Metodología

Sección 1

Nuestro enfoque

Rascasse ocupa una posición distintiva en el panorama de la investigación: Behavioral Audience Intelligence. No somos ni un proveedor de escucha social ni un proveedor de estudios de mercado. En su lugar, analizamos sistemáticamente el comportamiento digital observable a través de múltiples fuentes para construir perfiles de audiencia basados en lo que las personas hacen, no en lo que dicen.

Esta distinción es importante. La brecha entre las actitudes declaradas y el comportamiento real —la brecha entre lo que se dice y lo que se hace— está bien documentada tanto en la literatura académica como en la práctica del sector. Choi y Varian demostraron que el comportamiento de búsqueda digital predice la actividad económica del mundo real con mayor precisión que los instrumentos de encuesta tradicionales.1 Kosinski et al. demostraron que los registros digitales del comportamiento humano pueden predecir atributos personales con una precisión notable.2

El propio sector de la investigación de mercados reconoce cada vez más este desafío. En IIeX North America 2025, Qrious Insights presentó hallazgos que sugieren tasas de error de aproximadamente el 80 % en los datos de consumo de medios declarados por los propios encuestados.{{methodology.toc_item_14}} El informe «State of Survey Fraud 2025» de Rep Data analizó 4100 millones de intentos de encuesta y determinó que el 33 % eran fraudulentos y el 27 % se realizaron sin atención, lo que deja aproximadamente la mitad de las respuestas recopiladas como realmente utilizables.{{methodology.toc_item_15}}

Nuestro enfoque se ajusta a lo que el Código Internacional ICC/ESOMAR (5.ª edición, 2025) reconoce ahora formalmente: el papel legítimo del «investigador como curador de datos», es decir, profesionales que obtienen conocimientos a partir de fuentes de datos existentes en lugar de generar datos primarios mediante el contacto directo con los participantes.5

En ESOMAR Reimagine 2025, Heineken presentó un marco de riesgos para los datos sintéticos e imputados. En este marco, la metodología de Rascasse se clasifica como «Paso 1: Imputación de datos», la categoría de menor riesgo, ya que extrae inferencias de señales de comportamiento reales en lugar de generar datos sintéticos.{{methodology.toc_item_17}}

Principios clave

• Triangulación de múltiples fuentes: cada punto de datos se valida con fuentes independientes. Ninguna fuente individual domina el resultado.
• Datos agregados y no personales: procesamos patrones de comportamiento a nivel de población. Sin seguimiento individual, sin procesamiento de datos personales: cumplimiento del RGPD desde el diseño.
• Comportamiento observable frente a preferencias declaradas: las consultas de búsqueda, los patrones de interacción y el comportamiento de consumo proporcionan datos de mayor fiabilidad que las respuestas a encuestas autoinformadas.
• Transparencia sobre la incertidumbre: cuando los datos son escasos, informamos de la insuficiencia de datos en lugar de proporcionar valores imputados.

Sección 2

Arquitectura de datos e independencia

La arquitectura de datos de Rascasse es deliberadamente conservadora. Hemos operado sin que se haya producido ni una sola prohibición de fuentes, revocación de API, carta de cese y desistimiento o incumplimiento de los términos de servicio. Esto no es casualidad, sino que es intencionado. Nuestra arquitectura se basa en un comportamiento observable públicamente que no requiere acceso privilegiado a la API, autenticación de usuario ni colaboraciones con terceros que puedan ser revocadas.

Sin dependencia de cookies de terceros

Mientras que gran parte del ecosistema de la publicidad digital se enfrenta a la disrupción provocada por la obsolescencia de las cookies —Privacy Sandbox de Google, ITP de Safari, ETP de Firefox—, la metodología de Rascasse es totalmente independiente de las cookies. No realizamos un seguimiento de usuarios individuales a través de sitios web. Nuestros puntos de datos son patrones de comportamiento agregados: volúmenes de búsqueda, métricas de interacción y datos de interacción pública. Ninguno de ellos depende de mecanismos de seguimiento a nivel del navegador.

