Skip to main content

​
¿Qué es un Modelo de Análisis?

Un modelo de análisis define los criterios y estructura de evaluación para las llamadas. Es la “receta” que Neuracall sigue para generar el NeuraScore.

​
Componentes de un Modelo

Un modelo se compone de tres elementos principales:

Categorías

Agrupaciones lógicas de criterios por fase de la llamada

Variables

Criterios específicos de evaluación y extracción

Metadata

Campos contextuales para segmentación

​
Arquitectura de Componentes

El siguiente diagrama muestra cómo se relacionan los componentes de un modelo de análisis:
Las Variables pertenecen a Categorías, y juntas determinan la puntuación. La Metadata es independiente y se usa para segmentar y filtrar análisis en dashboards.

​
Información Básica

CampoDescripciónEjemplo
nameNombre único del modelo”Evaluación Ventas B2B”
descriptionPropósito del modelo”Evaluación de llamadas comerciales…“
promptInstrucciones para el análisisConfiguración de IA

​
Categorías

Las categorías agrupan criterios relacionados: 
{
  "categories": [
    {
      "name": "Apertura",
      "description": "Evaluación del inicio de la llamada",
      "order_number": 1
    },
    {
      "name": "Desarrollo",
      "description": "Cuerpo de la interacción",
      "order_number": 2
    },
    {
      "name": "Cierre",
      "description": "Finalización de la llamada",
      "order_number": 3
    }
  ]
}
Para más detalles sobre cómo estructurar categorías, consulta la guía de Categorías de Modelo.

​
Variables

Cada categoría contiene variables específicas: 
{
  "variables": [
    {
      "key": "greeting_quality",
      "readable_name": "Calidad del Saludo",
      "description": "Evalúa si el agente saluda de forma cordial y profesional",
      "type": "INTEGER",
      "weight": 10,
      "category_id": 1,
      "required": true
    }
  ]
}
Para más detalles sobre tipos de variables y distribución de pesos, consulta la guía de Variables de Modelo.

​
Tipos de Variables

TipoUsoEjemplo
INTEGERPuntuación numéricaScore 0-10
DECIMALPuntuación con decimalesScore 8.5
BOOLEANSí/No”¿Mencionó el nombre del cliente?”
STRINGTexto libreComentario u observación
DATEFechaFecha mencionada
TIMEHoraHora de cita
DATETIMEFecha y horaTimestamp completo

​
Diseño de un Modelo Efectivo

​
1. Define el Objetivo

Pregúntate: ¿Qué quiero medir? ¿Qué comportamientos son críticos?

​
2. Estructura las Categorías

Agrupa lógicamente los criterios:
Tipo de LlamadaCategorías Sugeridas
Servicio al clienteApertura, Resolución, Cierre
VentasDescubrimiento, Presentación, Manejo de objeciones, Cierre
Soporte técnicoDiagnóstico, Solución, Verificación
CobranzaIdentificación, Negociación, Acuerdos

​
3. Define Variables Específicas

Buenos ejemplos:
  • “Mencionó el nombre del cliente” (observable, específico)
  • “Ofreció alternativas de solución” (medible)
  • “Confirmó los próximos pasos” (verificable)
Malos ejemplos:
  • “Fue amable” (subjetivo, vago)
  • “Hizo bien su trabajo” (no específico)

​
4. Asigna Pesos

Distribuye los puntos según importancia:
Total: 100 puntos
Apertura: 20 puntos (20%)
Desarrollo: 50 puntos (50%)
Cierre: 30 puntos (30%)

​
Metadatos Adicionales

Los modelos pueden incluir campos de metadatos para capturar información contextual: 
{
  "template_metadata": [
    {
      "key": "campaign",
      "readable_name": "Campaña",
      "type": "STRING",
      "grouping_field": true
    },
    {
      "key": "department",
      "readable_name": "Departamento",
      "type": "STRING",
      "grouping_field": true
    }
  ]
}
Para más detalles sobre campos de agrupación y su uso en dashboards, consulta la guía de Metadata de Modelo.

​
Gestión vía API

​
Crear Modelo

POST /v1/models
{
  "name": "Mi Modelo",
  "description": "Descripción...",
  "prompt": "...",
  "template_variables": [...]
}

​
Actualizar Modelo

PUT /v1/models/{id}
{
  "name": "Mi Modelo Actualizado",
  ...
}
Los cambios en un modelo no afectan los análisis ya completados.

​
Mejores Prácticas

​
Iteración

  1. Comienza con un modelo simple
  2. Analiza una muestra de llamadas
  3. Ajusta según resultados
  4. Repite

​
Validación

  • Compara scores automáticos vs evaluaciones manuales
  • Ajusta si hay discrepancias significativas
  • Documenta los criterios para consistencia

​
Mantenimiento

  • Revisa periódicamente la relevancia de los criterios
  • Elimina variables que siempre dan el mismo resultado
  • Agrega criterios según evolucionen los estándares

​
Recursos Relacionados

Categorías de Modelo

Cómo estructurar las fases de evaluación

Variables de Modelo

Criterios de puntuación y extracción

Metadata de Modelo

Campos contextuales y agrupación

Entender NeuraScore

Cómo se calculan las puntuaciones

API de Modelos

Crear modelos vía API

API de Categorías

Gestionar categorías vía API