Gestión de campañas asistida por IA
Este documento describe las funciones de gestión de campañas asistida por IA, que ayudan a los usuarios a diseñar y gestionar campañas de encuesta mediante interfaces conversacionales.
Descripción general
Sección titulada «Descripción general»La gestión de campañas asistida por IA ofrece dos interfaces complementarias para trabajar con la plataforma Askalot:
- Asistente de campañas: un recorrido guiado en varios pasos para que los principiantes creen campañas desde cero
- Interfaz de chat: una interfaz conversacional, disponible en cualquier momento, para peticiones puntuales y operaciones complejas
Asistente de campañas
Sección titulada «Asistente de campañas»El asistente de campañas guía a los usuarios por todo el proceso de creación de una campaña, de modo que resulte accesible incluso para quienes no conocen los flujos de trabajo de la investigación por encuesta.
Finalidad
Sección titulada «Finalidad»- Reducir la barrera de entrada para los usuarios nuevos
- Garantizar que se completen todos los pasos necesarios en el orden correcto
- Ofrecer ayuda contextual y recomendaciones en cada paso
- Reducir errores validando los datos antes de continuar
Pasos del asistente de campañas
Sección titulada «Pasos del asistente de campañas»Ayuda de la IA en el asistente de campañas
Sección titulada «Ayuda de la IA en el asistente de campañas»En cada paso, la IA puede:
| Paso | Capacidades de la IA |
|---|---|
| Diseño de la campaña | Sugerir un cuestionario según los objetivos de la investigación y recomendar el modo de la campaña |
| Público objetivo | Recomendar el tamaño de muestra según los requisitos estadísticos y sugerir factores demográficos |
| Estrategia de muestreo | Analizar el tema de la investigación, recomendar factores de estratificación más allá del género y la edad, proponer distribuciones objetivo y explicar las ventajas e inconvenientes (consulte Diseño de estrategias de muestreo asistido por IA) |
| Grupo de encuestados | Explicar las métricas de calidad y sugerir mejoras si la distribución no coincide con los objetivos |
| Revisión y lanzamiento | Resumir la configuración de la campaña y señalar posibles problemas |
Ejemplo de interacción con el asistente de campañas
Sección titulada «Ejemplo de interacción con el asistente de campañas»User: "I want to conduct a customer satisfaction survey"
AI: I'll help you set up a customer satisfaction campaign. Let's start with the basics.
Step 1: Campaign Design
What would you like to name this campaign?
[Input: Campaign Name]
I found these questionnaires that match "customer satisfaction": - customer_satisfaction_nps.qml (NPS + open feedback) - customer_satisfaction_detailed.qml (comprehensive 20-question survey)
Which would you like to use, or should I help you create a new one?Diseño de estrategias de muestreo asistido por IA
Sección titulada «Diseño de estrategias de muestreo asistido por IA»Diseñar una muestra representativa exige elegir bien los factores de estratificación. Aunque el género y la edad son factores ortogonales habituales en la mayoría de las investigaciones, muchos estudios necesitan factores adicionales propios de su tema. La IA ayuda a identificar y configurar estos factores específicos de cada investigación.
Factores estándar frente a factores específicos de la investigación
Sección titulada «Factores estándar frente a factores específicos de la investigación»| Tipo de factor | Ejemplos | Cuándo utilizarlo |
|---|---|---|
| Estándar (siempre incluidos) | Género, edad | En todas las campañas: representación demográfica básica |
| Geográficos | Región, urbano/rural, provincia | Investigaciones que dependen de la ubicación, comparaciones regionales |
| Socioeconómicos | Ingresos, nivel de estudios, situación laboral | Estudios de consumo, estudios económicos |
| Actitudinales | Orientación política, valores | Sondeos de opinión, investigación social |
| Conductuales | Uso de productos, consumo de medios | Estudios de mercado, estudios de comportamiento |
Análisis del tema de la investigación
Sección titulada «Análisis del tema de la investigación»La IA analiza el tema de la investigación y el contenido del cuestionario para recomendar los factores de estratificación adecuados.
