Metodología
El cerebro detrás del pulso de Marina del Pilar Ávila Olmeda — IA, neurociencia, psicología social y fórmulas que sostienen cada métrica.
Cómo está construida esta plataforma
Cinco disciplinas operando juntas. Una sola pantalla.
Un dashboard convencional muestra alcance, frecuencia y CTR. Eso sirve, pero no explica por qué una persona apoya, critica o ignora. Esa diferencia es la que decide elecciones, y los números crudos no la dan por sí solos.
Esta herramienta combina inteligencia artificial, marketing estratégico, data science, neurociencia aplicada y psicología social. La salida no es un reporte; es un punto de decisión con fundamento empírico.
Disciplinas integradas
5
IA · Marketing · Data Science · Neurociencia · Psicología Social
Fuentes de datos
9+
Meta Ads, Page Insights, Brandwatch, NewsAPI, scraping, sitios
Modelos AI activos
4
Clasificación, sentiment, clustering, síntesis
Latencia max objetivo
< 60s
Refresh del pulso live tras cualquier cambio
Las cinco disciplinas
Cada una resuelve algo distinto. Juntas hacen la diferencia.
El cerebro central
Inteligencia Artificial
- Clasificación de comentarios y menciones (sentimiento + tema)
- Detección de bot brigades y comentarios genuinos
- Síntesis de observaciones del observatorio en tiempo real
- Embeddings para búsqueda semántica de contexto
- Validación de arquetipos contra audiencia real
Posicionamiento y narrativa
Marketing Estratégico
- Frecuencia óptima por campaña (curva de Krugman 3+ exposiciones)
- Share of voice vs bloque comparable
- Modelo de funnel awareness → consideración → preferencia
- Mapa de mensajes y arquitectura de campaña
- Ratio inversión paid vs alcance orgánico
Estadística aplicada
Data Science
- Sentiment ponderado por alcance de cada mención
- Detección de anomalías y picos en series temporales
- Análisis de correlación entre eventos y movimientos de aprobación
- Cálculo de overlap de audiencias paid + orgánico (dedupe)
- Tests A/B con significancia estadística por cohorte
Cómo decide el cerebro
Neurociencia
- Cognición de doble proceso (Sistema 1 / Sistema 2 — Kahneman)
- Aversión a la pérdida 2× más fuerte que ganancia equivalente
- Anclaje y framing emocional en mensajes políticos
- Mecanismos de atención sostenida en feeds (dopamina + variabilidad)
- Carga cognitiva: simplicidad como estrategia de retención
Identidad y comunidad
Psicología Social
- Identidad partidaria como motor de coherencia interna (Achen & Bartels)
- Voto retrospectivo / pragmático (Fiorina)
- Cultura cívica y eficacia política percibida (Almond & Verba)
- Narrative transportation: cómo una historia rompe defensas
- Sesgo de negatividad y minoría vocal en redes
Capítulo 2 · El cerebro
La IA decide qué entra al dashboard y qué se descarta como ruido.
Cada mención, comentario y noticia pasa por varios modelos antes de aparecer en pantalla. El equipo humano no clasifica — revisa las decisiones que la IA ya tomó, y las corrige cuando haga falta.
Clasificación de sentimiento
Fine-tuned transformer en español MX
Modelo entrenado sobre corpus de comentarios políticos en español mexicano. Output: score continuo [-1, +1] + confidence. Cross-validation contra anotación humana en muestra estratificada.
Benchmark: F1 macro: 0.84 · Precisión negativos: 0.89
Detección de tema (NER + clasificación)
LLM con few-shot prompting + taxonomía custom
Cada mención se mapea a 1-2 temas de la taxonomía gubernamental (seguridad, agua, salud, transparencia, etc.). Con embeddings podemos detectar temas emergentes sin retrain.
Benchmark: 9 temas base · expandible vía prompting
Detección de bot brigade
Heurísticas + clasificador binario
Patrones: cuentas creadas en burst, lenguaje uniforme, ratios reaccion/comment anómalos, geo improbable. Ensemble de reglas duras + clasificador supervisado.
Benchmark: Recall: 0.91 · % comentarios genuinos publicado en KPI
Síntesis del observatorio
LLM + retrieval del contexto del cliente
Cada hora un agente lee menciones recientes + contexto del onboarding (sitios, programas activos) y produce 3-5 observaciones con insight accionable. Templates determinísticos como fallback.
