y diseño de producto
Conocer al cliente y al mercado es la base de cualquier estrategia. La IA permite escuchar miles de conversaciones, encontrar segmentos que nadie había visto, prever la demanda y prototipar productos en días. También abre riesgos: perfiles invasivos, sesgos y conclusiones falsas con apariencia científica.
- Caracterizar las aplicaciones de IA para análisis de mercado.
- Conocer las implicaciones éticas y legales en el sector.
- Usar técnicas y herramientas de estudio de mercado basadas en IA.
- Aplicar la IA a la toma de decisiones e integrar metodologías de diseño y de desarrollo de IA.
Uso de modelos de lenguaje para analizar texto abierto y reseñas, «personas sintéticas» y sus límites, prototipado con IA generativa, la desaparición de las cookies de terceros como fuente de datos y el marco del Reglamento de IA.
| Fase del estudio | Sin IA | Con IA |
|---|---|---|
| Diseño | Cuestionario redactado a mano | Borradores de cuestionarios y guiones de entrevista; detección de preguntas sesgadas |
| Recogida | Encuestas, focus groups | Escucha social a gran escala, encuestas conversacionales, análisis de vídeo y voz |
| Análisis cuantitativo | Tablas y cruces | Segmentación automática, modelos predictivos, detección de anomalías |
| Análisis cualitativo | Codificación manual de respuestas abiertas | Clasificación de temas y sentimiento con PLN y LLM en minutos |
| Informe | Redacción manual | Resúmenes, visualizaciones y paneles generados y actualizados automáticamente |
Fuentes de datos
La escucha social (social listening) recoge y analiza lo que se dice de una marca, sus competidores y su sector en redes, foros, medios y reseñas. La IA permite procesar miles de menciones al día.
Qué se extrae
- Volumen de menciones y su evolución (picos = crisis o campaña).
- Sentimiento: positivo, neutro, negativo; y emociones (enfado, alegría…).
- Temas (topic modeling): de qué se habla (envío, precio, alergias, envase).
- Entidades: productos, competidores, lugares, personas.
- Influencia: quién origina y amplifica la conversación.
Cómo clasifica el sentimiento la IA
| Enfoque | Ventajas | Inconvenientes |
|---|---|---|
| Diccionarios (palabras positivas y negativas) | Rápido, explicable | Falla con ironía, negaciones («no está mal») y jerga |
| Modelos entrenados (ML con reseñas etiquetadas) | Preciso en su dominio | Necesita datos etiquetados |
| LLM con instrucciones (zero/few-shot) | Sin entrenar; entiende matices y extrae motivos | Coste por uso, variabilidad; hay que validar con una muestra etiquetada por personas |
Herramientas: Brandwatch, Talkwalker, Sprout Social, Hootsuite, Mention, Metricool (con escucha básica) y, para análisis propio, hojas de cálculo con funciones de IA o Python.
De la segmentación clásica a la basada en comportamiento
| Criterio | Ejemplo |
|---|---|
| Sociodemográfico | Edad, provincia |
| Comportamiento: RFM | Recencia (días desde la última compra), Frecuencia (nº de pedidos), Monetario (gasto) |
| Interacción | Aperturas de email, visitas, canal de captación |
| Necesidades y actitudes | Busca ingredientes naturales, precio, regalo |
El clustering (k-means, por ejemplo) encuentra grupos a partir de muchas variables a la vez. Después hay que interpretar cada grupo y ponerle nombre de negocio («Fieles de la rutina facial», «Compradores de regalo navideño», «Dormidos»).
Buyer personas con IA
Un LLM puede redactar perfiles de cliente (buyer personas) a partir de los datos agregados de cada segmento. Útil para comunicar, peligroso si se inventan rasgos sin respaldo: cada afirmación de la persona debe poder rastrearse a un dato.
Valor del cliente (CLV) y propensión
Los modelos predictivos estiman el valor de vida del cliente (CLV), la probabilidad de recompra o de baja (churn). En el Módulo 3 construirás un modelo de propensión de recompra con los datos de Verde Mediterráneo.
y competencia
- Google Trends: interés relativo de búsqueda (0-100) por tema, región y época; comparativas entre términos; consultas relacionadas «en aumento». Detecta estacionalidad (protector solar en mayo-agosto) y tendencias emergentes.