Cómo funciona:
- Comprensión del tema: la IA analiza la descripción de la campaña y el cuestionario
- Recomendación de factores: sugiere los factores que podrían introducir sesgo si no se controlan
- Propuesta de distribuciones: recomienda distribuciones objetivo basadas en datos de población
- Explicación de las ventajas e inconvenientes: explica el coste y el beneficio de añadir cada factor
Ejemplo: investigación sobre preferencia de partido
Sección titulada «Ejemplo: investigación sobre preferencia de partido»User: "I want to create a campaign to measure party preferences for the upcoming election"
AI: For election polling, I recommend stratifying beyond standard demographics.
Standard Factors (recommended): ┌─────────────────┬────────────────────────────────────────┐ │ Factor │ Target Distribution │ ├─────────────────┼────────────────────────────────────────┤ │ Gender │ Male 48%, Female 50%, Other 2% │ │ Age │ 18-29: 18%, 30-44: 22%, 45-59: 25%, │ │ │ 60+: 35% │ └─────────────────┴────────────────────────────────────────┘
Research-Specific Factors (recommended for election polling): ┌─────────────────┬────────────────────────────────────────┐ │ Factor │ Rationale │ ├─────────────────┼────────────────────────────────────────┤ │ Education │ Strong correlation with voting │ │ │ patterns and party preference │ ├─────────────────┼────────────────────────────────────────┤ │ Settlement Type │ Urban/suburban/rural divide affects │ │ │ political orientation significantly │ ├─────────────────┼────────────────────────────────────────┤ │ Prior Vote │ Previous election choice is the │ │ (2022) │ strongest predictor of current intent │ └─────────────────┴────────────────────────────────────────┘
⚠️ Note on Political Orientation: Including "left/right self-placement" as a stratification factor is controversial - it can introduce bias if the target distribution is incorrectly specified. I recommend using it for weighting post-collection rather than pre-stratification.
Would you like me to: 1. Add Education and Settlement Type as factors? 2. Explain how to handle Prior Vote recall? 3. Show the statistical impact of each factor?Ejemplo: investigación sobre un producto de consumo
Sección titulada «Ejemplo: investigación sobre un producto de consumo»User: "Create a campaign for testing a new premium coffee brand"
AI: For premium product research, your sample needs to represent the potential customer base, not just the general population.
Standard Factors: ┌─────────────────┬────────────────────────────────────────┐ │ Gender │ Male 48%, Female 50%, Other 2% │ │ Age │ Focus on 25-54 (primary coffee buyers) │ └─────────────────┴────────────────────────────────────────┘
Recommended Research-Specific Factors: ┌─────────────────┬────────────────────────────────────────┐ │ Factor │ Rationale │ ├─────────────────┼────────────────────────────────────────┤ │ Income Bracket │ Premium products require disposable │ │ │ income - undersample low-income │ ├─────────────────┼────────────────────────────────────────┤ │ Coffee │ Non-coffee drinkers are irrelevant; │ │ Consumption │ heavy users provide better insights │ ├─────────────────┼────────────────────────────────────────┤ │ Purchase │ Supermarket vs. specialty store vs. │ │ Channel │ online affects brand perception │ └─────────────────┴────────────────────────────────────────┘
Should I configure these factors with recommended distributions?Detalles de configuración de los factores
Sección titulada «Detalles de configuración de los factores»Para cada factor recomendado, la IA indica:
| Configuración | Descripción |
|---|---|
| Ruta del atributo | Qué campo del encuestado se utiliza (p. ej., custom_attributes.education) |
| Tipo de factor | discrete (categorías), bucketed (intervalos) o geographic |
| Distribución objetivo | Las proporciones de población que se deben reproducir |
| Peso | La importancia relativa frente a los demás factores |
| Fuente de datos | Censo, datos de panel o especificación personalizada |
Añadir factores personalizados
Sección titulada «Añadir factores personalizados»User: "I also want to stratify by smartphone brand preference"
AI: I can add "Smartphone Brand" as a custom factor.
