Tecnología para medir el impacto fisiológico de la publicidad

No todas las personas tienen la misma reacción ante los mismos productos, anuncios o experiencias. Hasta ahora, las encuestas y entrevistas han sido uno de los métodos estrella para captar la información de estas estrategias de publicidad y marketing, pero hay aspectos que no pueden abarcar o explicar, como son las señales que emite el cuerpo: la atención, la emoción o el esfuerzo mental.

Marcas y administraciones quieren saber si sus mensajes conectan de verdad con la gente y ahora, gracias a los avances técnicos, se abren nuevas posibilidades para conseguir esta meta. En este contexto, un grupo de investigadores de CyberDataLab de la Universidad de Murcia, liderado por el investigador predoctoral Mario Quiles y bajo la supervisión científica de Alberto Huertas Celdrán y Lorenzo Fernández Maimó, quiere ir un paso más allá y poner en marcha un marco de trabajo a través de una plataforma tecnológica que permita medir de forma objetiva, ética y comprensible, estas reacciones emocionales y poder aplicarlas de cara a productos y mensajes para mejorar la comunicación, el diseño y la experiencia sin manipular ni invadir la privacidad.

Para ello, se apoyan en señales fisiológicas fáciles de registrar, como el electroencefalograma (EEG) —actividad eléctrica del cerebro medida desde el cuero cabelludo con sensores no invasivos— y otras señales complementarias como el ritmo cardiaco, la sudoración de la piel o la respiración. Con estas, y empleando modelos de inteligencia artificial y 'deeplearning' o aprendizaje profundo, buscan patrones que indiquen estados como interés, agrado, sorpresa o cansancio.

Este proyecto aporta tres diferencias clave con respecto a los patrones ya existentes. En primer lugar la objetividad y detalle temporal, ya que no depende solo de lo que la persona recuerda o declara, sino que registra reacciones en milisegundos que a veces no son conscientes, como un pico de atención justo cuando aparece un logotipo. En segundo, la complementariedad a las encuestas, ya que juntas dan una visión mucho más completa de lo que la persona siente y muestra fisiológicamente, además de lo que opina cuando verbaliza el pensamiento. Por último, está la personalización responsable, haciendo que este método se calibre por individuo, ajustando los modelos para no dar por sentado que todas las personas reaccionan igual. Además, incluyen criterios éticos y de privacidad desde el diseño con datos anónimos y los mínimos necesarios, y resultados agregados. «Nuestro equipo domina toda la cadena: desde adquirir datos de calidad con sensores no invasivos y limpiarlos del ruido, hasta construir modelos que ofrezcan resultados comprensibles y accionables para equipos no técnicos», aclara Quiles. De hecho, los avances técnicos les permiten usar sensores cómodos, asequibles y portátiles para llevarlo a cabo.

Además, el trabajo busca que estos modelos sean explicables, no bastando solo con acertar, sino que puedan transmitir por qué las personas toman una decisión en un lenguaje que un equipo de marketing pueda entender. «Nuestra aportación consiste en unir ambas cosas con un marco de trabajo que convierte esas señales en indicadores comprensibles y accionables para tomar decisiones», añade el investigador.

El trabajo arrancó de forma formal con el contrato predoctoral de Quiles en 2022 y se ha organizado en cuatro fases. La primera, ese mismo año, consistió en definir objetivos, protocolos de registro, criterios éticos y de privacidad, y el marco de trabajo técnico, es decir, cómo se integran sensores, análisis y resultados. Los dos años siguientes fueron de recogida y calidad de datos, con experimentos controlados y pruebas piloto, desarrollando herramientas para asegurar la calidad de estos datos y su fiabilidad, para poder compararse entre personas y sesiones. Desde el año pasado y hasta la fecha están inmersos en el modelado y validación, entrenando los modelos con estímulos de vídeo, imágenes y productos, y la validación cruzada para comprobar que funciona en conjuntos de personas.

Ahora la meta es la integración y transferencia, es decir, empaquetar el resultado en una plataforma de uso sencillo, con paneles claros, recomendaciones prácticas y guías para que equipos no técnicos puedan usarla con seguridad.

«En la práctica, el objetivo de la plataforma es ayudar a decidir qué versión de un anuncio funciona mejor, qué parte de un vídeo pierde la atención, qué diseño de envase conecta más o qué elementos generan rechazo, y hacerlo con datos claros, fáciles de interpretar y respaldados por ciencia», indica Mario Quiles sobre el proyecto.

La implantación del modelo es sencilla y escalable, ya que se basa en sensores no invasivos y cómodos, como puede ser una diadema de electroencefalograma ligera y bandas para registrar pulso y sudoración de la piel, y un ordenador portátil que ejecuta el análisis automáticamente. «La plataforma entrega un informe visual con datos como la atención a lo largo del tiempo, momentos de alta emoción, comparativa entre versiones A/B, y recomendaciones como movimientos de logotipo o simplificaciones de texto», aclara el investigador predoctoral.

Su aportación a la sociedad es clara, ya que consigue que se lancen mejores productos y mensajes al saber qué funciona de verdad, evitando campañas confusas y ahorrando recursos. Además, las experiencias son más inclusivas al detectar elementos que cansan o saturan y permite diseños más amables para personas mayores o con alta sensibilidad. «Ofrecemos indicadores claros y no 'cajas negras', favoreciendo la confianza de la ciudadanía», añade.

Esto se podría usar en laboratorios, salas de pruebas o incluso en escenarios reales, como puede ser una sala de espera para evaluar la cartelería, ya que está pensada para que la puedan adoptar tanto pequeñas y medianas empresas como grandes organizaciones.

Tras la validación interna con diferentes tipos de estímulos y la elaboración de una guía de buenas prácticas, el siguiente paso es realizar proyectos piloto con entidades externas de sectores como alimentación, salud y cultura, con retorno de resultados en formato comprensible para equipos no técnicos. A largo plazo, la meta es conseguir una plataforma estable con manuales, paneles configurables y protocolos de uso responsable (privacidad, consentimiento informado y explicabilidad de los resultados).

El proyecto está liderado desde CyberDataLab (Universidad de Murcia), con experiencia en ciencia de datos, ciberseguridad y análisis de señales biológicas. Además de Mario Quiles, Alberto Huertas Celdrán y Lorenzo Fernández Maimó, el equipo colabora con la empresa BitBrain de Zaragoza, referente en neurotecnología aplicada, siendo Luis Montesano del Campo el tutor de empresa, lo que facilita alinear la investigación con necesidades reales y probar soluciones en entornos cercanos al mercado.

También está vinculado a la University of Texas Medical Branch a través de la estancia doctoral de Quiles, donde ha trabajado con el bioestadístico Alejandro Villasante Tezanos y el neurólogo Mike Pappolla. «Esta colaboración nos aporta una mirada clínica y metodológica muy valiosa para validar que los indicadores que calculamos son robustos y útiles más allá del laboratorio», indica Mario Quiles.

Pero todo esto no sería posible sin el respaldo a nivel de financiación del Gobierno regional a través de la Fundación Séneca. «Nos ha aportado estabilidad y foco, ya que nos permite dedicar cuatro años a un problema complejo y sin dispersión», añade. Subraya también la calidad científica al permitir recursos de equipamiento, formación y estancias que elevan el nivel del proyecto, sin olvidar la facilidad de colaboración con empresas y otros grupos de investigación de la Región de Murcia. «Al estar financiado con fondos públicos, trabajamos con criterios de apertura y utilidad social, con resultados claros, reproducibles y con garantías de privacidad», concluye.

• Temas
• Inteligencia artificial
• Investigación
• ciencia
• Región de Murcia