Todas las voces escuchadas. Todos los hallazgos rastreables. Todos los plazos cumplidos.

Preguntas frecuentes

Estas son las preguntas que más nos plantean los equipos de conocimiento del cliente y los responsables de investigación de los institutos, incluidas las que salen directamente de un concurso. Nuestra lista de verificación neutral para concursos plantea las mismas preguntas a todos los proveedores que evalúe, nosotros incluidos.

¿Cómo nos ayuda esto a competir con alternativas baratas y superficiales?

Los proveedores de bajo coste y las capas finas de IA compiten en precio con nubes de palabras y una lista plana de temas. Skimle da profundidad a su misma velocidad, así que un instituto se diferencia por la calidad del «y esto qué significa» y no por su tarifa, y un equipo interno saca más estudios del mismo presupuesto. Las horas de analista pasan de la codificación mecánica a la interpretación, que es la parte por la que alguien paga de verdad. Vea a dónde va realmente el dinero de un estudio cualitativo →

¿Qué decimos cuando un cliente o una parte interesada cuestiona el análisis asistido por IA?

Descríbalo con precisión: la IA hace la categorización mecánica y una persona identificada revisa cada tema y escribe la interpretación. Después, enseñe la evidencia. Cada afirmación de un informe de Skimle se abre hasta la cita literal y el documento del que procede, una respuesta más sólida de la que puede dar una síntesis manual, donde la lógica de codificación solo existió en la cabeza de alguien. 7 reglas para usar la IA de forma responsable en investigación cualitativa de mercados →

¿Skimle analiza todo el conjunto de datos o una muestra?

Todo el conjunto. Merece la pena preguntárselo a cada proveedor, porque varias herramientas recuperan un subconjunto de sus documentos mediante una búsqueda por incrustaciones, lo analizan y nunca informan de qué documentos se quedaron fuera. El resultado se lee como si cubriera todo el corpus, y no lo hace. Skimle codifica cada documento, y puede abrir cualquiera de ellos para ver exactamente qué pasajes se codificaron y cuáles no.

¿Podemos aplicar nuestro propio libro de códigos o solo aceptar lo que produce la IA?

Cualquiera de los dos, y ambos sobre el mismo corpus. Traiga un libro de códigos existente y Skimle codificará de forma deductiva contra él, o deje que construya la estructura de forma inductiva a partir de los datos. Las categorías se pueden fusionar, dividir, renombrar, reordenar y eliminar después, y el análisis sigue sus cambios. Los institutos que mantienen un seguimiento o un marco estándar de cliente año tras año suelen trabajar en deductivo; los estudios exploratorios suelen empezar al revés.

¿Qué impide que una cita inventada llegue a nuestro informe?

Cada cita se comprueba de forma automática contra el documento de origen. Si el modelo produce un texto que no existe literalmente en sus datos, Skimle lo marca y vuelve a procesar en lugar de mostrarlo, así que una cita inventada no llega a una presentación de cliente. También puede abrir cualquier documento y ver qué pasajes se codificaron y cuáles no, que es como se detecta el fallo contrario: que algo se haya pasado por alto. Cómo funciona la transparencia bidireccional →

¿Cómo deberíamos evaluar Skimle frente a las otras herramientas de nuestra lista?

Haga un piloto en lugar de ver demostraciones. Tome un corpus que ya haya analizado, para saber cuál debería ser la respuesta; escriba tres tareas antes de empezar (una de codificación, una de comparación de segmentos y una de búsqueda de evidencia); cronometre cada una incluyendo el trabajo de corrección; y discrepe a propósito de la herramienta para ver con qué rapidez puede reestructurar su resultado. Con gusto ejecutamos un proyecto real en paralelo con su herramienta actual, y el plan gratuito permite que una persona se forme una opinión en una tarde antes de todo eso. La lista de verificación de concursos con 7 áreas y plantilla de puntuación →

¿Cuántos datos puede manejar Skimle y en cuántos idiomas?

Hasta 1.000 documentos por proyecto, lo que cubre desde un estudio de 20 entrevistas hasta un seguimiento global con miles de respuestas de encuesta, y más de 100 idiomas analizados en su lengua original sin paso de traducción. Un mismo proyecto puede mezclar inglés, español, mandarín, alemán y árabe, construir una sola estructura temática sobre todo ello y conservar cada cita en su idioma original. Si trabaja habitualmente en la parte alta de ese rango, hablemos de un acuerdo por volumen.

¿Son seguros y confidenciales los datos de clientes?

Todos los datos se almacenan y procesan dentro de la UE en AWS, en un entorno configurado por un tercero certificado, y los datos de clientes nunca se usan para entrenar modelos. Hay acuerdos de tratamiento de datos disponibles, trabajamos bajo los acuerdos de confidencialidad de nuestros clientes, la seudonimización está integrada en el flujo de trabajo y existe despliegue en nube de inquilino único allí donde la soberanía del dato lo exige.

¿Qué ocurre con nuestro análisis si dejamos de usar Skimle?

Se lo lleva consigo, en cualquier plan. Exporte los datos codificados en el estándar abierto REFI-QDA (.qdpx) y continúe en NVivo, ATLAS.ti o MAXQDA, o llévese resultados en Word, PowerPoint y Excel con las citas ordenadas por tema. Implementamos el estándar de interoperabilidad precisamente para que quedarse sea una elección y no una consecuencia.

¿Cómo funcionan los precios cuando nuestro volumen de estudios fluctúa?

Skimle es una suscripción ligera por usuario con una asignación de créditos incluida, más paquetes de créditos que se compran los meses en que hay un estudio grande en marcha. La suscripción mantiene a todo el equipo dentro de la herramienta entre proyectos; los paquetes atan el coste al proyecto que lo causó, algo que importa a los institutos que lo refacturan. Las personas que solo necesitan leer los resultados no necesitan licencia, porque las exportaciones y los informes imprimibles lo cubren.

¿Pueden trabajar varios investigadores en el mismo proyecto?

Sí, a la vez, y conservando las ediciones y anotaciones de cada persona. Encaja con la revisión por pares y el control de calidad, y encaja con repartir un estudio grande entre investigadores júnior y sénior, con una persona sénior dirigiendo la estructura de categorías.