Elena Petrova
Ciencia de Datos
Elena escribe estudios de datos y benchmarks, y sobre la calidad de los datos recopilados: cómo medirla, depurarla y crear datasets que se sostengan.
Escribe sobre
- Estudios de datos y benchmarks
- Calidad de los datos
- Creación de datasets
Artículos de Elena Petrova
-
10 de noviembre de 2026 · Conocimiento
Los archivos web como fuente de datos: qué puede y qué no puede decirte la Wayback Machine
La Wayback Machine almacena más de un billón de capturas. Cómo consultarla, dónde fallan su cobertura y calidad, y por qué cada vez más sitios la excluyen.
-
6 de noviembre de 2026 · Conocimiento
Common Crawl: cuándo basta con un rastreo gratuito y cuándo necesitas el tuyo propio
Common Crawl publica miles de millones de páginas al mes de forma gratuita. Qué contiene, qué deja fuera, cómo comprobar si tus fuentes están incluidas y cuándo conviene rastrear por tu cuenta.
-
5 de noviembre de 2026 · Conocimiento
Mismo producto, distinto precio: discriminación geográfica de precios en 20 países
Comparamos los precios de lista de 10 juegos en 20 países en un mismo día. El mismo juego llegó a costar hasta 4,1 veces más en un mercado. Los datos, el método y las trampas.
-
3 de noviembre de 2026 · Conocimiento
Wikipedia insta a las empresas de IA a usar su API de pago y dejar de hacer scraping
Wikipedia pidió a las empresas de IA que dieran atribución y usaran Wikimedia Enterprise, y después endureció sus límites. Qué ha cambiado y las vías adecuadas para acceder a los datos.
-
31 de octubre de 2026 · Conocimiento
Los sitios web más scrapeados en 2026: una instantánea de 30 días del web scraping
¿Qué sitios web se scrapean más en 2026? Analizamos 30 días de datos públicos de uso de 8.186 scrapers listos para usar y 239,8 millones de ejecuciones, y clasificamos los objetivos por demanda y tasa de éxito.
-
29 de octubre de 2026 · Conocimiento
Cómo recopilar datos web multilingües y regionales para LLM
Cómo recopilar datos web multilingües y regionales para entrenar LLM: planificar la cobertura por idioma, encontrar fuentes locales, obtener la versión local correcta, identificar idiomas, filtrar por idioma y equilibrar la mezcla.
-
26 de octubre de 2026 · Conocimiento
Marketplaces y licencias de datos de entrenamiento para IA: cuándo comprar y cuándo recopilar
Cómo funcionan los marketplaces de datos de entrenamiento para IA y los acuerdos de licencia, cuánto te cuestan realmente los datos con licencia y un marco práctico para decidir cuándo comprar un conjunto de datos y cuándo recopilarlo tú mismo.
-
24 de octubre de 2026 · Conocimiento
Procedencia en el pipeline de entrenamiento de IA: cómo demostrar de dónde proviene tu conjunto de datos
Qué significa en la práctica la procedencia de los datos de entrenamiento de IA: el registro que hay que mantener para cada documento, qué pide el resumen de la Ley de IA de la UE y cómo llevarlo a cabo.
-
19 de octubre de 2026 · Scraping
Economía de los reintentos: el número de intento en el que reintentar deja de compensar
Cada reintento tiene menos probabilidades de éxito que el anterior. Cómo medir en qué punto reintentar deja de compensar, usando tus propios logs y unas líneas de Python.
-
15 de octubre de 2026 · Proxies residenciales
Diversidad de ASN en pools de proxies residenciales: cómo medirla
Un script gratuito en Python para medir la diversidad de ASN en un pool de proxies: cuota de la red principal, HHI y ASN efectivos, además de lo que descubrió nuestro benchmark de 17 redes.
-
11 de octubre de 2026 · Conocimiento
¿Los CAPTCHAs detienen a los bots o solo los ralentizan? Midiendo la disuasión frente a la tasa de resolución
Lo que dos décadas de investigación dicen sobre los CAPTCHAs: cuánto tiempo les cuestan a los humanos, con qué frecuencia los resuelven los bots y los agentes de IA, y por qué ahora funcionan como un coste.
-
8 de octubre de 2026 · Scraping
Eficiencia del payload: qué porcentaje de una página scrapeada es contenido superfluo que pagaste
Medimos 278 páginas de contenido de los 1.000 sitios principales. El texto que realmente quieres supone alrededor del 1% del HTML y una fracción mínima de lo que descarga un navegador.
-
7 de octubre de 2026 · Proxies residenciales
Shifter tiene ahora el mayor pool de IP residenciales activas de EE. UU.
Volvimos a probar Shifter en nuestro benchmark de proxies residenciales: 212.212 IP activas de EE. UU. en 250.000 solicitudes, el mayor pool activo de EE. UU. de las 17 redes que medimos.
-
7 de septiembre de 2026 · Casos de uso
Cómo monitorizar precios y disponibilidad en Amazon.es, AliExpress y Temu
Amazon.es, AliExpress y Temu muestran precios, plazos y stock distintos según desde dónde se consulten. Así se recoge un dato de precio fiable para el mercado español.