Configuration needed: ┌────────────────────┬──────────────────────────────────────┐ │ Setting │ Value │ ├────────────────────┼──────────────────────────────────────┤ │ Factor Name │ Smartphone Brand │ │ Attribute Path │ custom_attributes.smartphone_brand │ │ Factor Type │ discrete │ │ Categories │ [Apple, Samsung, Other Android, │ │ │ Other, None] │ └────────────────────┴──────────────────────────────────────┘
What target distribution would you like?
Option A: Match market share (Apple 28%, Samsung 25%, Other Android 35%, ...) Option B: Equal representation (20% each) Option C: Custom distribution
Note: Your respondent database must have this attribute populated. Currently 67% of respondents have smartphone_brand recorded.Vista previa de la calidad de la estrategia
Sección titulada «Vista previa de la calidad de la estrategia»Antes de finalizar, la IA muestra hasta qué punto es viable la estrategia:
AI: Strategy Preview for "Election Poll Q1 2026"
Factors configured: Gender, Age, Education, Settlement Type
Achievability Analysis: ┌─────────────────┬───────────┬───────────┬─────────────────┐ │ Factor │ Target │ Available │ Match Quality │ ├─────────────────┼───────────┼───────────┼─────────────────┤ │ Gender │ 48/50/2 │ 47/51/2 │ ✅ Excellent │ │ Age 18-29 │ 18% │ 12% │ ⚠️ Undersample │ │ Age 60+ │ 35% │ 41% │ ⚠️ Oversample │ │ Higher Ed │ 32% │ 38% │ ✅ Good │ │ Rural │ 28% │ 19% │ ❌ Gap │ └─────────────────┴───────────┴───────────┴─────────────────┘
Recommendations: 1. Young respondents (18-29) are underrepresented in your database. Consider: Panel recruitment or oversample factor of 1.5x
2. Rural respondents are significantly underrepresented. Options: - Accept bias and apply post-stratification weighting - Import additional rural respondents from external panel - Reduce rural target to match available pool
How would you like to proceed?Interfaz de chat
Sección titulada «Interfaz de chat»La interfaz de chat ofrece una forma conversacional de realizar operaciones puntuales y tareas complejas de varios pasos sin recorrer los formularios tradicionales de la interfaz.
Finalidad
Sección titulada «Finalidad»- Permitir a los usuarios avanzados ejecutar operaciones rápidamente en lenguaje natural
- Atender peticiones complejas que abarcan varias entidades
- Ofrecer un «compañero de reflexión» para planificar y analizar campañas
- Admitir operaciones en bloque y manipulación de datos
Capacidades
Sección titulada «Capacidades»Gestión de entidades
Sección titulada «Gestión de entidades»| Operación | Ejemplo de petición |
|---|---|
| Crear entidades | «Cree un proyecto nuevo llamado “Q1 Research”» |
| Modificar entidades | «Actualice la descripción de la campaña para incluir la nueva fecha límite» |
| Consultar entidades | «Muéstreme todas las campañas que están activas» |
| Eliminar entidades | «Quite del grupo a los encuestados de prueba» |
Operaciones con estrategias de muestreo
Sección titulada «Operaciones con estrategias de muestreo»| Operación | Ejemplo de petición |
|---|---|
| Crear una estrategia | «Cree una estrategia de muestreo para un sondeo electoral con el nivel de estudios como factor adicional» |
| Modificar factores | «Añada el tipo de municipio como factor a la estrategia existente» |
| Analizar la cobertura | «¿Alcanza mi base de encuestados para una estrategia de 1000 casos con estos factores?» |
| Comparar estrategias | «Muéstreme en qué se diferencian las dos estrategias en sus distribuciones objetivo» |
Operaciones con grupos
Sección titulada «Operaciones con grupos»Los grupos están pensados para usarse en una sola campaña: por lo general, no se vuelve a encuestar a quienes ya han participado. Utilice las estrategias (plantillas reutilizables) para generar grupos nuevos para las campañas nuevas.
