EK Monitor.
Monitor inteligente de cobertura de prensa con análisis IA de sentimiento, relevancia y temas. Stack heterogéneo, problema concreto.
visualizador prensa ↗Saber qué dice la prensa, hoy.
Para áreas de comunicaciones, gabinetes de prensa o agencias PR, monitorear cobertura mediática es una operación diaria de alto valor: quién está hablando del cliente, en qué medio, con qué tono, sobre qué tema, con qué alcance. Las decisiones — desde una rectificación hasta una pauta — dependen de tener esto en tiempo cuasi-real.
El monitoreo manual es inviable a escala: hay miles de medios entre prensa escrita digitalizada, radios online, TV con transcripciones, blogs sectoriales y redes sociales. Las herramientas comerciales internacionales (Meltwater, Cision) son caras y no cubren bien el ecosistema mediático chileno y regional.
El cliente necesitaba algo distinto: monitoreo continuo, clasificación automática por tema y sentimiento, y dashboards que comunicaciones internas y externas pudieran consultar.
Pipeline de ingesta + análisis + visualización.
Construimos un sistema con tres capas: (1) ingesta de noticias desde fuentes RSS, scraping de medios sin RSS y APIs disponibles; (2) análisis IA con Groq (Llama 3.3) y Gemini para clasificar tema, evaluar sentimiento y extraer entidades clave; (3) visualización en dashboards Shiny (R) que comunicaciones puede consultar y exportar.
Ingesta heterogénea
Diferentes medios entregan datos en diferentes formatos. RSS para los que tienen feed. Scraping prudente para los que no (respetando robots.txt y rate limits). APIs públicas donde existen. Normalización a un esquema común: titular, cuerpo, fecha, medio, autor, URL canónica.
Análisis con dos modelos en paralelo
Para cada artículo, dos modelos analizan en paralelo: Llama 3.3 vía Groq (rápido, costo bajo) hace primera clasificación y extracción. Gemini complementa para casos donde se requiere contexto largo o multilingual. Comparar dos análisis nos da un proxy de confianza — si ambos coinciden, alta confianza; si difieren, se marca para revisión humana.
Dashboards Shiny
El cliente del proyecto trabajaba con R para análisis estadístico y reportería. Shiny aprovecha ese ecosistema sin forzar una migración. Dashboards con filtros por medio, tema, sentimiento, fecha, exportación a PDF y gráficos publicables. La continuidad con su flujo previo aceleró la adopción.
Stack heterogéneo a propósito.
El stack es la herramienta, no el producto. Cada capa eligió la tecnología que mejor calzó con el problema y el contexto del cliente.
Visualización
Ingesta y backend
IA
Datos
Por qué PHP + R
El cliente operaba sobre PHP/MySQL en hosting compartido y usaba R para análisis. En vez de imponer una migración a Python/Postgres, integramos: PHP para la ingesta (donde ya tenían operación), R/Shiny para el análisis y dashboard (donde ya tenían fluidez), IA externa donde aporta valor. Resultado: producción real en lugar de promesa de refactor.
Métricas defendibles.
monitoreados
monitoreo manual
en paralelo
continua
Cobertura continua: el sistema ingesta y analiza en background. El equipo abre el dashboard en la mañana y tiene la cobertura del día clasificada y priorizada — no necesita iniciar el monitoreo manual.
Calidad del análisis: el doble modelo (Llama 3.3 + Gemini) con consenso cruzado entrega análisis de sentimiento y tema con menor variabilidad que un humano fatigado al final del día. Los casos en disputa se marcan para revisión.
Lo que aprendimos.
Stack tiene que respetar al cliente
El cliente pensaba en R y operaba en PHP. Pudimos haber impuesto Python + Postgres + React. Habríamos entregado un sistema técnicamente más moderno y operativamente abandonado. Adoptar el stack del cliente donde tiene sentido es respeto profesional.
Doble modelo como guardrail
Cuando dos LLMs distintos coinciden en clasificación, la confianza es alta. Cuando difieren, se marca el caso para revisión. Es un patrón barato de implementar y reduce significativamente las decisiones tomadas sobre análisis incorrecto.
Shiny no es enterprise pero entrega
Shiny tiene limitaciones reales (concurrencia, deploy enterprise). Pero para este caso de uso — dashboards consultados por un equipo acotado — entrega valor inmediato sobre el ecosistema R que el cliente ya domina. Saber elegir las trade-offs es parte del trabajo.