Metodología

Principio general

Todas las fuentes son públicas. No accedemos a APIs propietarias, no compramos datos cerrados de terceros, no rascamos información detrás de paywall. La cobertura es exactamente lo que existe accesible al público en internet costarricense — más una capa de archivo histórico que la web abierta no preserva.

La metodología completa de cada scraper es interna por seguridad operacional. La cadencia está resumida abajo.

Cómo servimos los datos

Nuestra API no expone endpoints de datos crudos. Todos los endpoints entregan productos derivados por nuestra capa de razonamiento (LLM) sobre el archivo: agregados por segmento, comparativos entre fuentes, análisis de mercado, y respuestas conversacionales.

Deliberadamente no queremos ser un espejo del listado original. Si necesitás el listado tal cual está en la fuente, andá a la fuente — está pública. Lo que agregamos es el archivo histórico (cobertura temporal que la web abierta no preserva), la deduplicación cross-source, y la capa analítica encima.

Para investigaciones que necesitan más profundidad que la API — tesis de inversión, due diligence, comités de riesgo — Corpus es nuestro producto de análisis histórico a medida. Anclamos la investigación a la tesis del cliente, interpretamos patrones sobre el archivo con nuestra capa de razonamiento (LLM), y entregamos un informe estructurado con hallazgos. El deliverable no es el archivo crudo; es la investigación derivada.

Frecuencia de actualización

Salvaguardas de calidad

Reglas explícitas que aplicamos sobre cada ingesta. Auditables.

• Deduplicación cross-source

  Cada listado de autos pasa por un canonicalizador que compara VIN, año, marca, modelo, kilometraje y precio entre fuentes. Los duplicados quedan agrupados bajo un canonical_listing_id; la vista expone offers[] con la atribución por fuente.

• Marca de removido (removed_at)

  Cuando una fuente deja de listar una fila previamente vista, anotamos removed_at en lugar de borrar. Distribuciones de días-en-mercado y curvas de inventario son derivables sin reescribir historia.

• Detección de schema drift

  Cada scraper compara su payload contra un schema esperado por fuente. Cambios en estructura disparan una alerta antes de contaminar el archivo. Runbook completo en audit_data_quality (Phase 1.9 interno).

• Atribución por fila

  Cada fila del dashboard carga source_name + retrieved_at. Defendible ante auditorías sin pre-procesamiento posterior.

• Validación de URL en boundaries

  URLs externas (fotos de listados, links de fuentes) pasan por safeHttpsUrl() antes de aparecer en JSON-LD o og:image. Mitiga SSRF y prompt-injection vía data envenenada.