| Operación | Ejemplo de petición |
|---|---|
| Generar un grupo | «Genere un grupo de 400 personas a partir de la estrategia electoral para mi campaña del segundo trimestre» |
| Fusionar grupos | «Fusione los grupos “Urban” y “Suburban” en un grupo nuevo llamado “Metro”» |
| Filtrar grupos | «Cree un grupo nuevo solo con los encuestados de 25 a 34 años del grupo principal» |
| Analizar grupos | «¿Cómo se compara mi grupo actual con la distribución objetivo?» |
| Actualizar grupos | «Regenere el grupo con la estrategia actualizada» (se mantiene el tamaño solicitado del propio grupo) |
Operaciones con campañas
Sección titulada «Operaciones con campañas»| Operación | Ejemplo de petición |
|---|---|
| Consultar el estado | «¿Cuál es la tasa de finalización de la campaña NPS?» |
| Acciones en bloque | «Envíe recordatorios a todos los encuestados que no han empezado» |
| Reasignación | «Pase las encuestas incompletas del entrevistador A al entrevistador B» |
| Análisis | «Compare las tasas de respuesta de las dos versiones de la campaña» |
Ejemplos de interacciones por chat
Sección titulada «Ejemplos de interacciones por chat»Fusión de grupos
User: "Merge the 'Panel A' and 'Panel B' pools to get more respondents for the satisfaction campaign"
AI: I'll merge those pools for you.
Found: - Panel A: 450 respondents - Panel B: 380 respondents
Creating merged pool 'Panel A + Panel B' with 830 respondents...
✓ Merged pool created successfully
Would you like me to: 1. Assign this pool to the satisfaction campaign? 2. Check for duplicate respondents between the pools? 3. Review the demographic distribution of the merged pool?Consulta compleja
User: "Show me which interviewers have the lowest completion rates and suggest how to redistribute their workload"
AI: Analyzing interviewer performance for the active campaign...
Completion Rates: ┌─────────────────┬────────────┬───────────┬──────────┐ │ Interviewer │ Assigned │ Completed │ Rate │ ├─────────────────┼────────────┼───────────┼──────────┤ │ Maria Santos │ 45 │ 42 │ 93% │ │ John Chen │ 50 │ 38 │ 76% │ │ Alex Kim │ 48 │ 22 │ 46% ⚠️ │ │ Sarah Johnson │ 52 │ 18 │ 35% ⚠️ │ └─────────────────┴────────────┴───────────┴──────────┘
Recommendation: Alex Kim and Sarah Johnson have significantly lower completion rates.
I suggest redistributing their remaining 60 surveys to Maria Santos and John Chen, who have capacity and higher completion rates.
Should I proceed with this redistribution?Contexto de la conversación
Sección titulada «Contexto de la conversación»La interfaz de chat conserva el contexto entre mensajes, lo que permite:
- Preguntas de seguimiento: «Ahora filtre ese grupo para incluir solo a mujeres»
- Peticiones de aclaración: «¿Qué quiere decir con “factor de sobremuestreo”?»
- Flujos de varios turnos: construir operaciones complejas paso a paso
- Deshacer y revertir: «Mejor deshaga esa última fusión»
Arquitectura de agentes
Sección titulada «Arquitectura de agentes»El asistente de campañas y la interfaz de chat funcionan con el agente Gestor, que interactúa con la plataforma Askalot mediante herramientas MCP (Model Context Protocol).
