Estacionalidad en visibilidad de IA: cómo comparar baselines

La comparación entre dos meses puede mezclar cambios en las respuestas de IA con cambios en lo que has decidido medir. Si entran más preguntas sobre una promoción, una temporada o un evento, el porcentaje agregado puede moverse aunque la presencia de la marca no cambie dentro de cada grupo.

Antes de llamar “mejora” a ese movimiento, conserva una referencia que permita distinguir el efecto de la mezcla de preguntas del cambio observado en respuestas comparables. Esta guía propone un registro de calendario y dos vistas de seguimiento para equipos que ya tienen un banco de prompts. No afirma que Mentio haya medido un patrón estacional ni que exista un calendario universal de recomendaciones de IA.

Qué serie estás intentando comparar

Separa tres series que pueden coincidir en el tiempo sin medir lo mismo:

• Demanda observable: búsquedas, consultas internas o solicitudes agregadas que indican interés por una necesidad.
• Visibilidad en una muestra fija: respuestas obtenidas ante las mismas familias de preguntas y bajo condiciones comparables.
• Visibilidad con la mezcla actual: resultados ponderados según una distribución de necesidades que cambia entre periodos.

Un aumento de demanda no obliga a un asistente a recomendar más tu marca ante el mismo prompt. Puede cambiar el volumen de oportunidades sin cambiar la probabilidad observada de aparición. Y una muestra fija puede mantenerse estable mientras deja de representar las necesidades de la temporada.

Define cuál de esas preguntas responde cada gráfico. Para construir los pesos, utiliza el método de ponderación del banco de prompts. Aquí interesa conservar dos lecturas temporales, no diseñar otra fórmula de valor comercial.

Crea un calendario de eventos antes de mirar el resultado

Anota los periodos que podrían alterar la interpretación antes de conocer el delta. Incluye los que afecten al negocio y al mercado estudiado, no una lista de festividades genérica.

Distingue un evento recurrente de una campaña que solo has realizado una vez. Que ambos ocurran en diciembre no convierte la campaña en estacionalidad demostrada. Registra también las promociones y cambios de catálogo propios: podrían explicar una diferencia que el informe atribuya al calendario.

Para eventos cuya fecha cambia entre años, alinea las observaciones por distancia al evento. “Dos semanas antes del inicio” puede ser una referencia más útil que el mismo día del mes. Mantén además las fechas originales para que otra persona pueda reconstruir la comparación.

Elige tres referencias temporales y declara sus límites

Cada referencia responde a una pregunta distinta. No es necesario publicar todas si faltan datos, pero sí indicar cuáles no existen.

Periodo reciente comparable. Compara ventanas con la misma duración y composición de días de la semana, la misma fase del evento y condiciones de ejecución equivalentes. Sirve para seguimiento operativo; por sí solo no separa calendario y tendencia.

Misma fase de un ciclo anterior. Busca el periodo equivalente de la campaña o temporada previa. Revisa si cambió el mercado, la oferta, el banco, el modelo o la superficie. Una fecha parecida no basta para enlazar dos series incompatibles.

Familias menos expuestas al evento. Conserva un grupo cuya necesidad no esté directamente ligada a ese calendario. Permite contrastar si el movimiento se concentra donde lo esperabas. No lo llames control causal si no puedes defender esa comparación.

Google recomienda ampliar el contexto histórico y comparar periodos equivalentes al investigar caídas de tráfico de búsqueda. Esa orientación se refiere a Google Search; no demuestra que las respuestas de un asistente sigan el mismo patrón.

Documenta por qué elegiste las ventanas antes de seleccionar la que ofrece el resultado más favorable. Si necesitas evaluar el efecto de una intervención, utiliza el diseño de experimentos GEO.

Mantén una vista de mezcla fija y otra de relevancia actual

La vista fija conserva familias y pesos de referencia. La vista actual conserva las mismas definiciones de resultado, pero utiliza los pesos del periodo, con su fuente y versión. Presenta ambas junto a los resultados por familia.

Para cada familia i, registra su tasa observada r_i,t y los pesos de referencia w_i,0 y actuales w_i,t. Los pesos de cada vista deben sumar uno sobre el mismo conjunto comparable.

• Vista fija en t: suma de w_i,0 × r_i,t.
• Vista actual en t: suma de w_i,t × r_i,t.
• Diferencia de mezcla en t: vista actual menos vista fija.

Esa última diferencia describe el efecto aritmético de usar otros pesos sobre las mismas tasas. No es una estimación causal de estacionalidad. Para hablar del cambio dentro de la muestra, compara la vista fija actual con la vista fija del periodo de referencia.

La lectura conjunta evita dos errores. Si mejora solo la vista actual, revisa cuánto procede de una mayor representación de familias donde la marca ya aparecía. Si mejora la vista fija, hay un cambio observado bajo pesos constantes, aunque todavía quedan otras explicaciones además de una acción GEO.

