecte estos puntos puede detectar el fraude. La sincronización en tiempo real es esencial para identificar y bloquear estas actividades de inmediato.

Métodos de análisis para detectar fraude en referidos

Una vez que tenés tus datos organizados y conectados, es hora de aplicar técnicas específicas para identificar patrones sospechosos. Podés combinar tres enfoques principales: métricas básicas, reglas automáticas y análisis de redes.

Análisis de métricas básicas

Revisá las métricas clave para identificar anomalías. Estas suelen ser la primera señal de que algo no está funcionando como debería.

Por ejemplo, compará la tasa de conversión de referidos con la de no referidos. Si los referidos tienen una conversión del 35% frente al promedio general de 3-4%, es probable que haya fraude. Por otro lado, una conversión extremadamente baja también puede ser sospechosa, como cuando se crean cuentas masivas sin intención de compra real.

Otro indicador importante es el valor promedio de orden (AOV). Si este es mucho más bajo que el promedio y está acompañado de altas tasas de reembolsos, es motivo de alerta. Prestá atención si los pedidos incluyen siempre los mismos productos de bajo costo o muestras.

La tasa de reembolsos y cancelaciones también puede ser reveladora. Por ejemplo, si un grupo de referidos tiene una tasa de devolución del 25%, mientras que el promedio general es del 5%, es una señal clara de irregularidades. Un patrón común entre estafadores es completar compras para activar recompensas y luego solicitar reembolsos.

El tiempo entre el registro y la primera compra es otro dato clave. Las cuentas legítimas suelen explorar el catálogo y tardar varias horas antes de comprar. Si detectás cuentas que se registran, aplican un código de referido y compran en menos de 10 minutos - especialmente en horarios inusuales como las 3:00 de la madrugada - , es momento de investigar.

Para detectar outliers, calculá promedios y desviaciones, y visualizá los datos en gráficos de dispersión, como conversión versus AOV. Esto puede ayudarte a identificar clusters atípicos que requieran revisión manual.

Estas métricas iniciales son la base para implementar reglas automáticas que identifiquen comportamientos de alto riesgo.

Detección basada en reglas

Las reglas automáticas son esenciales para marcar actividades sospechosas en tiempo real. Estas condiciones específicas pueden activar alertas o bloquear acciones antes de que el fraude escale.

Un ejemplo básico es limitar la creación de múltiples cuentas. Si detectás más de 5 registros desde la misma IP o dispositivo en 24 horas usando códigos de referido, deberías activar una alerta.

Otro patrón común son las autocompras. Configurá reglas que detecten si el referidor y el referido comparten datos como tarjeta de crédito, CBU, dirección o número de WhatsApp. Por ejemplo, si una cuenta en Rosario refiere a otra que usa el mismo método de pago y dirección, podés bloquear la recompensa hasta verificar manualmente.

También es importante establecer límites para evitar el abuso de cupones. Podrías, por ejemplo, restringir el uso de un mismo cupón a un máximo de 3 veces por IP en 48 horas, o asegurarte de que no más del 80% de los pedidos de un referidor provengan de una misma dirección de envío.

Los horarios anómalos también son un indicador útil. Si un código de referido genera 40 registros entre las 2:00 y las 5:00 de la madrugada, todos desde una misma zona de Buenos Aires, deberías configurar una alerta para revisión.

Para reducir falsos positivos, comenzá con umbrales conservadores, como permitir hasta 10 cuentas por IP al día en lugar de 5, y ajustalos con base en tu historial y análisis manual. Además, considerá implementar un sistema de scoring para clasificar el nivel de riesgo.

Plataformas como Burbuxa pueden ayudarte a sincronizar datos de clientes, pedidos y conversaciones en WhatsApp e Instagram con tu tienda. Esto te permite cruzar información de múltiples canales y detectar comportamientos sospechosos, como cuando una cuenta solicita un código de referido por WhatsApp, crea un perfil en Instagram y completa una compra mínima en menos de una hora desde el mismo dispositivo.

Si las métricas y las reglas no son suficientes, el análisis de redes puede descubrir conexiones ocultas entre cuentas.

Análisis de redes y vínculos

El fraude más sofisticado rara vez involucra cuentas aisladas. Los estafadores suelen operar redes de cuentas conectadas que se refieren entre sí para maximizar las recompensas. El análisis de redes te permite visualizar estas relaciones ocultas.

Podés construir un grafo donde cada nodo represente una cuenta, IP, dispositivo o dirección, y las conexiones indiquen vínculos como el uso compartido de datos. Por ejemplo, si dos cuentas comparten el mismo dispositivo, se traza una línea entre ellas; si ambas usan la misma dirección de envío, se agrega otra conexión.

