El mapa de calor de atención de FlowDx se genera basándose en el modelo DeepGaze IIE. Este modelo fue propuesto por Linardos et al. en el artículo de ICLR 2021 "DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling", proveniente del Bethge Lab (Laboratorio de Neurociencia Computacional) de la Universidad de Tubinga, Alemania. En el MIT/Tilburg Saliency Benchmark, DeepGaze IIE ocupa el primer lugar en múltiples indicadores, con una correlación superior al 0,87 entre sus predicciones y los datos reales de seguimiento ocular humano.
¿Qué significan los colores del mapa de calor?
| Color | Significado | Porcentaje de atención |
|---|---|---|
| Rojo | Zona de máxima atención — El usuario mira aquí primero | Top 10% |
| Naranja/Amarillo | Alta atención — La mirada se desplaza rápidamente hacia aquí | 10-30% |
| Verde | Atención media — Se nota durante el proceso de navegación | 30-60% |
| Azul | Baja atención — La mayoría de los usuarios lo ignorarán | 60-90% |
| Oscuro/Incoloro | Punto ciego de atención — Casi nadie lo verá | Último 10% |
Patrones comunes de mapas de calor
Patrón 1: Enfoque central (Saludable)
Las áreas rojas se concentran en la información central del contenido (rostros, titulares, botones CTA). Esto significa que la jerarquía visual es clara y el usuario puede comprender rápidamente el mensaje que deseas transmitir.
Patrón 2: Disperso (Problemático)
Las áreas rojas están dispersas en múltiples ubicaciones sin un foco principal claro. Esto indica que hay demasiados elementos en la imagen y la atención se fragmenta. Solución: Reducir el número de elementos y establecer un sujeto visual claro.
Patrón 3: Desalineado (Problema grave)
Las áreas rojas se concentran en lugares donde no deseas que el usuario mire (como un elemento irrelevante en el fondo), mientras que tu información clave (titular, producto) se encuentra en zonas azules o verdes. Este es un asesino del CTR.
Patrón 4: Periférico (Desperdicio)
La atención se concentra en los bordes de la imagen. Esto suele ocurrir cuando el sujeto es demasiado pequeño o hay demasiado espacio en blanco. El cerebro se siente atraído por las zonas de alto contraste en los bordes (como la unión entre el marco de la imagen y el fondo).
Ruta visual: El "recorrido de lectura" del usuario
Además del mapa de calor, FlowDx genera una ruta visual que predice dónde comienza el ojo del usuario y en qué orden escanea la imagen. Una ruta visual ideal debería:
- Comenzar en el ancla de atención más fuerte (generalmente un rostro o el texto más grande).
- Moverse hacia la información secundaria (subtítulos, imágenes de producto).
- Terminar finalmente en la CTA (Llamada a la acción).
Si la ruta salta información clave o deambula por áreas irrelevantes, indica un problema en la guía visual.
Detalle de la puntuación cognitiva de cinco dimensiones
FlowDx no solo te ofrece una puntuación total, sino que evalúa tu contenido desde cinco dimensiones cognitivas:
- Atención — Si el contenido logra captar la mirada en menos de 0,3 segundos.
- Enfoque visual — Si existe una jerarquía visual clara y una ruta de guía definida.
- Impacto emocional — Si es capaz de disparar una reacción emocional (curiosidad, entusiasmo, resonancia).
- Impulso a la acción — Si cuenta con una llamada a la acción (CTA) clara.
- Fuerza de memoria — Si el usuario es capaz de recordar tu contenido después de verlo.
Cada dimensión se califica de 0 a 100 puntos. 70+ indica excelente, 50-70 requiere optimización, y menos de 50 indica problemas graves.
Cómo optimizar el contenido según el informe de diagnóstico
Tras recibir el informe de diagnóstico de FlowDx, aborda los problemas según la siguiente prioridad:
Prioridad 1: Reparar problemas "desalineados" (elementos de diagnóstico rojos)
Si la atención se centra en el lugar equivocado (elementos de fondo, detalles irrelevantes), este es el problema más grave. La solución suele ser: reducir el peso visual de los elementos distractores (desenfocar, bajar saturación) y, al mismo tiempo, aumentar la prominencia de la información clave (agrandar, añadir contraste, añadir bordes).
Prioridad 2: Establecer una ruta visual clara (elementos de diagnóstico naranjas)
Si el mapa de calor muestra una atención dispersa, es necesario establecer una jerarquía visual clara. Utiliza el contraste de tamaño (el elemento más importante debe ser el más grande), el contraste de color (usa colores saturados para la información clave) y guías espaciales (flechas, líneas, dirección de la mirada de los personajes) para dirigir la vista del usuario según tu ruta preestablecida.
