Ir al contenido
Base de conocimiento

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.

La gestión de campañas asistida por IA ofrece dos interfaces complementarias para trabajar con la plataforma Askalot:

  1. Asistente de campañas: un recorrido guiado en varios pasos para que los principiantes creen campañas desde cero
  2. Interfaz de chat: una interfaz conversacional, disponible en cualquier momento, para peticiones puntuales y operaciones complejas

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.

  • 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
Paso 1: Diseño de la campañaPaso 2: Público objetivoPaso 3: Estrategia de muestreoPaso 4: Grupo de encuestadosPaso 5: Revisión y lanzamientoNombre y descripciónSeleccionar o crear el cuestionarioElegir el modo de la campañaDefinir los requisitos demográficosFijar el tamaño de muestra objetivoConfigurar los factores de estratificaciónSeleccionar o crear la estrategia de muestreoRevisar las distribuciones objetivoElegir la métrica de calidadGenerar el grupo: tamaño solicitado, factor de sobremuestreoPrevisualizar las métricas de calidad del grupoAjustar el grupo manualmente (opcional)Resumen de toda la configuraciónMétricas de finalización estimadasLanzar la campaña o guardarla como borrador

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

La IA analiza el tema de la investigación y el contenido del cuestionario para recomendar los factores de estratificación adecuados.

Cómo funciona:

  1. Comprensión del tema: la IA analiza la descripción de la campaña y el cuestionario
  2. Recomendación de factores: sugiere los factores que podrían introducir sesgo si no se controlan
  3. Propuesta de distribuciones: recomienda distribuciones objetivo basadas en datos de población
  4. 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?

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
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.

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?

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.

  • 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
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»
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»

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)
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»

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?

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»

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 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.

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

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)

  • 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
  • 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