> ## Documentation Index > Fetch the complete documentation index at: https://docs.neuracall.com/llms.txt > Use this file to discover all available pages before exploring further. # Modelos de Análisis > Configuración de criterios de evaluación personalizados ## ¿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: Agrupaciones lógicas de criterios por fase de la llamada Criterios específicos de evaluación y extracción Campos contextuales para segmentación ### Arquitectura de Componentes El siguiente diagrama muestra cómo se relacionan los componentes de un modelo de análisis: ```mermaid theme={null} graph TD A[Modelo de Análisis] --> B[Categorías] A --> C[Variables] A --> D[Metadata] B --> C C --> E[Puntuación / Extracción] D --> F[Segmentación / Filtrado] style A fill:#4A90D9,stroke:#333,stroke-width:2px,color:#fff style B fill:#5B6EE1,stroke:#333,stroke-width:1px,color:#fff style C fill:#5B6EE1,stroke:#333,stroke-width:1px,color:#fff style D fill:#5B6EE1,stroke:#333,stroke-width:1px,color:#fff style E fill:#00D4FF,stroke:#333,stroke-width:1px style F fill:#00D4FF,stroke:#333,stroke-width:1px ``` 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 | Campo | Descripción | Ejemplo | | ----------- | ------------------------------ | --------------------------------------- | | name | Nombre único del modelo | "Evaluación Ventas B2B" | | description | Propósito del modelo | "Evaluación de llamadas comerciales..." | | prompt | Instrucciones para el análisis | Configuración de IA | ### Categorías Las categorías agrupan criterios relacionados: ```json theme={null} { "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](/concepts/model-categories). ### Variables Cada categoría contiene variables específicas: ```json theme={null} { "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](/concepts/model-variables). ## Tipos de Variables | Tipo | Uso | Ejemplo | | -------- | ------------------------ | ---------------------------------- | | INTEGER | Puntuación numérica | Score 0-10 | | DECIMAL | Puntuación con decimales | Score 8.5 | | BOOLEAN | Sí/No | "¿Mencionó el nombre del cliente?" | | STRING | Texto libre | Comentario u observación | | DATE | Fecha | Fecha mencionada | | TIME | Hora | Hora de cita | | DATETIME | Fecha y hora | Timestamp 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 Llamada | Categorías Sugeridas | | ------------------- | ---------------------------------------------------------- | | Servicio al cliente | Apertura, Resolución, Cierre | | Ventas | Descubrimiento, Presentación, Manejo de objeciones, Cierre | | Soporte técnico | Diagnóstico, Solución, Verificación | | Cobranza | Identificación, 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: ## Metadatos Adicionales Los modelos pueden incluir campos de metadatos para capturar información contextual: ```json theme={null} { "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](/concepts/model-metadata). ## Gestión vía API ### Crear Modelo ```bash theme={null} POST /v1/models { "name": "Mi Modelo", "description": "Descripción...", "prompt": "...", "template_variables": [...] } ``` ### Actualizar Modelo ```bash theme={null} 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 Cómo estructurar las fases de evaluación Criterios de puntuación y extracción Campos contextuales y agrupación Cómo se calculan las puntuaciones Crear modelos vía API Gestionar categorías vía API