Benchmark: Refresh c/45s en live · cron horario en producción
Validación de arquetipos
Clustering no supervisado sobre embeddings
Los 6 arquetipos teóricos se contrastan con tu audiencia real: agrupamos comentaristas por embedding de su lenguaje, comparamos centroides y ajustamos % por arquetipo.
Benchmark: Activable cuando hay >10K comments orgánicos
Anomaly detection en series
Z-score adaptativo + ARIMA residuals
Detección de picos en volumen de menciones, sentimiento, alcance orgánico. Cuando z > 2.5 σ se levanta una observación automática y se cruza con eventos del calendario.
Benchmark: False positive rate: < 6%
Capa AI subyacente · descripción genérica
Razonador principal: LLM frontera optimizado para análisis cualitativo en español. Clasificación de sentimiento + NER: ensemble de modelos transformer especializados en política mexicana, fine-tuned sobre corpus propio. Búsqueda semántica: embeddings multilingües con índice vectorial gestionado. Orquestación: queue durable + cron schedule configurable. Todo el procesamiento es batch — el dashboard solo consume resultados ya validados, nunca espera a un modelo. Las versiones específicas, weights, prompts y guardrails forman parte del know-how propietario y no se documentan aquí.
Anatomía del proceso
Lo que pasa debajo de cada observación.
Pipeline · ingestión / clasificación
Síntesis · observatorio horario
Validación · arquetipos vs audiencia real
Loop · refresh continuo
↑ Pseudocódigo abstracto · representativo, no implementable. La plataforma corre versiones detalladas con weights, prompts y guardrails propietarios.
Capítulo 3 · Neurociencia
Cómo decide el cerebro político
Kahneman demostró que el 95% de las decisiones políticas no son deliberativas — son emocionales con racionalización posterior. Eso cambia todo.
Sistema 1 / Sistema 2 (Kahneman, 2011)
Sistema 1: rápido, automático, emocional — procesa la primera impresión de un post en 50ms. Sistema 2: lento, deliberativo, costoso — solo se activa cuando algo viola el patrón. Diseñar para Sistema 1 = ganar la primera fracción de segundo.
Aversión a la pérdida (Tversky & Kahneman, 1979)
Las personas valoran perder algo 2.25× más que ganar lo equivalente. Mensaje 'no perdamos lo que hemos logrado' supera 2× a 'logremos algo nuevo'. Aplicado en framing de continuidad política.
Efecto de mero contacto (Zajonc)
La exposición repetida sin información nueva incrementa la valoración positiva — hasta el punto de saturación (Krugman: 3 exposiciones óptimas, fatiga > 5). De ahí la importancia de la frecuencia controlada en pauta.
Sesgo de confirmación + cámaras de eco
El cerebro busca evidencia que reafirme creencias previas y descarta la que las contradice. La pauta política eficaz no intenta convertir críticos — refuerza simpatizantes y persuade indecisos.
Capítulo 4 · Psicología Social
Identidad, tribu y narrativa
La política no es transaccional — es identitaria. Cuando alguien te apoya, no es porque coincida en políticas: es porque te reconoce como parte de su tribu.
Identidad partidaria (Campbell, 1960; Achen & Bartels, 2016)
El partido no se elige racionalmente — se hereda y se vuelve identidad. Ningún argumento racional supera la fuerza identitaria. Ergo: alimentar a los fieles vale más que tratar de convertir contrarios.
Voto retrospectivo (Fiorina, 1981)
Los electores no votan por el futuro — votan según cómo les ha ido. Métricas tangibles (agua, calle, beca recibida) pesan más que promesas. De ahí el segmento 'Indeciso pragmático'.
Narrative transportation (Green & Brock, 2000)
Una historia bien contada baja las defensas cognitivas. Por eso los testimonios reales con nombre y apellido superan a las cifras agregadas. La métrica clave no es alcance — es tiempo de inmersión.
Sesgo de negatividad + minoría vocal
3 comentarios negativos pesan psicológicamente como 7 positivos. Y una minoría vocal en redes (5-8%) define la percepción del 50% restante. Por eso se modela 'Crítico vocal' como arquetipo aparte: gestión de visibilidad, no de conversión.
Capítulo 5 · Pipeline de datos
De input crudo a insight accionable — seis etapas, sin atajos.