Una vez que tengas el grafo, buscá clusters de nodos fuertemente conectados. Por ejemplo, si 15 cuentas comparten solo 2 direcciones IP, 3 dispositivos y 4 direcciones de envío, y además se refieren entre sí, probablemente estés frente a una red fraudulenta. Prestá especial atención a los nodos centrales o "hubs", que suelen ser referidores masivos con características sospechosas.

Podés usar herramientas de visualización de grafos o incluso una hoja de cálculo para identificar estos patrones. Una tabla simple que muestre cuántas cuentas comparten una dirección IP o domicilio puede ser suficiente para detectar irregularidades evidentes.

Cómo responder al fraude en referidos

Cuando detectes patrones sospechosos, es clave actuar rápido con un plan que proteja a los clientes legítimos, reduzca las molestias y registre cada decisión tomada. A partir de ahí, continuá con acciones concretas para mitigar el impacto del fraude.

Definir umbrales de riesgo

Dividí los casos en tres niveles de riesgo (bajo, medio y alto) según las señales detectadas. Esto permite tomar medidas proporcionales sin afectar a usuarios genuinos.

• Riesgo bajo: Entre 3 y 5 referidos al mes, con tickets en el rango habitual (AR$ 25.000–30.000), distintas direcciones y métodos de pago, sin variaciones bruscas. En estos casos, aprobá automáticamente e implementá validaciones simples como la confirmación del email o teléfono por SMS.
• Riesgo medio: Picos de 0 a 15 referidos en una semana, uso repetido de cupones con el máximo descuento, alta concentración en una misma zona, IP o dispositivo, y pedidos pequeños (AR$ 3.000–5.000) diseñados para activar cupones. Retené temporalmente las recompensas, pedí confirmación de identidad por WhatsApp, validá la dirección de entrega o el método de pago, y limitá el monto máximo de descuento por pedido o día.
• Riesgo alto: Decenas de cuentas nuevas que comparten teléfono, dirección, IP o tarjeta; pedidos concentrados justo antes del cierre de una promoción; cancelaciones o reembolsos sistemáticos tras recibir recompensas; o patrones automatizados (como 50 registros entre las 2:00 y 5:00 en una misma zona). Suspendé el código o link de referido, detené envíos si es posible, bloqueá nuevas cuentas desde esa IP o dispositivo, y documentá el caso para ajustar futuras reglas.

Estudios indican que aplicar filtros para identificar IP duplicadas, dispositivos compartidos y coincidencias en datos de pago puede reducir el fraude en un 40–60% sin afectar el volumen de referidos legítimos. Además, se estima que el fraude puede representar entre el 9% y el 15% del gasto en marketing de rendimiento si no se controla.

Definí estos umbrales basándote en datos históricos. Observá el comportamiento típico de referidos legítimos durante 1 a 3 meses y usá percentiles para identificar anomalías. Todo lo que supere el percentil 95 en número de referidos o variación de ticket puede considerarse de alto riesgo.

Investigar actividad sospechosa

Cuando se active una alerta, seguí un proceso estructurado para confirmar o descartar fraude:

1. Revisá la alerta: Analizá qué la provocó (picos de referidos, IP duplicada, montos atípicos, etc.).
2. Agrupá entidades relacionadas: Identificá cuentas vinculadas al mismo email, teléfono, IP, dispositivo, tarjeta o dirección.
3. Analizá la línea de tiempo: Observá el orden cronológico de registros y pedidos para detectar patrones automatizados, como altas en intervalos muy cortos.
4. Compará con patrones legítimos: Un influencer legítimo se distingue por su dispersión geográfica y canales de adquisición (campañas pagadas, contenido viral), a diferencia de un esquema fraudulento con datos concentrados.
5. Contactá al cliente: Usá WhatsApp o email para confirmar datos de envío, método de pago o conocimiento de la promoción. Respuestas inconsistentes refuerzan la sospecha.

Consolidá toda la información relevante:

• Datos del cliente: email, teléfono, DNI, fecha de alta, historial de cambios y canal de alta.
• Datos del pedido: fecha y hora, monto (AR$), método de pago, cuotas, direcciones de envío y facturación, transportista y estado.
• Datos del referido: código utilizado, ID del referente, orden cronológico, valor generado y canal de origen.
• Datos técnicos: IP, dispositivo, sistema operativo, navegador, fuente UTM y tiempo entre registro y primer pedido.

Enfocate en indicadores que revelen patrones rápidamente, como clusters de IP o dispositivos compartidos, repeticiones en direcciones y métodos de pago, o secuencias poco plausibles.

Herramientas como Burbuxa integran datos de productos, pedidos y conversaciones en un solo panel, lo que permite filtrar conversaciones relacionadas con un mismo código, revisar el contexto del chat y acceder al historial completo. Esto reduce el tiempo de análisis de horas a minutos.