El agente Gestor
Sección titulada «El agente Gestor»El Gestor se encarga del ciclo de vida de la campaña: el diseño de la estrategia de muestreo, la generación del grupo de encuestados, la creación de la campaña y la supervisión del trabajo de campo en curso. Delega el seguimiento de la recogida de datos activa (tasas de respuesta, cobertura de los segmentos, alertas de calidad) en un subagente supervisor de campo, que recomienda ajustes de cuotas, de segmentación o de calendario. Para el diseño de cuestionarios y la edición de QML, el Gestor le remite al agente Diseñador (consulte Generación de cuestionarios).
Herramientas MCP disponibles para los agentes
Sección titulada «Herramientas MCP disponibles para los agentes»Los agentes tienen acceso a toda la API de Askalot mediante herramientas MCP (Model Context Protocol) que abarcan proyectos, campañas, cuestionarios, encuestados, grupos, estrategias de muestreo y más.
Consulte la Referencia de la interfaz MCP para ver la lista completa de herramientas disponibles y sus parámetros.
Fundamentación en la literatura sobre muestreo
Sección titulada «Fundamentación en la literatura sobre muestreo»Cuando se le pide que justifique una estrategia de muestreo («¿por qué sobremuestrear la cohorte de 65 años o más?», «¿basta este tamaño de muestra para comparar subgrupos?», «¿cuál es aquí el efecto de diseño de un diseño estratificado?»), el agente Gestor consulta la literatura revisada por pares sobre metodología de muestreo (Heeringa, West y Berglund 2010; Bethlehem y Biffignandi 2012; Schouten et al. 2009, 2013; y Kish 1965 cuando resulta determinante) y cita el artículo y el año en su respuesta. Consulte Resumen de las funciones asistidas por IA → Fundamentación en metodología revisada por pares.
Proveedor de IA
Sección titulada «Proveedor de IA»Los agentes de IA funcionan con los modelos Claude de Anthropic; el servicio de inferencia local de la plataforma se utiliza únicamente para los embeddings de documentos, no para las tareas de los agentes. El proveedor se elige explícitamente en la Configuración del perfil y nunca se pasa automáticamente de uno a otro (consulte Proveedor de IA):
| Pasarela | Modelos | Caso de uso |
|---|---|---|
| Anthropic API | Claude Opus, Sonnet, Haiku | Acceso directo a la API, con una clave de pago por uso |
| AWS Bedrock | Claude Opus, Sonnet, Haiku | Implantaciones empresariales con AWS IAM y controles de residencia de datos |
Permisos de usuario
Sección titulada «Permisos de usuario»Las funciones asistidas por IA respetan el modelo de permisos existente:
| Rol | Acceso al asistente de campañas | Acceso al chat |
|---|---|---|
| Propietario | Completo | Completo |
| Gestor | Completo | Completo |
| Analista | Solo lectura | Solo consultas |
| Entrevistador | Ninguno | Limitado (sus propias encuestas) |
Buenas prácticas
Sección titulada «Buenas prácticas»Cuándo utilizar el asistente de campañas
Sección titulada «Cuándo utilizar el asistente de campañas»- Al crear una campaña por primera vez
- Al incorporar a nuevos miembros del equipo
- Para tipos de campaña habituales con configuraciones típicas
- Cuando la validación paso a paso es importante
Cuándo utilizar la interfaz de chat
Sección titulada «Cuándo utilizar la interfaz de chat»- Usuarios avanzados que saben lo que quieren
- Operaciones complejas que abarcan varias entidades
- Consultas puntuales y exploración de datos
- Operaciones en bloque sobre datos existentes
Documentación relacionada
Sección titulada «Documentación relacionada»- Gestión de campañas: conceptos básicos de las campañas
- Generación de cuestionarios asistida por IA: ayuda de la IA para diseñar cuestionarios
- Generación agéntica de respuestas: simulación de campañas con datos sintéticos
- Análisis de resultados asistido por IA: ayuda de la IA para analizar datos