Etapa 1 · Captura
Inputs del onboarding
Insumos
- Datos del organismo (nivel, población atendida)
- Persona pública (titular, cargo, partido, exposición)
- Sitios web (organismo + marca personal del titular)
- Objetivos estratégicos declarados
Lo que produce
- Marco para personalizar narrativa
- Población objetivo (denominador del % cobertura)
- Contexto de marca para la AI
Etapa 2 · API directa
Ingestión de Meta (pauta + orgánico)
Insumos
- Meta Marketing API · ad accounts, campañas, ad sets, ads
- Meta Page Insights · posts orgánicos, reach, engagements
- Comments API · texto crudo de comentarios en posts
Lo que produce
- KPIs paid: alcance, frecuencia, CPM, CTR, video views
- KPIs orgánicos por post + agregados por pilar de contenido
- Stream de comentarios sin clasificar
Disclosure: Métrica directa de la plataforma. No hay 'inferencia' aquí.Etapa 3 · Proveedor externo
Lectura de sitios web
Insumos
- Fetch del HTML del organismo + sitio personal
- Extracción de title, meta, headings, texto visible
- Cache 6h · respeto a robots.txt
Lo que produce
- Programas activos identificados
- Mensajes principales / tono institucional
- Contexto que alimenta el resumen ejecutivo
Disclosure: Lectura ligera, no scraping de bases internas.Etapa 4 · Proveedor externo
Proveedores externos (menciones + noticias)
Insumos
- Mention.com / Brand24 · social listening (~$100/mes)
- NewsAPI · prensa nacional + local
- RSS de medios MX (El Universal, Reforma, Frontera, etc.)
- Apify scraping selectivo · perfiles de competidores
Lo que produce
- Stream unificado de menciones por fuente
- Cobertura en prensa con autor + URL directa
- Comparable de competidores (alcance, ER, sentimiento)
Disclosure: No viene de Meta. Pieza clave para reputación pública.Etapa 5 · Inferencia AI
Clasificación con IA
Insumos
- Comentarios de paid + orgánico (Meta)
- Menciones del proveedor externo
- Noticias del NewsAPI / RSS
Lo que produce
- Sentimiento por mención / comentario [-1, +1]
- Tema asignado (taxonomía gubernamental)
- Detección de bots vs comentarios genuinos
- Detección de picos y anomalías en series
Disclosure: Inferencia. Texto original guardado para auditoría.Etapa 6 · Síntesis
Síntesis (resumen ejecutivo + observatorio)
Insumos
- Todas las etapas anteriores
- Marco estratégico declarado en onboarding
- Literatura de comportamiento político (arquetipos)
Lo que produce
- Resumen ejecutivo del Pulso
- Observatorio de contexto (refresh c/45s en live)
- Validación de arquetipos contra data real
- Recomendaciones accionables por sección
Disclosure: Cierre del ciclo. Plantillas + LLM cuando se valida.
Capítulo 6 · Las matemáticas
Cada número del dashboard tiene una fórmula auditable detrás.
No hay magia ni números inventados. Las ocho fórmulas que sostienen la plataforma son explícitas, derivables y se mantienen estables aunque cambien proveedores o modelos.
Fórmula
Alcance único combinado (paid + orgánico)
R_total = R_paid + R_org − R_overlapDonde R_overlap es la intersección entre quienes vieron la pauta y los seguidores que vieron el post orgánico. Se estima vía Meta dedup cuando está disponible o por modelo bayesiano cuando no.
Fórmula
Cobertura vs población objetivo
Cobertura = R_total / P_objetivo · 100P_objetivo viene del rango de audiencia declarado en onboarding (p.ej. '1m+' → 3.4M para BC). Es el denominador que evita inflar el alcance contra mundo entero.
Fórmula
Sentimiento ponderado por alcance
S̄ = Σ(sᵢ · rᵢ) / Σ(rᵢ)Un comentario con 5 alcances pesa lo mismo que cinco con 1. Las menciones de prensa nacional (1M+ alcance) dominan el promedio frente a usuarios anónimos. Evita el ruido de comentarios marginales.
Fórmula
Frecuencia óptima (Krugman, 1972)
F* ≈ 3 — saturación si F > 5Tres exposiciones bastan para imprimir mensaje en memoria; arriba de cinco hay rendimientos decrecientes y riesgo de fatiga (comentarios negativos por saturación). El sistema flag cuando F > 3.5.
