AI Brand Intelligence · Cirentis
AI Brand Intelligence · Metodología
Resumen metodológico para interpretar la suite con criterio analítico y encaje en marca, insights y MMM.
Qué mide esta suite: las cuatro capas
La suite observa cómo responden distintos motores generativos a un banco estructurado de preguntas de categoría. A partir de esas respuestas calcula presencia competitiva, exclusión, fuentes citadas y narrativas. Hay cuatro capas: Knowledge, Visibility, Exclusion y Prescriptive.
| Capa | Qué mide | Para qué sirve |
|---|---|---|
| Knowledge (en desarrollo) | Preguntas y necesidades que activan la categoría o la marca en motores generativos | Base para claims, contenidos y seguimiento reputacional |
| Visibility (activo) | Presencia y peso en respuestas IA: visibilidad, SoV, recomendación, sentimiento. Incluye la lectura por segmento (contexto de negocio) | Señal periódica de presencia competitiva; ver dónde se gana o pierde por tipo de demanda y etapa de compra |
| Exclusion (activo) | Dónde la marca no aparece en la respuesta y quién ocupa ese espacio, por segmento | Priorizar espacios de corrección comercial, contenido y autoridad. En el dashboard: pestaña Contexto de negocio → bloque Exclusión competitiva |
| Prescriptive (en desarrollo) | Acciones e hipótesis priorizadas a partir de Visibility y Exclusion, incluyendo priorizar por segmento | Traducir hallazgos en recomendaciones concretas para marca, contenido y MMM |
Controles del dashboard: Desglose por, Tipo de entidad y Segmento
En la pestaña Resumen del sector aparecen varios desplegables. Conviene distinguirlos bien:
- Desglose por: Criterio por el que se desglosan las métricas (territorio de negocio, tipo de usuario, finalidad del análisis, etapa del proceso de compra). Con «Todos los prompts» ves el total sin filtrar; al elegir un criterio (p. ej. «Etapa del proceso de compra») la serie y la tabla muestran solo las respuestas de ese criterio. En la pestaña «Contexto de negocio», cada fila es un segmento de ese criterio.
- Tipo de entidad: Filtra las marcas por tipo de actor (p. ej. retail, crédito y tarjetas). No es lo mismo que el desglose: el desglose es «por qué criterio cortamos la demanda»; el tipo de entidad es «qué marcas incluyo».
- Segmento: Dentro del desglose elegido, permite filtrar por un segmento concreto (p. ej. Precio y ahorro, Consideración). Solo tiene efecto cuando has elegido un desglose distinto de «Todos los prompts».
Share of Voice (total) vs Share of Voice (en el desglose seleccionado): El primero es la cuota de menciones sobre el total del mercado (todas las respuestas). El segundo es la misma métrica pero calculada solo dentro del criterio elegido (p. ej. solo en «Etapa del proceso de compra = consideración»). En la pestaña «Contexto de negocio», cada fila es un segmento, y ahí la métrica equivalente se llama «Share of Voice del segmento».
Cómo se construye la señal
| Paso | Descripción |
|---|---|
| 1. Banco de prompts | El sistema mantiene un banco tipado por tipo de usuario, finalidad del análisis, momento del proceso de compra y tema. |
| 2. Consulta a modelos | Se consulta de forma periódica a varios motores generativos para observar respuestas comparables en el tiempo. |
| 3. Extracción de menciones | Se identifica si la marca aparece, con qué intensidad, en qué posición y con qué tipo de recomendación. |
| 4. Agregación semanal | Se consolidan métricas de presencia, Share of Voice, exclusión y narrativas para construir una lectura estable por semana. |
| 5. Lectura por segmento | La señal se interpreta por contexto de negocio, tipo de necesidad y etapa del proceso de compra para hacerla accionable. |
Definiciones de métricas (visibilidad y sentimiento)
Métricas que tienen variación real en los datos actuales y aparecen en el selector del dashboard. Se calculan por semana, modelo y marca; en vista segmentada, dentro de cada escenario de demanda.
Métricas no mostradas en el selector: La tasa de recomendación activa (recommendation_active_rate), los tipos de mención (tipo_recomendacion_rate, tipo_comparacion_rate, tipo_advertencia_rate, tipo_neutral_rate) y las derivadas de tono (sentiment_positive_share, sentiment_negative_share, net_sentiment_score) dependen de la clasificación del extractor (recomendación/comparación/advertencia/neutral). Hoy esa clasificación no varía en los datos (casi todo sale como neutral o vacío), por lo que esas métricas son constantes o 0 y se han dejado fuera del selector. Cuando el extractor enriquezca el tono, se podrán incorporar.