No se requieren datos de clientes

Rascasse no requiere acceso a los sistemas de eCRM de los clientes, a datos propios, a bases de datos de clientes ni a ninguna información confidencial. Nuestra inteligencia se deriva íntegramente de datos de comportamiento disponibles públicamente. Esto significa que no hay acuerdos de tratamiento de datos (DPA) más allá de los términos estándar de SaaS, no hay riesgo de mezclar datos de clientes con fuentes de terceros, no hay retrasos en la incorporación para la integración de datos y se cumple plenamente con el RGPD desde el diseño.

Independencia de fuentes

A diferencia de los competidores que dependen de la API de una única fuente —como Twitter/X Decahose o la API de marketing de Meta—, la arquitectura multisource de Rascasse garantiza que ningún cambio en una sola fuente pueda interrumpir nuestro flujo de datos. Cuando los servicios de terceros restringen el acceso a la API, como hizo Twitter/X en 2023 o como Meta ajusta periódicamente su API de marketing, nuestra metodología no se ve afectada.

La Guía de ESOMAR sobre la recopilación, observación y registro de datos pasivos reconoce explícitamente la legitimidad de la investigación basada en datos observables públicamente, siempre que se respeten los principios de transparencia y proporcionalidad —ambos cumplidos por diseño por la arquitectura de Rascasse.7

Sección 3

Fuentes de datos

Rascasse recoge datos de comportamiento de múltiples categorías independientes. Cada categoría capta una faceta distinta del comportamiento digital, y ninguna fuente concreta predomina en el resultado final. Este enfoque multisource sigue los principios de la fusión de datos descritos por Ipsos MediaCT: combinar flujos de datos independientes para producir estimaciones que ninguna fuente podría ofrecer por sí sola.8

Sección 4

Perfilado de puntos de datos

En el sistema de Rascasse, un punto de datos es cualquier objeto cultural, comercial o social discreto que genera un comportamiento digital cuantificable. Actualmente, el sistema perfila más de 320 000 puntos de datos en cinco categorías: marcas, personas, eventos, medios de comunicación y temas.

Creación de puntos de datos

Cada punto de datos se define mediante un conjunto seleccionado de palabras clave de búsqueda, alias y asignaciones de categorías. Esta selección es esencial: una misma consulta superficial puede referirse a diferentes puntos de datos (por ejemplo, «Jaguar» como marca de automóviles frente a «Jaguar» como animal), y la desambiguación requiere conocimientos especializados en la materia combinados con validación algorítmica.

Tamaño del punto de datos

El tamaño del punto de datos es una métrica normalizada que combina el volumen de búsqueda con los datos de interacción en redes sociales. Proporciona una medida comparable de la huella digital global de un punto de datos, lo que permite realizar comparaciones entre categorías y entre países. El tamaño del punto de datos es específico para cada tipo: una marca se pondera de forma diferente a una persona o un evento, lo que refleja los distintos patrones de comportamiento que genera cada tipo.

Factor de calidad (QualFactor)

Cada punto de datos lleva una puntuación QualFactor derivada de la validación cruzada entre datos de comportamiento basados en búsquedas y en interacción. Un QualFactor alto indica patrones consistentes en fuentes independientes; un QualFactor bajo desencadena una revisión manual o el enriquecimiento de datos.

Sección 5

Creación de audiencias

En Rascasse, las audiencias se crean a partir de puntos de datos mediante la selección de expertos en la materia, y no mediante agrupaciones algorítmicas. Esta elección de diseño deliberada garantiza la coherencia semántica: una audiencia de «Entusiastas de la automoción de gama alta» es creada por expertos que comprenden qué marcas, medios de comunicación, eventos e influencers definen ese segmento.

Audiencias basadas en un único punto de datos

El tipo de audiencia más sencillo se centra en un único punto de datos. «Fans de Club América» recoge todo el comportamiento digital asociado a Club América: patrones de búsqueda, interacción en redes sociales, consumo de contenido y afinidades de marca relacionadas.