- Previsión de demanda: modelos de series temporales (estacionalidad, tendencia, eventos como Black Friday) para planificar compras y presupuesto.
- Inteligencia competitiva: seguimiento de precios, catálogo, reseñas y anuncios de la competencia. Fuentes transparentes y gratuitas: Biblioteca de anuncios de Meta y Centro de transparencia de anuncios de Google.
- Investigación con asistentes de IA: búsqueda profunda que resume informes y noticias del sector, siempre con fuentes verificables.
Encuestas mejores con IA
- Redactar y revisar cuestionarios (preguntas dobles, sesgadas o con lenguaje técnico).
- Encuestas conversacionales que repreguntan según la respuesta.
- Codificar miles de respuestas abiertas por temas en minutos.
- Traducir y adaptar cuestionarios a otros mercados.
Personas sintéticas: útiles con límites
Algunas herramientas «entrevistan» a consumidores simulados por un LLM. Sirven para preparar una investigación (generar hipótesis, probar el cuestionario), pero no sustituyen a clientes reales: reproducen los estereotipos de sus datos de entrenamiento, tienden a ser complacientes y no conocen tu mercado concreto.
Datos sintéticos
Datos generados artificialmente que imitan las propiedades estadísticas de los reales. Útiles para probar sistemas o formar (los datos de este curso son sintéticos) y para compartir datos reduciendo riesgos de privacidad, siempre que no permitan reidentificar a personas.
y legales
| Norma o principio | Qué exige en estudios de mercado con IA |
|---|---|
| RGPD: base legal, minimización, limitación de la finalidad | Usar solo los datos necesarios y para el fin informado; informar en la política de privacidad del uso para análisis y perfilado. |
| RGPD art. 21 y 22 | Derecho a oponerse al perfilado para mercadotecnia directa; garantías ante decisiones automatizadas con efectos significativos. |
| Evaluación de impacto (EIPD) | Necesaria si el tratamiento implica alto riesgo (perfilado a gran escala, datos sensibles, combinación de fuentes). |
| Categorías especiales | No inferir salud, religión, orientación sexual, ideología… (una tienda de cosmética no debe deducir enfermedades de la piel de las compras para segmentar). |
| Reglamento de IA | Prohibidas las técnicas manipuladoras que explotan vulnerabilidades (edad, discapacidad, situación económica); transparencia en chatbots y contenido generado. |
| Extracción de datos (scraping) | Respetar las condiciones de las plataformas, la propiedad intelectual y el RGPD: los datos públicos de personas siguen siendo datos personales. |
| Códigos del sector | Código ICC/ESOMAR de investigación de mercados: transparencia con los participantes y separación entre investigación y venta. |
Aplicaciones en producto y servicio
- Precios dinámicos y promociones optimizadas (con límites éticos y de consumo: transparencia, no discriminar).
- Surtido: qué lanzar, qué retirar, packs que se venden juntos.
- Recomendadores: «quienes compraron esto también…».
- Experimentación: tests A/B y algoritmos bandit que reparten tráfico hacia la variante ganadora.
La IA propone; la decisión y la responsabilidad son de las personas (supervisión humana).
diseño y de desarrollo de IA
Design thinking + CRISP-DM
| Design thinking | Qué aporta la IA | CRISP-DM (si hay modelo) |
|---|---|---|
| Empatizar | Análisis de reseñas, entrevistas transcritas y resumidas | Comprensión del negocio |
| Definir | Agrupar necesidades, priorizar problemas con datos | Comprensión de los datos |
| Idear | Generar decenas de conceptos, nombres, claims | Preparación de datos |
| Prototipar | Imágenes del producto y del envase, páginas de aterrizaje, maquetas en horas | Modelado |
| Testear | Tests A/B, análisis automático de las respuestas | Evaluación y despliegue |
Enfoques complementarios: Lean Startup (construir-medir-aprender con un producto mínimo viable) y metodologías ágiles (sprints cortos), habituales en los equipos de datos.
Del prototipo al lanzamiento
- Problema del cliente validado con datos.