| Métrica | Qué es | Cómo se calcula | Cómo leerla |
|---|---|---|---|
| Índice de visibilidad en recomendaciones ai_visibility_index | Porcentaje de observaciones en las que la marca aparece en la respuesta. | 100 × n_detectadas / n_observaciones. n_observaciones es el total de respuestas válidas observadas para la marca en la semana; n_detectadas es el número de esas respuestas en las que la marca fue detectada. | Es la métrica base de presencia. Si sube, la marca entra más veces en la shortlist que construye la IA. |
| Share of Voice (total) share_of_voice | Cuota de menciones de la marca frente al total de menciones en todas las respuestas (mismo modelo y semana). | 100 × n_menciones_marca / Σ n_menciones_todas_las_marcas. | No mide solo si apareces, sino cuánto peso textual capturas frente al resto. Es el SoV global. |
| Share of Voice en el desglose / del segmento share_of_voice_segment | La misma cuota, pero calculada solo dentro del criterio elegido (p. ej. «Etapa del proceso de compra») o de un segmento concreto en la pestaña Contexto de negocio. | 100 × n_menciones_marca_en_segmento / Σ n_menciones_todas_las_marcas_en_segmento. | Sirve para ver dónde la marca domina o pierde cuota en segmentos específicos, no solo en el total. |
| % apariciones en primera posición first_mention_rate | Frecuencia con la que la marca es la primera mencionada en la respuesta. | 100 × n_first_mentions / n_observaciones. | Funciona como indicador de prioridad mental del modelo. Es una señal más exigente que simplemente “aparecer”. |
| Posición media avg_position | Promedio de la primera posición en la que aparece la marca cuando existe una posición identificable. | sum_first_position / n_with_position. Cuanto más cerca de 1, mejor. | Ayuda a diferenciar marcas que aparecen pronto de marcas que entran al final de la lista. Aquí un valor menor es mejor. |
| Visibilidad en contexto positivo ai_visibility_index_positive | Índice de visibilidad calculado solo sobre respuestas a prompts que piden recomendaciones o valoración favorable (contexto positivo). | 100 × n_detectadas_en_prompts_positivos / n_observaciones_en_prompts_positivos. | Mide cuánto aparece la marca cuando el usuario (o el test) pregunta “quién recomiendas” o “cuál es mejor”. Valores altos indican buena presencia en contexto favorable. |
| Visibilidad en contexto negativo ai_visibility_index_negative | Índice de visibilidad calculado solo sobre respuestas a prompts que piden evitar, peor opción o críticas (contexto negativo). | 100 × n_detectadas_en_prompts_negativos / n_observaciones_en_prompts_negativos. | Mide cuánto aparece la marca cuando se pregunta “a quién evitar” o “quién es peor”. Un valor alto aquí es una señal de riesgo reputacional en IA. |
| Share of Voice (contexto positivo/negativo) share_of_voice_positive / share_of_voice_negative | Cuota de menciones dentro solo de las respuestas a prompts positivos o solo a prompts negativos. | Misma fórmula que Share of Voice, restringida a observaciones con expected_sentiment positivo o negativo. | Permite ver si la marca domina las menciones en contexto favorable o, por el contrario, en contexto crítico. |
| % tono favorable (recomendación + comparación) sentiment_positive_share | Porcentaje de observaciones en las que el tipo de mención es recomendación o comparación (tono favorable). | tipo_recomendacion_rate + tipo_comparacion_rate. | Resumen de “cuánto de tu visibilidad viene de contexto favorable” según la clasificación del extractor. |
| % respuestas con advertencia/crítica sentiment_negative_share | Porcentaje de observaciones en las que el tipo de mención es advertencia. | Coincide con tipo_advertencia_rate. | Indica qué parte de la visibilidad es en tono negativo o cautelar. Conviene mantenerlo bajo. |
| Net sentiment (tono) net_sentiment_score | Diferencia entre el porcentaje de observaciones con tono favorable y el porcentaje con advertencia. | sentiment_positive_share − sentiment_negative_share. Escala aproximada −100 a 100. | Un número positivo indica que predominan recomendación y comparación sobre advertencias; negativo indica lo contrario. |
| Net sentiment por contexto net_sentiment_context | Diferencia entre visibilidad en contexto positivo y visibilidad en contexto negativo. | ai_visibility_index_positive − ai_visibility_index_negative. | Positivo: la marca aparece más cuando preguntan “quién recomiendas” que cuando preguntan “a quién evitar”. Negativo: más presente en contexto crítico que en favorable. Es la métrica de sentimiento con variación real en los datos actuales. |
| Observaciones n_observaciones | Número de respuestas válidas que entran en el cálculo de la métrica. | Recuento simple de respuestas analizadas para la combinación de semana, modelo, marca y, si aplica, segmento. | Es la base muestral. Cualquier lectura ejecutiva gana robustez cuando esta cifra es suficiente y comparable. |
