Predicción de Engagement
Databrain IAIntroducción
Esta página explica cómo se desarrolló la métrica de Engagement de Databrain IA.
El Engagement Score captura el atractivo emocional de un anuncio. Está basado en la intensidad de las respuestas emocionales positivas que genera un estímulo visual.
La métrica se construyó a partir de tests de respuesta rápida, diseñados para reflejar reacciones instintivas y automáticas. De este modo, los equipos de marketing pueden medir qué tan fuerte es la conexión emocional que realmente se produce en las personas.
Contenido de esta página
En esta sección se detalla todo lo que necesitás conocer sobre la métrica de Engagement:
- Metodología: cómo se calcula el Engagement Score y por qué es una medida confiable del atractivo emocional.
- Validación: procesos científicos y pruebas que garantizan su precisión y relevancia.
- Modelo de IA: descripción del modelo avanzado que sustenta la métrica y permite generar predicciones accionables.
Descripción general de la métrica
El modelo de predicción de Engagement está diseñado para estimar el nivel de respuesta emocional positiva que un estímulo visual genera en su audiencia tras una exposición breve.
La métrica permite identificar qué elementos hacen que un anuncio conecte emocionalmente, midiendo la intensidad de las respuestas positivas que despierta.
Los insights generados ayudan a comprender cómo el contenido resuena a nivel instintivo, teniendo en cuenta que las primeras impresiones juegan un rol clave en la percepción y la memoria.
Funcionalidades de Engagement
La métrica de Engagement incluye:
- Recomendaciones basadas en inteligencia artificial
- Insights para imágenes y videos
- Benchmarks comparativos
- Reportes descargables
- Mapas de calor (para imágenes)
- Métricas a nivel de AOI (Áreas de Interés) en imágenes
- Análisis segundo a segundo para videos
Precisión del modelo
El modelo de predicción de Engagement, basado en Fast Response Time (FRT), ofrece una precisión del 92% en la medición de respuestas emocionales positivas en conjuntos de datos de prueba.
Esta base estadística sólida permite estimar con alto nivel de confianza qué tan bien un anuncio logrará involucrar emocionalmente a su audiencia desde la primera exposición.
¿Por qué una nueva forma de medir Engagement?
Medir emociones a partir de reportes conscientes presenta limitaciones, ya que las personas no siempre pueden verbalizar con precisión lo que sienten.
Por este motivo, el Engagement Score de Databrain se basa en la medición implícita de emociones positivas, incorporando además el tiempo de respuesta como un indicador clave de la intensidad emocional.
Este enfoque permite capturar reacciones emocionales automáticas, previas a cualquier proceso racional o reflexivo.
¿Qué es el Tiempo de Respuesta (RT)?
El Response Time (RT), también conocido como tiempo de reacción o latencia de respuesta, se refiere al tiempo que tarda una persona en responder frente a un estímulo determinado (Donders, 1969; Luce, 1991).
Generalmente, el RT se mide como el intervalo entre la presentación de un estímulo externo y la respuesta conductual correspondiente (Posner, 1978).
El tiempo de respuesta está influenciado tanto por procesos emocionales como cognitivos, lo que permite utilizarlo como un índice de emoción implícita, motivación y procesamiento mental.
Metodología
Para comprender la respuesta emocional positiva frente a un estímulo, Databrain utiliza el método Fast Response Time (FRT).
En este procedimiento:
- Los participantes observan un estímulo visual durante unos pocos segundos.
- Luego, se les presentan palabras asociativas como “interesante”, “atractivo” o “feliz”.
- Los participantes responden “sí” o “no” lo más rápido posible.
- Se registra tanto la respuesta como el tiempo de reacción.
El tiempo de respuesta permite ponderar la intensidad emocional. Al normalizar respuestas y tiempos entre múltiples participantes, el Engagement Score se vuelve comparable y estadísticamente robusto.
La recolección de datos abarca una amplia variedad de formatos publicitarios, desde piezas gráficas hasta contenidos digitales, y contempla una muestra diversa para minimizar sesgos. La base de datos se actualiza de forma continua para mantener la vigencia del modelo.
El modelo de inteligencia artificial
El modelo de predicción de Engagement se basa en la arquitectura EfficientNetB2V2, ampliamente utilizada en tareas de visión computacional.
El modelo cuenta con aproximadamente 8,8 millones de parámetros entrenables y está diseñado para asociar características visuales con puntajes de Engagement derivados de análisis de regresión.
Las imágenes se procesan manteniendo su proporción original y se utiliza la técnica Grad-CAM para identificar qué elementos visuales influyen más en la predicción del Engagement.
Este enfoque permite ofrecer no solo un puntaje, sino también una interpretación visual de los factores que impulsan la respuesta emocional.
Predicción de Engagement en video
En el caso de contenidos audiovisuales, el modelo evalúa cada fotograma de manera individual y genera un puntaje cuadro por cuadro.
Este enfoque permite observar cómo evoluciona el Engagement a lo largo del tiempo. Actualmente, el modelo no incorpora información secuencial del flujo de video ni el impacto del audio, pero ofrece una base sólida para identificar momentos de mayor o menor conexión emocional.
Interpretación de los Engagement Scores
Los puntajes de Engagement se expresan en una escala de 0 a 100:
Factores que incrementan el Engagement
Entre los principales factores que suelen aumentar el Engagement se encuentran:
- Presencia de elementos humanos o naturales, como rostros expresivos, personas, alimentos o paisajes.
- Alta saliencia visual, basada en contraste y uso de colores intensos.
- Visuales consistentes, enfocados y con mensajes simples.
En videos, además:
- Atención sostenida a lo largo del tiempo.
- Riqueza semántica, con escenas conceptualmente atractivas y relevantes.
Uso estratégico del Engagement
El Engagement Score permite evaluar la capacidad de un estímulo para generar una conexión emocional inmediata.
En Databrain, esta métrica se utiliza como una herramienta clave para optimizar piezas creativas, identificar oportunidades de mejora y comprender cómo los estímulos visuales impactan emocionalmente antes de que se active cualquier evaluación consciente.