El mismo fontanero contado cuatro veces - y por qué no publicamos la corrección
Medido sobre 72 respuestas: 454 nombres extraídos para 424 empresas reales. La corrección evidente absorbía 61 duplicados - y hacía desaparecer 72 comercios de verdad. No la publicamos.
En este artículo
Ayer contamos que nuestro extractor no sabía leer japonés, coreano, chino ni árabe. Corregido, los lee. Hoy llega la pregunta siguiente: lo que lee, ¿es correcto?
Las 72 respuestas recogidas ayer - seis mercados, dos oficios, tres asistentes - bastaban para averiguarlo, sin volver a pagar una sola llamada. Las releímos.
Un fontanero, cuatro líneas
Dentro de una misma tabla de competidores en Tokio, la empresa Kurashian aparece bajo cuatro etiquetas distintas: su nombre solo, su nombre seguido de dos puntos y una frase de descripción, su nombre entre paréntesis, y su nombre con una mención de clasificación pegada. Cuatro líneas, una empresa.
En Dubái, Urban Company aparece tres veces - una por cada forma de su antiguo nombre. En Lyon, Ring Twice, Yoojo, ThreeBestRated y StarOfService aparecen dos veces cada uno: una solos, otra seguidos de un guion y de la palabra Lyon.
Una tabla que muestra al mismo rival en tres líneas no solo cuenta mal: diluye su cuota de voz y falsea la clasificación.
El balance, nombre por nombre en los seis mercados: 454 cadenas extraídas para 424 empresas reales. Treinta duplicados. El japonés concentra la mitad, pero el francés también tiene - y ese detalle es lo que hizo interesante la causa.
Dos causas, y una afecta a todo el mundo
La primera es cuestión de alfabeto, como ayer. Nuestro separador corta el nombre en su primer signo: «Marca - muy buenas reseñas» se convierte en «Marca». Su lista de signos está escrita en caracteres ASCII. Pero el japonés y el chino escriben los dos puntos y los paréntesis en ancho completo, sin espacio alrededor: nada coincide, así que el nombre se queda con toda la frase.
La segunda no tiene nada de exótico. El corte solo se aplicaba a los nombres hallados en una lista con viñetas. Los que el asistente pone en negrita en mitad del texto nunca pasaban por él. Por eso «Ring Twice» y «Ring Twice - Lyon» cuentan como dos en Lyon: el francés estaba afectado desde siempre, y nadie lo había medido.
La corrección, escrita y medida
Una sola regla de separación, compartida por todos los caminos de extracción, ampliada con la puntuación de ancho completo. Unas treinta líneas. Pasada de nuevo por las 72 respuestas: 454 cadenas se vuelven 424. Kurashian vuelve a ser una empresa, Urban Company también.
Después contamos lo que entraba y lo que salía, respuesta por respuesta - y ahí se torció.
61 duplicados absorbidos.
Era el objetivo.
72 nombres perdidos
- entre ellos Maison Deschamps, una panadería lionesa de verdad, que antes se extraía y ya no.
85 entradas nuevas
, incluidas «comprueba las cualificaciones» y «el reflejo del boca a boca». Consejos, no comercios.
Por qué una corrección correcta rompe otra cosa
El mecanismo merece entenderse, porque no se ve en el código. Un nombre de más de cuarenta caracteres se rechaza: es una guarda antigua, escrita para dejar fuera las frases. En japonés, una pregunta del asistente suele tener cuarenta y cinco caracteres, así que caía. Cortada en su paréntesis, se queda en veintiuno: pasa.
La barra de longitud filtraba por tanto el ruido por accidente en las escrituras sin espacios. Al corregir el corte, quitamos esa protección involuntaria. Y como una tabla de competidores solo muestra ocho nombres, cada trozo de consejo admitido echa a uno real.
No lo publicamos. La corrección está escrita, medida y guardada en el repositorio con estas cifras. Saldrá cuando la detección de consejos funcione en las cuatro escrituras: ese es el trabajo de verdad, y exige escribir esas reglas lengua por lengua.
Lo que esto cambia para usted
Cuente las filas de una tabla de competidores antes de creerla.
Si un nombre está dos veces bajo dos formas, la clasificación es falsa y las cuotas de voz están diluidas.
Una herramienta puede equivocarse en los dos sentidos a la vez.
La nuestra inflaba el número de rivales y dejaba pasar consejos: corregir uno destapó el otro.
Pregunte qué se cuenta, no solo cuántos.
«Ocho competidores» no significa nada hasta saber si los ocho son empresas.
Desconfíe de una cifra que nunca se mueve.
El tope de ocho se alcanzaba en casi todas nuestras mediciones: era un techo, no un resultado.
Los límites
72 respuestas, seis mercados, dos oficios, una sola mañana de recogida: es un sondeo. La separación entre «empresa» y «consejo» se hizo a mano, y ahí entra algo de juicio - un nombre como «Configuración Profesional» podría ser una sociedad. Los treinta duplicados no piden juicio alguno: son cadenas que empiezan por el mismo nombre.
Publicamos una corrección no lanzada porque esa es la información útil. Una herramienta de medición que solo contara sus aciertos mediría mal, y lo contaría peor.