Visibilidad en IA: cómo leer un resultado sin engañarte con el porcentaje

Leé el alcance antes que el porcentaje

Antes de preguntar si un número es alto o bajo, revisá qué preguntas lo produjeron, qué superficie se consultó, cuándo y con qué cobertura.

Un diagnóstico no es una estimación de todas las conversaciones que ocurren en una herramienta. Tampoco describe por sí solo el comportamiento de otra interfaz o modelo.

Hacé visible el denominador

Un porcentaje de presencia necesita una definición de respuesta válida y una cantidad explícita de observaciones. Los fallos de ejecución o respuestas incompletas deben acompañar el resultado como cobertura.

Cambiar el denominador puede modificar el porcentaje aunque la cantidad de menciones sea la misma. Documentá siempre ambos valores.

El caso: 30 % y 60 % pueden describir el mismo recuento

En el ejercicio de la figura se planifican 25 observaciones en cada período. En A se obtienen 20 respuestas válidas y la marca aparece en 6: 6 ÷ 20 = 30 %. En B se obtienen sólo 10 válidas y también hay 6 menciones: 6 ÷ 10 = 60 %. El porcentaje se duplicó; el recuento de menciones se mantuvo.

La cobertura pasó del 80 % al 40 %. No sabemos qué habrían dicho las respuestas faltantes. Contarlas como respuestas sin mención escondería el fallo; descartarlas sin mostrar cobertura escondería otra parte del problema. Antes de interpretar el cambio, hay que investigar los errores y el conjunto de preguntas que sí respondió.

El siguiente paso es volver a las filas: ¿fallaron las mismas intenciones?, ¿se conservó la superficie?, ¿qué preguntas tienen respuesta en ambos períodos? Un subconjunto común puede ayudar a comparar, siempre que se muestre su tamaño y qué quedó fuera.

Compará condiciones compatibles

Dos capturas pueden usar preguntas, idiomas, modelos o modos de búsqueda diferentes. Una diferencia entre ellas puede reflejar esas condiciones además de cualquier cambio de contenido.

Mantené una versión común de preguntas, identificá las superficies y registrá las fechas. Si una condición cambia, explicá por qué la comparación requiere otra lectura.

• Mismo objetivo y conjunto comparable de preguntas.
• Idioma y contexto conservados o cambios documentados.
• Superficie y modelo identificados cuando sea posible.
• Cobertura, errores y reglas de cálculo visibles.
• Respuestas y fuentes consultables para revisar el resumen.

Cuando la comparación sí conserva la muestra

Supongamos ahora otro ejercicio con condiciones compatibles y 20 respuestas válidas en ambos períodos: la marca pasa de aparecer en 6 a aparecer en 9. La presencia va del 30 % al 45 %. Son 15 puntos porcentuales de diferencia, o un aumento relativo del 50 %. Ambas expresiones son aritméticamente correctas, pero necesitan el recuento al lado para interpretarse.

Tampoco esa diferencia demuestra por sí sola el efecto de una intervención. Las respuestas pueden variar entre ejecuciones. Registrá las repeticiones previstas y evitá tratar reformulaciones similares como si representaran personas independientes. Esta muestra no mide cuota de mercado ni la frecuencia de todas las conversaciones.

Distinguí observación, hipótesis y efecto

Observación: la marca apareció en más respuestas de la muestra. Hipótesis: una mejora de contenido pudo contribuir. Conclusión causal: esa intervención produjo el cambio. La tercera exige un diseño que permita evaluar otras explicaciones.

Una comparación antes y después es útil para seguir la evolución, pero también pueden cambiar el modelo, las fuentes disponibles y las respuestas entre ejecuciones. Evitá atribuir automáticamente el movimiento a una acción.

Documentá una decisión revisable

Una prioridad útil explica qué respuesta la motiva, qué fuente revisar y cuál sería el próximo paso. Si la evidencia no alcanza, la acción puede ser investigar más.

Separá los resultados de visibilidad de las visitas y de los contactos comerciales. La cadena completa merece observaciones diferentes y no se da por demostrada con una mención.

Una nota de decisión que se pueda discutir

Probá escribir cuatro líneas: qué observamos, con qué evidencia, qué explicación estamos considerando y qué vamos a revisar. Por ejemplo: «En la muestra comparable hay tres respuestas adicionales con mención. Revisaremos sus fuentes y la descripción de la marca antes de proponer cambios». Esa nota admite revisión y evita convertir una asociación en una causa.

Si la pregunta es si llegaron visitas o contactos, abrí ese análisis en sus fuentes correspondientes. Google explica que el tráfico de sus funciones de IA se incluye en el rendimiento general de búsqueda Web en Search Console. Ese informe y un registro de respuestas observadas describen poblaciones distintas; no hay que presentar uno como validación automática del otro.