Audiencias de múltiples puntos de datos

Las audiencias complejas combinan múltiples puntos de datos mediante combinaciones lógicas (Y, O, NO). Por ejemplo, una audiencia de «Moda sostenible» podría combinar marcas centradas en la sostenibilidad, medios de comunicación de moda ética e influencers relevantes, al tiempo que excluye las marcas de moda rápida.

Agregación ponderada

Al construir audiencias de múltiples puntos de datos, los puntos de datos que las componen se ponderan según su relevancia. Una audiencia de «Fans del hip-hop estadounidense» podría dar más peso a los artistas que a los medios de comunicación, reflejando el patrón de comportamiento más marcado que proporciona la interacción con los artistas.

Sección 6

Modelización demográfica

Los datos demográficos no se pueden observar directamente a partir de los datos de búsqueda. En su lugar, empleamos un enfoque de estimación de múltiples fuentes que combina varios indicadores demográficos independientes en una estimación compuesta. Cada indicador aporta un dato; el perfil demográfico final surge de la convergencia de estas aportaciones independientes.

El marco bayesiano en el que se basan los indicadores 2 y 5 sigue métodos establecidos en la ciencia del marketing, tal y como describen Rossi, Allenby y McCulloch (2005)9 y se aplica al modelado de la combinación de medios por parte de Google Research (2017).10

El componente de análisis demográfico visual se basa en la arquitectura DEX (Deep EXpectation) para la estimación de la edad aparente a partir de imágenes faciales¹¹ y en trabajos más amplios sobre la detección demográfica basada en el aprendizaje automático a partir de las redes sociales.¹²

Las distribuciones demográficas específicas de cada canal se calibran con respecto a los estudios en curso del Pew Research Center sobre los patrones de uso de las redes sociales en los distintos grupos demográficos.13

Sección 7

Modelización de afinidad y psicográfica

Puntuaciones de afinidad

La afinidad mide la fuerza relativa de la conexión entre una audiencia y una marca, una persona o una propiedad. El valor de referencia es 1,0, que representa la media del mercado. Una puntuación de afinidad superior a 1,0 indica un interés superior a la media; inferior a 1,0 indica un interés inferior a la media. Este enfoque basado en índices —habitual en la planificación de medios— permite la comparación directa entre puntos de datos y audiencias.

El cálculo de la afinidad se basa en técnicas de filtrado colaborativo y factorización de matrices, tal y como describen Koren, Bell y Volinsky (2009) en el contexto de los sistemas de recomendación.14 La idea central es que los patrones de coocurrencia en los datos de comportamiento revelan preferencias latentes que los puntos de datos individuales por sí solos no pueden captar.

Perfil psicográfico (28 rasgos)

Rascasse estima 28 rasgos psicográficos para cada audiencia, organizados en torno a dimensiones como la orientación hacia la sostenibilidad, la adopción de tecnología, la afinidad por el lujo, la conciencia sobre la salud y el compromiso cultural.

Cada rasgo se puntúa a través de puntos de datos marcadores: marcas, personas y propiedades que sirven como indicadores sólidos de una dimensión psicográfica concreta. Por ejemplo, el rasgo «Sostenibilidad» se basa en patrones de interacción con marcas como Patagonia, medios de comunicación sobre el cambio climático y eventos centrados en temas medioambientales. La puntuación del rasgo representa en qué medida una audiencia supera o queda por debajo del índice en estos puntos de datos marcadores en relación con la población general.

Este enfoque se basa en investigaciones sobre la predicción de rasgos psicológicos a partir del comportamiento digital² y en el Marco de Valores de Schwartz, que proporciona una taxonomía de los valores humanos con base teórica.¹⁵ Boyd et al. (2015) demostraron que las orientaciones de valores pueden inferirse de forma fiable a partir de los patrones de comportamiento digital.¹⁶

Sección 8

Inteligencia de ubicación

Rascasse proporciona inteligencia a nivel de ubicación en 172 países, más de 100 000 ciudades y más de 250 000 códigos postales. Los datos de ubicación se obtienen a partir de la distribución geográfica del comportamiento de búsqueda, combinada con el análisis espacial de los puntos de interés (PDI).

