Cada cifra en RavenBI lleva una etiqueta. Separamos lo que hemos observado de lo que hemos calculado, y nunca presentamos lo uno como lo otro.
Esta página no es una exención de responsabilidad. Es el modo en que funciona el producto.
Observado — registrado directamente de una fuente. Un anuncio estaba activo en una fecha determinada. Un producto tenía un precio determinado. Una declaración apareció en un texto determinado. Si decimos que lo hemos observado, es que lo hemos visto.
Declarado — facilitado por un tercero y no verificado por nosotros de forma independiente. El alcance declarado por la plataforma entra en esta categoría.
Estimado — producido por un cálculo de RavenBI a partir de datos de entrada observados. La inversión publicitaria se estima a partir del alcance y de un CPM modelizado. Las estimaciones son intervalos, no cifras, y llevan consigo sus hipótesis.
Derivado — un indicador que RavenBI calcula a partir de varios datos de entrada. Las puntuaciones «Winner», «Momentum», «Opportunity» y «Threat» son derivadas. Son indicadores propios, no estándares del sector, y significan lo que esta metodología dice que significan.
Interpretación por IA — un modelo de lenguaje ha leído un texto y lo ha clasificado. Cuando está disponible, RavenBI muestra la prueba en la que se basa la clasificación: la frase exacta de la fuente. Nuestras clasificaciones de argumentos publicitarios ya incorporan esta prueba y la estamos extendiendo al resto de clasificadores.
1. Distinguimos los hechos de las estimaciones. Cada cifra está etiquetada. Una estimación nunca aparece con el peso visual de una observación.
2. Ningún porcentaje sin su base. Un porcentaje sin la cifra absoluta que lo sustenta es un recurso retórico, no una medición. RavenBI muestra ambos y suprime los porcentajes cuando la muestra es demasiado pequeña para sostenerlos.
3. Ninguna conclusión sin pruebas suficientes. Por debajo de un tamaño mínimo de muestra, RavenBI muestra la dirección y el nivel de confianza en lugar de una cifra precisa. Preferimos decir «al alza, confianza baja» antes que inventar una cifra.
4. Los datos que faltan siguen faltando. Cuando una fuente no nos dice algo, lo dejamos vacío. No rellenamos huecos con valores por defecto plausibles ni inferimos un valor a partir de una categoría de producto o de un nombre de marca.
5. Toda señal tiene procedencia. Cada dato registra de dónde procede, cuándo se observó, qué transformación se le aplicó y qué versión del clasificador lo produjo. Si alguna vez se cuestiona una cifra, podemos reconstruir exactamente cómo se produjo.
RavenBI informa de lo que observa, etiqueta lo que estima e identifica lo que infiere.
RavenBI combina información procedente de bibliotecas de transparencia publicitaria públicamente accesibles operadas por las propias plataformas, de proveedores de datos de terceros con licencia, de sitios web de marcas y marketplaces públicamente accesibles, y de fuentes regulatorias oficiales.
Sobre ese material bruto construimos nuestra propia capa: resolución de entidades entre marcas, productos, anuncios, páginas de destino e ingredientes; clasificación frente a vocabularios controlados; instantáneas históricas; e indicadores derivados.
Esa segunda capa es lo que hace de RavenBI algo más que un buscador sobre datos públicos — y es también donde residen nuestras estimaciones e interpretaciones, razón por la cual las etiquetamos.
No afirmamos tener una cobertura completa. RavenBI observa lo que sus fuentes exponen. La ausencia de un anuncio, una marca o un producto en RavenBI no acredita que no exista.
No afirmamos que las estimaciones sean cifras auditadas. Las estimaciones de inversión publicitaria son modelos, no el gasto declarado por el anunciante.
No afirmamos que nuestras clasificaciones sean infalibles. Las producen modelos de lenguaje, se miden frente a un conjunto de referencia arbitrado por personas y se mejoran cuando la medición indica que necesitan mejorar.
Mantenemos un conjunto de referencia: varios cientos de anuncios, etiquetados de forma independiente por varios evaluadores que no pueden ver las respuestas de los demás ni la respuesta del sistema en producción. Las discrepancias las resuelve una persona.
Todo cambio en una instrucción, un modelo o una taxonomía se mide frente a ese conjunto de referencia antes de llegar a los clientes. Hacemos seguimiento de la precisión, la exhaustividad y — lo más importante — de la frecuencia con la que el clasificador guarda silencio correctamente cuando un texto simplemente no contiene la información.
Esa última medida importa más de lo que parece. Un clasificador que siempre produce una respuesta parece seguro y se equivoca con frecuencia. Preferimos mostrarle un hueco antes que una conjetura.
Si considera que una cifra o una clasificación de RavenBI es incorrecta, comuníquenoslo. Cada página de marca, anuncio, producto e ingrediente incluye un enlace para comunicarlo, y comprobamos las comunicaciones frente a la fuente original.
Corregir un error forma parte del método, no es una excepción a él.