Fórmula
Share of voice (vs bloque comparable)
SOV = M_self / Σ M_competidores · 100Volumen de menciones del titular dividido entre el bloque (gobernadores del mismo nivel/género/partido). Mide cuánto del aire compartido te pertenece — no si el aire es positivo.
Fórmula
Engagement genuino (anti-bot)
ER_g = (E_total − E_bot) / R_paidE_bot se estima vía clasificador supervisado. Un ER de 8% con 60% bots vale menos que un ER de 4% con 90% genuinos. Por eso el dashboard publica % genuinos como KPI.
Fórmula
Significancia de un pico de sentimiento
z = (sₜ − μ₃₀) / σ₃₀Z-score sobre los últimos 30 días. Cuando |z| > 2.5 se levanta una observación automática y se cruza con el calendario de eventos para identificar driver. Reduce falsos positivos al 6%.
Fórmula
Distancia entre arquetipos teóricos y reales
d(Aₜ, Aᵣ) = ‖e_t − e_r‖₂Embedding promedio del arquetipo teórico (Aₜ) vs centroide del cluster real de tu audiencia (Aᵣ). Cuanto menor la distancia euclidiana, mejor el arquetipo describe a tu base. Calibra los % per-arquetipo.
Capítulo 7 · Stack técnico
Arquitectura moderna y verificable — no una caja negra.
Capa de presentación
Framework moderno SSR/streaming
Server-first con hidratación selectiva
Sistema de diseño tokenizado
Tema oscuro/claro + tokens semánticos
Visualizaciones SVG nativas
Sparklines y charts sin librerías pesadas
Animaciones GPU
Pulso live, gradientes, transiciones
Capa de cómputo
Funciones serverless con tiers
API endpoints + edge handlers
Cron jobs distribuidos
Refresh menciones, observatorio, validación
Queue durable con retry
Pipeline batch resiliente a fallos
Postgres con RLS multi-tenant
Aislamiento de datos por gobierno
Capa cognitiva
Razonador LLM principal
Síntesis y razonamiento complejo
Modelos especializados ES-MX
Sentimiento, NER, clasificación tema
Búsqueda semántica vectorial
Recuperación contextual y RAG
Detector de anomalías
Picos, bot brigades, eventos atípicos
Conectores externos
Pauta + orgánico de redes
Métricas directas de plataformas
Social listening de terceros
Menciones cross-plataforma
Agregadores de prensa
Cobertura nacional + local con URL directa
Lectura de sitios + logo lookup
Contexto de marca y atribución visual
Compromiso final
Transparencia metodológica es la diferencia entre una herramienta seria y un dashboard cosmético.
Cada métrica tiene fuente visible
Source tags en cada card del dashboard. Sabes si viene de Meta API, proveedor externo, inferencia AI o hipótesis.
Cada inferencia es auditable
El texto crudo de cada comentario, mención y noticia se guarda. Si la AI clasifica algo dudosamente, puedes revisarlo y corregir.
Cada fórmula es explícita
No hay 'modelo proprietario opaco'. Las ocho fórmulas viven en este documento. Si cambian, se actualiza con changelog.
La frase corta: esta plataforma combina cinco disciplinas — IA, marketing, data science, neurociencia y psicología social — para convertir ruido en decisiones. La metodología no es secreto comercial. La ventaja no está en esconder cómo funciona; está en operarla mejor que nadie.
Capítulos 8 · 9 · 10 · 11 · 12
El subterráneo de la plataforma.
Cinco estratos sostienen cada métrica. El índice queda fijo a la izquierda — la lectura desfila a la derecha.
Cuadro sinóptico · capa 8 de 12
Capítulo 8 · Schemas
Lo que vive en la base. Tres tablas — el resto deriva.
mentions
9 cols- id·uuid pk
- tenant_id·uuid · RLS
- source·enum
- url·directo al original
- excerpt·raw siempre
- sentiment·float [-1,1]AI
- topic·enum · taxonomy_v3AI
- bot_score·float [0,1]AI
- embedding·vector(1536)
context_observations
6 cols- kind·alerta|oportunidad|riesgo|sintesis
- headline·text
- body·text
- recommendation·text
- input_source·trazable
- confidence·float [0,1]AI
audience_calibrations
4 cols- archetype_id·text
- centroid_embedding·vector(1536)
- share_pct_observed·vs teórico
- sentiment_observed·weighted
Capítulo 9 · Endpoints
Diez puntos de entrada. Cada uno con auth y propósito.