Afinidad de ubicación

La afinidad de ubicación mide el grado de resonancia de una marca o propiedad en una zona geográfica específica en relación con la media nacional. Combina la distribución del volumen de búsquedas con los patrones de interés, siguiendo la metodología de análisis regional descrita por primera vez por Choi y Varian (2012).1

Base de datos de puntos de interés (POI)

El sistema mantiene una base de datos de más de 8 millones de puntos de interés procedentes de bases de datos geográficas abiertas, que incluyen ubicaciones de recintos, tiendas minoristas, instituciones culturales e instalaciones deportivas. Los POI se asignan a la taxonomía de ciudades y regiones de Rascasse, lo que permite un análisis espacial que conecta el comportamiento digital con la presencia en el mundo físico.

Detección de valores atípicos

No todos los puntos de datos geográficos son significativos. El sistema emplea la validación de vecindad para distinguir las tendencias locales genuinas de los artefactos de datos: una ciudad que muestre una afinidad inusualmente alta se valida comparándola con sus ciudades vecinas y con los patrones a nivel regional. Los picos aislados sin corroboración regional se marcan como posibles artefactos en lugar de presentarse como información relevante.

Sección 9

Cuota de búsqueda

La cuota de búsqueda mide la proporción de una marca respecto al volumen total de búsquedas de marca dentro de un conjunto competitivo definido. Propuesta formalmente por primera vez por Les Binet en IPA EffWorks Global en 202017, esta métrica ha sido validada desde entonces como un indicador fiable de la cuota de mercado.

El Think Tank de la IPA, dirigido por James Hankins, analizó 30 estudios en 12 categorías y 7 países, y concluyó que la cuota de búsqueda representa aproximadamente el 83 % de la variación de la cuota de mercado.18 Es fundamental destacar que los cambios en la cuota de búsqueda tienden a preceder a los cambios en la cuota de mercado real, lo que la convierte en un indicador adelantado de la dinámica competitiva.

Rascasse Implementación

• Definición flexible de categorías: los conjuntos competitivos se definen por caso de uso, sin limitarse a taxonomías predefinidas. Un conjunto de «automóviles de gama alta» en Alemania puede diferir del mismo concepto en Estados Unidos.
• Seguimiento mensual: La cuota de búsqueda se calcula mensualmente con comparaciones interanuales, lo que permite detectar tendencias más allá de las fluctuaciones estacionales.
• Granularidad a nivel de país: cada mercado se analiza de forma independiente, reflejando que la dinámica competitiva varía según la geografía.
• Normalización: Los volúmenes de búsqueda brutos se normalizan para tener en cuenta las fluctuaciones estacionales y el crecimiento o declive a nivel de categoría.

Sección 10

Validación y limitaciones

Marco de validación

Rascasse utiliza múltiples mecanismos de validación para garantizar la calidad de los resultados:

• Coherencia entre fuentes: los puntos de datos deben confirmarse en al menos dos fuentes independientes antes de ser comunicados con un alto grado de fiabilidad. Los puntos de datos procedentes de una sola fuente se marcan como tales.
• Estabilidad temporal: Los resultados se validan a lo largo de series temporales para filtrar el ruido de un solo mes. Los cambios repentinos y no corroborados dan lugar a una revisión en lugar de a un informe automático.
• Benchmark Comparación con datos públicos: los perfiles se comparan periódicamente con datos disponibles externamente —índices de audiencia televisiva, cifras de ventas publicadas, datos demográficos del censo y resultados de estudios de mercado disponibles públicamente—.
• Puntuación del factor de calidad: Cada dato lleva asociado un factor de calidad (QualFactor) que refleja la coherencia y la amplitud de los datos subyacentes. Los datos con un factor de calidad bajo se marcan en la interfaz de usuario.

Limitaciones conocidas

Creemos que la transparencia sobre las limitaciones es esencial para la credibilidad metodológica. Las siguientes son las limitaciones conocidas de nuestro enfoque:

Para obtener una lista completa de las referencias académicas en las que se basa esta metodología, consulte nuestra bibliografía.