Este documento describe la estructura conceptual y operativa de un modelo de puntuación de la intención del comprador impulsado por IA, diseñado para cuantificar la probabilidad de que un comprador B2B avance hacia una decisión de compra.
El marco integra señales de comportamiento, interpretación semántica, coincidencia de patrones históricos y ponderación probabilística para generar una puntuación de intención dinámica.

El siguiente plano describe la arquitectura del modelo en un formato similar a las especificaciones técnicas internas.

Objetivo del modelo

Para calcular una puntuación de probabilidad continua (0–100) que representa la probabilidad de que un comprador pase de su etapa de interacción actual a una compra real.

La puntuación debe:

• adaptarse a nuevas señales en tiempo real

• reflejan los principios de la economía del comportamiento

• manejar la incertidumbre y la información incompleta

• ajuste según los arquetipos del comprador

• generalizar en todos los sectores

Descripción general de la arquitectura de señal

La intención del comprador no se deriva de un único evento: se reconstruye a partir de señales de varias clases:

Clase de señal A: señales de frecuencia de comportamiento

Mida la densidad y coherencia de las acciones.

• intervalos de revisión

• patrones de duración de la sesión

• consultas repetidas

• interés sostenido en la misma especificación

Clase de señal B: señales de contenido semántico

Extraiga significado de los patrones de comunicación y consulta.

• especificidad de las preguntas

• referencia a restricciones

• frase orientada a la toma de decisiones

• sentimiento que indica certeza o vacilación

Clase de señal C: señales de evaluación comparativa

Refleja el comportamiento del análisis competitivo.

• comparaciones entre proveedores

• comprobaciones del rango de tolerancia

• evaluación comparativa de precios/tiempo de entrega

Clase de señal D: Señales de evaluación de riesgos

Indicar incertidumbre percibida.

• solicitudes de certificaciones

• preguntas relacionadas con riesgos

• preocupaciones sobre la viabilidad logística

Clase de señal E: Señales temporales

Capturar patrones de tiempo.

• aceleración de mensajes

• intervalos de retraso

• cambios en la capacidad de respuesta

Cada clase contribuye de manera diferente según la calibración del peso.

Marco de ponderación de características

El modelo asigna ponderaciones utilizando un enfoque híbrido:

Peso base (Wb)

Representa la influencia global de cada clase de señal en todas las industrias.

Peso contextual (Wc)

Se ajusta según el tipo de producto, el segmento de compradores y las normas de comportamiento de la industria.

Peso de comportamiento (Wbvr)

Derivado de patrones económicos de comportamiento, como la aversión a las pérdidas o la inercia en las decisiones.

Peso histórico (Wh)

Calculado a partir del total de recorridos de compradores anteriores.

Peso personalizado (Wp)

Refinado a medida que el sistema observa las tendencias de los compradores individuales.

La contribución a la puntuación final de una característica es:

Puntuación de característica = Wb + Wc + Wbvr + Wh + Wp

Curva de probabilidad de intención

El sistema no trata la intención como una progresión lineal.
En lugar de ello, asigna el comportamiento del comprador a una curva de probabilidad no lineal que refleja la dinámica de decisiones del mundo real.

Se utilizan tres tipos de curvas:

1. Curva acumulativa

La intención aumenta constantemente a medida que se acumulan las señales.

2. Curva de umbral

La intención permanece baja hasta que aparecen señales clave y luego aumenta rápidamente.

3. Curva de oscilación

La intención fluctúa según la claridad y la incertidumbre alternadas.

A los compradores se les asigna automáticamente un tipo de curva según el comportamiento de la señal.

Mecanismos de calibración

La calibración garantiza que el modelo refleje el comportamiento actual del mercado.

Calibración entre compradores

Alinea la puntuación con los patrones de comportamiento de compradores similares.

Calibración temporal

Ajustes por estacionalidad, ciclos de proyectos o ritmos de adquisiciones.

Calibración industrial

Normaliza las diferencias de puntuación entre sectores (por ejemplo, electrónica frente a embalaje).

Calibración de reducción de ruido

Suprime los falsos positivos (por ejemplo, visitas accidentales a páginas, consultas superficiales).

Integración de la capa de confianza

El sistema incluye una capa de confianza que cuantifica la incertidumbre en la puntuación.

La confianza se ve influenciada por:

• integridad de los datos

• volatilidad del comportamiento del comprador

• consistencia de la señal

• presencia o ausencia de indicadores clave

Intención alta + confianza baja ≠ predicción confiable
Intención moderada + confianza alta = predicción significativa

Esto evita la sobreinterpretación de datos incompletos.

Motor de interpretación del comportamiento

Más allá de la puntuación numérica, el sistema genera resultados analíticos:

Proyección del escenario

Estime dónde se encuentra el comprador en el proceso de toma de decisiones.

Índice de impulso

Una medida de aceleración o desaceleración en la intención.

Perfil de riesgo

Indica si la percepción del riesgo está aumentando o disminuyendo.

Orientación comparativa

Muestra si el comprador está aislando a un proveedor o ampliando el campo de búsqueda.

Estas capas contextuales hacen que la puntuación sea procesable.

Implementación de SaleAI (no promocional)

SaleAI CRM y agentes de datos ingesta:

• semántica del mensaje

• registros de navegación

• señales de análisis comparativo

• consultas relacionadas con riesgos

• secuencias de comportamiento

Los agentes los asignan a puntuaciones de intención utilizando el marco anterior.

Esta descripción refleja únicamente los principios de funcionamiento del sistema, no afirmaciones promocionales.

Casos de uso prácticos

El modelo de puntuación de intención admite:

• calificación de clientes potenciales

• priorización de seguimiento automatizada

• previsión

• segmentación de compradores

• evaluación de riesgos

• identificación de umbrales de compra

Permite operaciones de ventas basadas en datos sin depender de interpretaciones subjetivas.

Conclusión

La intención del comprador es una construcción probabilística moldeada por el comportamiento, el contexto, la evaluación de riesgos y la coherencia de las decisiones.
Un modelo de puntuación estructurado permite a la IA interpretar estos factores como un índice mensurable, lo que ofrece claridad en entornos donde la observación humana suele ser ambigua.

Este plan proporciona una base para comprender cómo la IA transforma la actividad fragmentada del comprador en una probabilidad de compra coherente.