- POST/api/ingest/meta-ads—Nightly Meta Marketing API → metric_rollupsservice-role
- POST/api/ingest/meta-organic—Page Insights + commentsservice-role
- POST/api/ingest/listening—Webhook Mention/Brandwatch — pushHMAC sig
- POST/api/ingest/news—RSS poll + NewsAPI · cron 30mininternal
- POST/api/classify/sentiment—Batch LLM hasta 500 itemsinternal
- POST/api/synthesize/observatory—4–6 cards para Centro de Mandointernal
- POST/api/validate/archetypes—Cluster comments → matchea teóricosinternal
- GET/api/site-context—Lee URL del organismo · cache 6htenant
- GET/api/observations—Feed paginadotenant
- POST/api/upload/meta-csv—Parser CSV de Ads Managertenant
Capítulo 10 · Cron / Queue
La plataforma late en intervalos. Cada uno mantiene una capa.
X API · keyword search
NewsAPI + 6 feeds MX
batch LLM hasta 500
embedding sim > 0.92
4–6 cards / hora
refresca caches web
Centro de Mando al titular
weekly clustering
reporte mensual
z-score sweep
Capítulo 11 · Pseudocódigo
Los algoritmos críticos — abstractos, no recetarios.
dedupe.embedding_similarity()
▸ deduplicate(mention_new) ├─ candidates = window(6h, min_overlap=0.5) ├─ sim = cosine(emb(new), emb(c)) ├─ if sim > 0.92 → mark_as_duplicate ├─ if 0.78 < sim ≤ 0.92 → link_as_variant └─ else insert + enqueue(classify)
anomaly.z_score_sweep()
▸ detect_anomalies(metric, 30d) ├─ baseline = rolling_mean(metric) ├─ σ = rolling_std(metric) ├─ z = (metric − baseline) / σ ├─ if |z| ≥ 2.5 → emit(observation) └─ adaptive_baseline_update
bot_brigade.detector()
▸ detect_brigade(window=12h) ├─ feat.created_at_burst ├─ feat.lang_uniformity (cosine emb) ├─ feat.engagement_anomaly ├─ feat.posting_cadence (entropy) ├─ score = sigmoid(W·f + b) └─ if score > 0.7 → flag · no responder
archetype.validate_against_real()
▸ validate(theoretical, real_comments) ├─ embeddings = embed(real_comments) ├─ clusters = kmeans(emb, k=6).fit() ├─ for each a in ARCHETYPES: │ ├─ closest = argmin dist(a, clusters) │ ├─ a.share_pct_observed = closest.size │ └─ a.sentiment_observed = weighted_avg └─ persist audience_calibrations
Capítulo 12 · Seguridad
Multi-tenant. Cifrado. Auditabilidad. La capa más densa.
Aislamiento por tenant
RLS de Postgres en TODAS las tablas. Service-role solo crons internos. JWT firmado con tenant_id.
Cifrado en tránsito + reposo
TLS 1.3 obligatorio. Postgres encrypted at rest. Vector store igual. Backups AES-256.
Acceso al Centro de Mando
Owner/admin con factor biométrico. Sin caché en cliente. Watermarks únicos por workspace.
Auditoría
audit_log con cada clasificación AI, edición, login, export. Retención 90d en frío.
Anti-replay
Webhooks HMAC + timestamp ≤5min. Rate limit por IP y tenant en endpoints públicos.
PII
Author_id hasheado para reportes agregados. GDPR/LFPDPPP compliance.
Modelo proprio
Embeddings y prompts no se envían a proveedores con retention. Zero data retention en LLM.
Disclosure de IA
Cada inferencia lleva confidence + texto auditable. Humano puede sobrescribir.
Aviso de propiedad intelectual
Esta metodología, su pipeline, sus fórmulas y su modelo de integración disciplinar son propiedad intelectual de Happy Lemon. La licencia activa cubre exclusivamente al workspace gob-demo (Marina del Pilar Ávila Olmeda). Reproducción, replicación o uso por terceros no autorizado constituye infracción.
Este documento contiene marcas digitales únicas a este workspace. Cualquier copia conserva esa huella.
Versión metodológica · 2026 · Estado de integraciones
Happy Lemon · Plataforma Inteligente