Cómo se calculan nuestros Benchmarks

Obtenga una comprensión más profunda de cómo la IA de Databrain calcula los rangos de referencia en base a nuestro extensa base de datos.

¿Qué son los Benchmarks de Databrain?

Los benchmarks de son los rangos de rendimiento recomendados para cada métrica principal evaluada en nuestra plataforma. Indican qué puntuación debería obtener un activo creativo optimizado en métricas como Atención, Demanda Cognitiva, Engagement y Memoria, proporcionándole una medida estándar de la industria con la cual comparar el rendimiento predicho de su creatividad.

Nuestros benchmarks se derivan de un conjunto de datos en constante crecimiento de más de 10,000 imágenes y más de 7,000 videos (con cerca de 70,000 Áreas de Interés o AOIs distintas), recopilados de varias regiones y a través de diversas industrias y casos de uso.

El Proceso de Cálculo

El proceso de cálculo de rangos de referencia es dinámico y de múltiples capas. A continuación, detallamos cómo determinamos la categorización de activos y los rangos de referencia:

1. Recolección y Categorización de Datos

Análisis a Nivel de Activo: Cada creatividad se categoriza no solo por la marca, sino por su contenido visual y señales contextuales.

Segmentación por Industria y Caso de Uso: Los activos creativos se dividen aún más en función de la industria y usos específicos.

2. Análisis de la Distribución de Puntajes

Agregamos todos los puntajes métricos brutos —por ejemplo: Foco, Engagement, Memoria y Atención— provenientes de los activos agrupados por un objetivo y categoría específicos. Posteriormente, analizamos la distribución completa de estos puntajes para establecer el rango de rendimiento estándar para cada métrica.

3. División en Niveles de Rendimiento (Buckets)

En lugar de utilizar un promedio o mediana simple, el rango total de puntuación de cada métrica se segmenta en cinco niveles distintos:

Tabla de Rangos Generales (Métricas Lineales)

Flag	Rango	Distancia del Benchmark
	Extremadamente Alto	Por encima (Top 20%)
	Alto	Ligeramente por encima
	Medio	Dentro del promedio
	Bajo	Cerca / Ligeramente por debajo
	Extremadamente Bajo	Por debajo

Este sistema de cinco niveles está diseñado para capturar el espectro completo de rendimiento.

Caso Especial: Demanda Cognitiva

La Demanda Cognitiva es una puntuación no lineal, por lo que su rango de referencia es un poco más complicado. El rango recomendado se establece en "Medio".

Flag	Rango	Distancia del Benchmark
	Extremadamente Bajo	Por debajo (Aburrido)
	Bajo	Por debajo
	Medio	Dentro (Ideal)
	Alto / Extremadamente Alto	Por encima (Confuso)

Benchmarks de Imagen vs. Video

Databrain distingue entre activos creativos de imagen y video debido a las diferencias inherentes en el engagement y el contexto:

• Benchmarks de Imagen: Algunos formatos creativos, como anuncios de Vía Pública o Redes Sociales, incluyen elementos "en contexto". Los benchmarks tienen en cuenta las señales visuales circundantes.
• Benchmarks de Video: Para los videos, el foco permanece únicamente en el contenido creativo central (evaluado "fuera de contexto"), asegurando que las métricas reflejen las fortalezas intrínsecas del activo.

Validación y Refinamiento Continuo

Nuestros rangos de referencia han sido validados a través de:

• Análisis en el mercado: Los rangos se prueban contra indicadores de rendimiento del mundo real, como tasas de clics (CTR), datos de conversión y tiempos de permanencia.
• Décadas de Investigación en Neuromarketing: Incorporamos conocimientos conductuales y hallazgos de investigación a largo plazo para confirmar que nuestros benchmarks reflejan el rendimiento de los mejores activos.

Vinculación entre Benchmarks e Impact Score

Los rangos de referencia calculados son una pieza fundamental para determinar el Databrain Impact Score de tu activo. A continuación te explicamos cómo funcionan en conjunto:

• Comparación de Métricas: Los puntajes predictivos de tu creatividad se comparan directamente contra los rangos del benchmark de su categoría.
• Asignación de Nivel (Bucket): Cada métrica se ubica dentro de un cubo o nivel de rendimiento específico.
• Aplicación de Ajustes: Basándose en la proximidad al rango ideal ("High" o "Medium" según la métrica), cada puntaje recibe un ajuste matemático.
• Agregación: Los puntajes ajustados se promedian para derivar el Impact Score final, ofreciendo una métrica única, clara y concisa del rendimiento creativo.