Prioridad 3: Mejorar la puntuación cognitiva general (sugerencias amarillas)
Presta especial atención a las dimensiones con una puntuación inferior a 60. Métodos comunes de mejora:
| Dimensión baja | Causa posible | Dirección de mejora |
|---|---|---|
| Atención < 60 | Imagen demasiado plana, falta de prominencia | Aumentar contraste, incluir rostros, usar colores saturados |
| Enfoque visual < 60 | Demasiados elementos y desordenados | Reducir el número de elementos, establecer jerarquía principal y secundaria |
| Impacto emocional < 60 | El contenido carece de disparadores emocionales | Usar expresiones emocionales, crear contraste, contar una historia |
| Impulso a la acción < 60 | Falta de CTA o sugerencias de acción | Incluir flechas, botones, palabras clave como "ahora" o "tiempo limitado" |
| Fuerza de memoria < 60 | Contenido demasiado común, falta de identidad | Establecer símbolos de marca, usar una paleta de colores única, crear puntos de memoria visual |
Limitaciones del análisis de mapas de calor
Los mapas de calor de atención son herramientas poderosas, pero tienen sus límites. Comprender estas fronteras ayuda a utilizarlos mejor:
- Predicen al "usuario promedio" — El mapa refleja la distribución media de la mirada de un grupo; la ruta de un usuario individual puede variar.
- No equivalen directamente al CTR — Una alta atención no siempre se traduce en clics. El usuario puede notar algo pero decidir no hacer clic (por ejemplo, si el contenido no parece interesante).
- Dependen de la calidad de la imagen — Las imágenes de baja resolución o muy comprimidas pueden afectar la precisión de la predicción.
- Diferencias culturales — Usuarios de diferentes contextos culturales pueden distribuir su atención de manera distinta ante colores, rostros o símbolos.
La puntuación cognitiva de cinco dimensiones de FlowDx está diseñada precisamente para compensar las deficiencias del análisis puro de mapas de calor, ofreciendo un diagnóstico más completo al considerar la atención, la emoción y la memoria.
Preguntas frecuentes (FAQ)
¿Es siempre mejor que una zona sea roja en el mapa de calor?
No necesariamente. El rojo indica la zona donde el usuario mira primero, pero lo crucial es si esa zona roja coincide con el mensaje que más deseas transmitir. Si el rojo está en un fondo irrelevante, indica un problema. El estado ideal es: rojo cubriendo la información clave (producto, rostro, titular) y azul cubriendo las áreas secundarias.
¿Cuántos puntos de fijación son recomendables en una ruta visual?
Para miniaturas y portadas, un rango de 3 a 5 puntos de fijación es óptimo. Muy pocos (1-2) indican falta de información, y demasiados (6+) indican una atención muy dispersa. Ruta ideal: Foco principal → Información auxiliar → CTA, formando una línea narrativa clara.
¿Por qué mi mapa de calor es diferente al de otra persona analizando la misma imagen?
FlowDx utiliza un modelo determinista (DeepGaze IIE), por lo que los resultados para la misma imagen son idénticos. Si ves resultados diferentes, puede deberse a variaciones en la resolución de la imagen, el modo de recorte o el nivel de compresión del archivo. Se recomienda usar imágenes en su resolución original para el análisis.
¿Qué diferencia hay entre el mapa de calor de un video y el de una imagen estática?
En el contenido de video, la distribución de la atención cambia con el tiempo. FlowDx realiza un análisis fotograma a fotograma, generando un mapa de calor independiente para cada uno. El video añade una dimensión extra: los elementos dinámicos (objetos en movimiento, cambios de plano) atraen fuertemente la atención. La clave del análisis de video es encontrar los fotogramas con menor atención, ya que son los momentos en los que el usuario tiene más probabilidades de abandonar el contenido.
Empieza a usar el diagnóstico de mapas de calor
Sube tu contenido a FlowDx para obtener tu mapa de calor de atención, ruta visual y puntuación de cinco dimensiones. Descubre qué sucede realmente en el cerebro de tus usuarios al ver tu contenido.
Referencias bibliográficas
- Linardos, A. et al. (2021). DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling. ICLR 2021.
- Borji, A., & Itti, L. (2013). State-of-the-art in visual attention modeling. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1), 185-207.
- Bylinskii, Z. et al. (2019). What do different evaluation metrics tell us about saliency models? IEEE TPAMI, 41(3), 740-757.