No asignes cero a una familia sin respuestas válidas. Muestra la cobertura perdida y conserva el cálculo como incompleto, o publica un corte común claramente etiquetado y recalculado para ambos periodos. Renormalizar en silencio podría hacer desaparecer precisamente la parte difícil del banco.

Las preguntas nuevas de temporada pueden tener su propio panel. No deben entrar retroactivamente en la serie fija como si hubieran formado parte del baseline original.

Qué puedes decir cuando aún no tienes un año de datos

Con un solo episodio puedes describir lo observado durante un evento, no estimar un patrón anual repetible. Mantén la etiqueta “hipótesis de calendario” y registra qué comprobación futura permitiría revisarla.

Busca contexto externo sin convertirlo en un sustituto de tu medición. Google Trends normaliza el interés de búsqueda en una escala de 0 a 100; no ofrece el número de conversaciones en asistentes. GSC registra exposición de tu propiedad en Google, no toda la demanda del mercado. Guarda fuente, filtros, geografía y periodo.

No dividas la tasa de mención por el índice de Trends para fabricar una “visibilidad desestacionalizada”. Son magnitudes distintas y esa operación necesita un modelo que justifique la relación. Tampoco deduzcas ausencia de interés de una fuente con pocos datos.

Si después reúnes ciclos suficientes para modelar la serie, valida el modelo con periodos no usados para ajustarlo. La estructura que describe bien el pasado puede fallar con una oferta o superficie nueva. Conserva siempre la serie observada junto al resultado ajustado y explica qué supuestos sostiene el ajuste.

Cuándo hay que romper el baseline

Un cambio de modelo, modo de búsqueda, mercado o regla de extracción puede impedir una comparación, aunque el calendario sea idéntico. Señala la ruptura y abre una nueva referencia; enlaza ambas solo con una prueba de comparabilidad documentada.

También distingue disponibilidad comercial y fallo de medición. Una oferta retirada puede ser un resultado relevante para la pregunta, mientras que una ejecución fallida es una observación ausente. La decisión depende de la métrica definida, no de cuál mejore el porcentaje.

Mantén las repeticiones dentro de cada ventana según el protocolo de variabilidad de respuestas de IA. No amplíes la ventana hasta mezclar fases del evento solo para completar un número de respuestas sin dejar constancia.

La ficha que debe acompañar al gráfico

Antes de enviar el informe, comprueba que un lector puede recuperar:

1. Evento, fase, mercado y fechas de las dos ventanas.
2. Versión del banco, superficie y reglas de medición.
3. Resultados por familia, respuestas válidas y cobertura ausente.
4. Vista de mezcla fija y vista actual, con sus pesos.
5. Cambios de oferta, contenido y proveedor que coinciden en el tiempo.
6. Referencias temporales disponibles y comparación que no ha podido hacerse.
7. Conclusión permitida, incertidumbre y próxima comprobación.

En el informe ejecutivo de visibilidad, escribe qué parte cambió y frente a qué referencia. “Subió la cobertura con mezcla actual; la vista fija permaneció estable” informa mejor que atribuir toda la subida al trabajo de optimización.

Si utilizas Mentio, conserva este registro junto a tus análisis y comprueba qué datos puedes obtener de tu configuración. Este método no anuncia una función automática de ajuste estacional.

FAQ

¿Una subida durante una campaña demuestra una mejora GEO?

No. Revisa por separado las tasas dentro de cada familia, la mezcla de preguntas y los cambios coincidentes. Una comparación temporal, incluso con pesos fijos, no identifica por sí sola el efecto de una acción GEO.

¿Puedo medir estacionalidad con unas semanas de datos?

Puedes describir un evento y formular una hipótesis de calendario. Unas semanas no bastan para demostrar un patrón anual repetible; conserva la limitación y programa la comparación con ciclos posteriores.

¿Debo cambiar todos los prompts cuando empieza una temporada?

No. Conserva un núcleo comparable y añade un panel estacional identificado. Las nuevas preguntas no deben incorporarse retroactivamente al baseline fijo sin recalcular y explicar la serie.

¿La diferencia entre vista fija y actual es el efecto de la temporada?

No. Es el efecto aritmético de cambiar los pesos sobre las mismas tasas observadas. Para atribuirlo a la temporada necesitas evidencia adicional y descartar otras explicaciones.

¿Qué hago si faltan respuestas en una familia?

Registra la cobertura ausente. No la conviertas en cero ni redistribuyas su peso sin avisar. Puedes declarar el agregado incompleto o comparar un corte común, recalculado y etiquetado en ambos periodos.

¿Quieres saber si la IA menciona tu marca?

Descubre tu visibilidad en ChatGPT, Claude y Gemini en minutos.

Analiza tu marca gratis

Artículos relacionados