En corto- Una IA revisa tu imagen con reglas basadas en investigación publicada sobre atención, emoción, recompensa y memoria.
- Te da un NeuroScore, 7 señales, 3 cambios marcados en tu imagen y un mapa de atención estimado.
- Es una predicción direccional para decidir qué cambiar. No mide cerebros ni sigue la mirada de personas reales.
01Qué pasa cuando subes una pieza
LecturaLa IA describe todo lo que se ve: textos, personas, producto, marca, colores, jerarquía. También ubica cada elemento en la imagen.
CalificaciónOtro paso califica las 7 señales con reglas y anclas fijas, sin saber tu objetivo, para que la calificación no se infle.
NeuroScoreCombinamos las señales con pesos que cambian según el objetivo que elegiste (recordación, conversión, emoción o confianza).
RecomendacionesUn último paso escribe los 3 cambios con más impacto, qué no tocar, y los liga a zonas de tu imagen y al mapa de atención.
Todo tarda unos 2 minutos. La IA que hace la lectura y las recomendaciones es Claude, de Anthropic.
02Las 7 señales
Cada señal responde una pregunta que importa antes de publicar. El número es de 0 a 100.
AtenciónPeso por defecto: 18%
¿Lo ven en el primer segundo? Contraste, un punto focal claro, rostros y tamaño del mensaje.
Base: Itti y Koch; Pieters y WedelEmociónPeso por defecto: 22%
¿Les hace sentir algo? Claridad del tono emocional, tensión narrativa, personas y gestos.
Base: DamasioDeseoPeso por defecto: 20%
¿Les dan ganas de tenerlo? Beneficio visible, oferta, prueba social y una acción clara.
Base: Knutson et al.; CialdiniConfianzaPeso por defecto: 8%
¿Se entiende rápido y se cree? Fluidez: qué tan fácil es de leer y entender. Lo fácil de procesar se percibe más creíble.
Base: Reber y Schwarz; KahnemanConexiónPeso por defecto: 10%
¿Lo compartirían? Valor social, identidad, utilidad práctica e historia.
Base: Berger y MilkmanMemoriaPeso por defecto: 17%
¿Recordarán la marca mañana? Marca integrada y visible, un elemento distintivo, imagen y texto que dicen lo mismo.
Base: von Restorff; Pieters y WedelIncomodidadPeso por defecto: 5%
¿Cuesta trabajo verlo? Cuántos elementos compiten, jerarquía y legibilidad en el celular. Aquí, menos es mejor.
Base: Sweller; Kahneman03Cómo leer el NeuroScore
70+Listo para publicar
55–69Ajusta antes de publicar
<55Rehazlo antes de invertir
Úsalo para comparar versiones de la misma pieza y para priorizar cambios. La misma imagen puede variar unos pocos puntos entre escaneos, así que tratamos diferencias menores a 3 puntos como un empate.
04El mapa de atención
Es una predicción aproximada de a dónde se va la mirada primero. Combina tres cosas conocidas:
- Saliencia visual: contraste de color, brillo y forma (Itti y Koch; Hou y Zhang).
- Lo que atrae la mirada en publicidad: rostros, titulares y producto más que el fondo (Judd et al.; Pieters y Wedel).
- La tendencia a mirar primero al centro de la imagen.
No es eye tracking ni una medición con personas. Los porcentajes por elemento son relativos y aproximados.
05Qué no es Aceiba
- No mide la actividad del cerebro de nadie. La ilustración del cerebro muestra las regiones que la investigación asocia a cada señal.
- No es un estudio con personas ni garantiza resultados de campaña.
- Todavía no tiene un estudio de validación contra resultados reales publicado. Cuando lo tengamos, lo publicaremos aquí.
06Límites conocidos
- Solo imágenes fijas (JPG, PNG, WEBP, GIF). Video todavía no.
- Las zonas marcadas y el mapa de atención son aproximados.
- El contexto cultural de tu audiencia importa. Llenar el contexto de marca en Ajustes hace que las recomendaciones sean más precisas.
- Es un insumo para decidir, no un sustituto de probar con tu audiencia real.
07Tus datos
Tus imágenes se borran a los 15 días y no se usan para entrenar modelos. Detalles en el aviso de privacidad.
08Referencias
- Itti, L., Koch, C. y Niebur, E. (1998). A model of saliency-based visual attention for rapid scene analysis. IEEE TPAMI, 20(11). doi:10.1109/34.730558
- Itti, L. y Koch, C. (2001). Computational modelling of visual attention. Nature Reviews Neuroscience, 2(3), 194–203. doi:10.1038/35058500
- Hou, X. y Zhang, L. (2007). Saliency detection: A spectral residual approach. CVPR. doi:10.1109/CVPR.2007.383267
- Judd, T., Ehinger, K., Durand, F. y Torralba, A. (2009). Learning to predict where humans look. ICCV. doi:10.1109/ICCV.2009.5459462
- Pieters, R. y Wedel, M. (2004). Attention capture and transfer in advertising: Brand, pictorial, and text-size effects. Journal of Marketing, 68(2), 36–50. doi:10.1509/jmkg.68.2.36.27794
- Damasio, A. (1994). Descartes' Error: Emotion, Reason, and the Human Brain. Putnam.
- Knutson, B., Rick, S., Wimmer, G. E., Prelec, D. y Loewenstein, G. (2007). Neural predictors of purchases. Neuron, 53(1), 147–156. doi:10.1016/j.neuron.2006.11.010
- Reber, R. y Schwarz, N. (1999). Effects of perceptual fluency on judgments of truth. Consciousness and Cognition, 8(3), 338–342. doi:10.1006/ccog.1999.0386
- Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
- Berger, J. y Milkman, K. L. (2012). What makes online content viral? Journal of Marketing Research, 49(2), 192–205. doi:10.1509/jmr.10.0353
- von Restorff, H. (1933). Über die Wirkung von Bereichsbildungen im Spurenfeld. Psychologische Forschung, 18, 299–342. doi:10.1007/BF02409636
- Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. doi:10.1207/s15516709cog1202_4
- Cialdini, R. B. (2021). Influence, New and Expanded: The Psychology of Persuasion. Harper Business.
Pruébalo con tu pieza.
3 escaneos gratis al mes. Sin tarjeta.
Empezar gratis