| Detecciones n_detectadas | Número de observaciones en las que la marca aparece detectada. | Recuento simple de respuestas donde la marca está presente. | Es el numerador del índice de visibilidad. Útil para bajar de la tasa al volumen real. |
| Menciones n_menciones | Total de menciones textuales de la marca en las respuestas analizadas. | Suma de menciones registradas para la marca en la ventana temporal y el corte seleccionado. | Permite separar “aparece alguna vez” de “aparece con peso y repetición dentro de la respuesta”. |
| Primeras menciones n_first_mentions | Número de observaciones donde la marca fue la primera mencionada. | Recuento simple de respuestas en las que la primera marca detectada fue la marca analizada. | Convierte la tasa de liderazgo inicial en volumen real para validar estabilidad. |
| Observaciones con posición n_with_position | Número de respuestas en las que pudo identificarse una posición para la marca. | Recuento de observaciones con una posición válida distinta de nulo. | Es importante para interpretar la posición media: si esta base es baja, la métrica es menos estable. |
Cómo leer bien estas métricas
| Si ves esto | La lectura más probable |
|---|---|
| Visibilidad alta y Share of Voice bajo | La marca entra con frecuencia, pero no domina el espacio textual frente a competidores. |
| Share of Voice alto y recomendación activa baja | La marca aparece mucho, pero sin suficiente persuasión comercial. |
| Primera posición alta y visibilidad media | La marca no aparece siempre, pero cuando entra lo hace con prioridad fuerte. |
| Advertencia alta | Existe una fricción reputacional, regulatoria o de experiencia que merece revisión cualitativa. |
| Visibilidad alta en contexto negativo | La marca sale mucho cuando se pregunta “a quién evitar” o “quién es peor”. Riesgo reputacional en respuestas de IA; conviene revisar narrativas y contenidos. |
| Net sentiment por contexto negativo | La marca aparece más en preguntas críticas que en recomendaciones. Priorizar mejora de posicionamiento y autoridad en contexto favorable. |
| Buen total mercado y debilidad por segmento | La marca puede estar bien en agregado, pero perder espacios concretos de demanda de alto valor. |
Notas de cálculo importantes
| Aspecto | Cómo se resuelve en la suite |
|---|---|
| Unidad de análisis | La unidad básica es una respuesta válida de un modelo a un prompt. A partir de ahí se etiqueta presencia, posición, tipo de recomendación y volumen de menciones por marca. |
| Lectura agregada | Cuando se muestra `AGREGADO`, la suite recompone la métrica desde recuentos brutos para evitar promedios engañosos. Es decir, agrega observaciones, detecciones, menciones y posiciones antes de recalcular tasas. |
| Segmentación | Las métricas segmentadas se calculan dentro de cada escenario de demanda, no como reparto artificial posterior. Por eso pueden diferir del total mercado. |
| Comparabilidad | La comparación siempre debe hacerse dentro del mismo modelo, semana y base muestral. Mezclar cortes diferentes puede llevar a lecturas erróneas. |
Cómo encaja con MMM
La visibilidad en recomendaciones IA no pretende sustituir al MMM. Se plantea como una señal complementaria de mercado que puede incorporarse como variable explicativa o leading indicator.
| Aporta | No afirma todavía |
|---|---|
| Una lectura periódica de presencia competitiva en entornos IA | Causalidad automática o asignación directa de presupuesto |
| Comparabilidad por modelo, segmento y competidor | Sustitución del tracking de marca, search o ventas |
| Una capa upstream de consideración antes del clic y de parte de la comparación clásica | Validación econométrica completa sin contraste con outcomes de negocio |
| Hipótesis para conectar presencia en IA con demanda, marca y conversión | Recomendaciones finales de inversión sin contraste adicional |
Siguiente capa: decisión prescriptiva (beta)
Roadmap beta pensado para la etapa posterior a las capas de medición. No busca automatizar decisiones de presupuesto, sino traducir hallazgos en una lista priorizada de acciones e hipótesis medibles para equipos de marca, contenido, PR, CRM y MMM.
| Salida potencial | Qué podría hacer |
|---|---|
| Lista priorizada de acciones | Priorizar donde reforzar contenido, comparativas, autoridad o defensa competitiva |
| Hipótesis de activación | Sugerir acciones de marca, contenido, PR, CRM o category education según el tipo de brecha detectada |
| Plan de validación | Vincular cada acción a un criterio de seguimiento: visibilidad, exclusión, share o señal de marca |
| Puente con MMM | Proponer dónde merece la pena probar la señal en modelos MMM y qué variables de negocio conviene contrastar antes de ampliar inversión |