Tomá una decisión: si confirmás fraude, cancelá recompensas irregulares, bloqueá códigos y anulá pedidos no procesados. Si el caso es dudoso pero riesgoso, mantené la revisión activa y limitá beneficios futuros. En casos de falsos positivos, marcá la operación como confiable y ajustá las reglas. Documentá cada caso para mejorar los umbrales y políticas.

Actualizar las políticas del programa

Cuando se confirme una irregularidad, ajustá las políticas para evitar futuros abusos. Actualizá los Términos y Condiciones para prohibir autorreferidos y cuentas duplicadas, establecé límites claros de recompensas por usuario o dispositivo, y aplicá restricciones técnicas como un tope de cupones por cuenta o método de pago. Comunicá estos cambios de manera transparente para reforzar la confianza en el programa.

Conclusión: usar análisis para proteger los programas de referidos

Detectar fraude en programas de referidos no es un esfuerzo puntual; es un proceso constante que combina monitoreo en tiempo real, análisis de datos históricos y reconocimiento de patrones sospechosos. La clave está en implementar un sistema que integre información de transacciones, comportamiento del usuario, dispositivos y ubicación, permitiendo identificar irregularidades antes de que se conviertan en un problema mayor.

La analítica permite transformar datos anómalos en acciones concretas que protegen los ingresos sin perjudicar a los clientes legítimos. Esto implica establecer umbrales de riesgo claros, investigar con datos consolidados y actualizar políticas con total transparencia. Estas prácticas son esenciales para mantener la confianza de los usuarios en el programa.

Un enfoque integral refuerza la necesidad de contar con herramientas especializadas. Conectar el sistema de referidos con la plataforma de e-commerce, el CRM, los procesadores de pago y las herramientas de soporte proporciona una visión completa del cliente. Esto facilita la detección de patrones que podrían pasar desapercibidos en sistemas aislados. Por ejemplo, Burbuxa integra datos de múltiples canales, acelerando la identificación de actividades sospechosas. Sus agentes de IA no solo detectan señales de fraude en tiempo real, sino que también responden a consultas, todo sin afectar la experiencia de los usuarios genuinos.

Como se destacó a lo largo del artículo, la detección y respuesta al fraude exigen sistemas flexibles y una integración completa de datos. Ajustar continuamente las estrategias basándose en métricas clave y datos históricos es fundamental para proteger el programa sin generar fricciones innecesarias. El objetivo no es solo bloquear a los actores malintencionados, sino también garantizar que los clientes reales sean recompensados de manera segura y eficiente.

FAQs

¿Qué señales de fraude en programas de referidos debería monitorear una tienda online?

Existen algunas señales que podrían alertar sobre posibles fraudes en programas de referidos. Entre las más frecuentes se encuentran:

• Cuentas duplicadas o falsas: Personas que crean varias cuentas con el objetivo de obtener beneficios indebidos del programa.
• Patrones de actividad poco comunes: Un volumen elevado de referidos generados en un período muy corto de tiempo.
• Datos inconsistentes: Información como direcciones de envío o datos de contacto que no coinciden o parecen inventados.

Detectar estas señales a tiempo y apoyarse en herramientas de análisis para identificar comportamientos sospechosos es fundamental para proteger tu programa y garantizar su credibilidad.

¿Cómo puede una tienda online en Argentina identificar y prevenir fraudes en programas de referidos sin perjudicar la experiencia de los clientes legítimos?

Las tiendas online en Argentina pueden proteger sus programas de referidos analizando patrones de comportamiento como la frecuencia de referidos, montos de compra y la velocidad con la que se realizan los registros. Estos datos permiten identificar posibles irregularidades sin afectar a los usuarios genuinos. Un paso clave es establecer umbrales de riesgo basados en datos históricos y segmentar a los usuarios según su nivel de riesgo.

Para optimizar este proceso, herramientas automatizadas con aprendizaje continuo, como las que ofrece Burbuxa, son una excelente opción. Estas soluciones permiten detectar anomalías en tiempo real y reducir los falsos positivos. Además, combinar estas herramientas con reglas de escalamiento y verificaciones manuales en casos específicos asegura un equilibrio entre la seguridad y una buena experiencia para el cliente.

¿Cómo contribuyen herramientas como Burbuxa a detectar y prevenir fraudes en programas de referidos?

Herramientas como Burbuxa juegan un papel crucial en la detección y prevención de fraudes en programas de referidos. Gracias a su capacidad de análisis avanzado, pueden identificar patrones sospechosos en las interacciones, monitorear actividades en tiempo real y detectar comportamientos que podrían ser indicativos de fraude.

Estas plataformas también automatizan la generación de alertas y se perfeccionan constantemente al aprender de los datos recopilados. Esto les permite a las marcas reaccionar de manera ágil y proteger la confiabilidad de sus programas de referidos.