- Concepto y propuesta de valor.
- Prototipo visual con IA (etiquetado como prototipo).
- Prueba con clientes reales (encuesta, lista de espera, test de página).
- Decisión con métricas definidas antes (por ejemplo, ≥ 8 % de clics en «Me interesa»).
| Término | Significado |
|---|---|
| Buyer persona | Perfil semificticio que representa a un segmento de clientes. |
| CLV | Valor de vida del cliente: ingresos esperados durante toda la relación. |
| EIPD | Evaluación de impacto relativa a la protección de datos. |
| First-party data | Datos que la empresa obtiene directamente de sus clientes. |
| RFM | Segmentación por recencia, frecuencia y valor monetario. |
| Social listening | Seguimiento y análisis de la conversación en redes y medios. |
| Test A/B | Experimento que compara dos variantes con grupos aleatorios. |
| Topic modeling | Técnica que descubre los temas presentes en un conjunto de textos. |
¿Qué fuente de datos gana importancia con la desaparición progresiva de las cookies de terceros?
- Datos comprados a brokers
- Datos propios (first-party) con consentimiento
- Datos de la competencia
- Ninguna
Ventas, CRM, web, newsletter…
¿Qué limitación típica tiene el análisis de sentimiento por diccionario?
- Es muy caro.
- Necesita GPU.
- No funciona en español.
- Falla con la ironía y las negaciones.
«No está nada mal» lleva palabras negativas pero es positivo.
¿Cómo compruebas si una clasificación automática de reseñas es fiable?
- Comparándola con una muestra etiquetada por personas.
- Preguntando a la IA si está segura.
- Mirando cuántas reseñas hay.
- No hace falta comprobarlo.
Se calcula el porcentaje de acuerdo.
¿Qué significa la «R» de RFM?
- Rentabilidad
- Región
- Recencia (tiempo desde la última compra)
- Repetición
Recencia, frecuencia y valor monetario.
Tras un clustering con k-means, ¿qué paso es imprescindible?
- Borrar los grupos pequeños.
- Interpretar y nombrar cada grupo en términos de negocio.
- Publicar los datos.
- Entrenar un LLM.
Sin interpretación, un clúster es solo un número.
¿Para qué son útiles las «personas sintéticas» generadas con un LLM?
- Para sustituir a los clientes reales en la decisión final.
- Para calcular la cuota de mercado.
- Para cumplir el RGPD.
- Para preparar hipótesis y probar cuestionarios antes de investigar con personas reales.
Reproducen estereotipos: no sirven para concluir.
¿Qué herramienta gratuita muestra los anuncios activos de un competidor en Facebook e Instagram?
- La Biblioteca de anuncios de Meta
- Google Trends
- BigQuery
- Teachable Machine
También existe el Centro de transparencia de anuncios de Google.
Segmentar a los clientes deduciendo enfermedades de la piel a partir de sus compras…
- Es buena práctica.
- Solo requiere un aviso de cookies.
- Implica inferir datos de salud (categoría especial): no debe hacerse sin base legal reforzada.
- Está permitido si es anónimo en la web.
Los datos de salud tienen protección especial.
¿Qué derecho del RGPD permite a un cliente oponerse al perfilado para mercadotecnia directa?
- Portabilidad (art. 20)
- Oposición (art. 21)
- Rectificación (art. 16)
- Acceso (art. 15)
Para mercadotecnia directa, la oposición es absoluta.
«¿Qué precio debo poner para maximizar el margen?» es analítica…
- Descriptiva
- Diagnóstica
- Predictiva
- Prescriptiva
Recomienda una acción.
¿En qué fase del design thinking ayuda más la IA generativa a crear imágenes de envases y páginas de prueba?
- Prototipar
- Empatizar
- Definir
- Ninguna
Prototipos en horas en lugar de semanas.
Las búsquedas de un producto suben a la vez que tus ventas. ¿Qué puedes afirmar?
- Que las búsquedas causan las ventas.
- Que las ventas causan las búsquedas.
- Que están correlacionadas; para hablar de causa hace falta un experimento.
- Nada en absoluto.
Correlación no implica causalidad.
Tu progreso
—