EEG en neuromarketing: qué mide, cómo se calcula y qué dicen 16 estudios

El electroencefalograma es la herramienta más usada del neuromarketing y, a la vez, la más malinterpretada. Es barato frente a una resonancia, se puede llevar a una sala de cine y entrega curvas segundo a segundo que se ven muy convincentes en una presentación. Por eso se volvió sinónimo de «medir el cerebro del consumidor».

El problema es que entre el cuero cabelludo y una métrica llamada «emoción» o «atención» hay una cadena larga de física, álgebra lineal y decisiones de análisis. Cada eslabón puede cambiar el resultado. Esta nota recorre esa cadena completa: qué registra un electrodo, cómo se procesa la señal y qué métricas se venden. Después repasa qué dicen sus críticos y qué encontraron 16 estudios publicados en revistas con revisión de pares.

Qué registra un electrodo

Un electrodo de EEG no lee pensamientos ni neuronas sueltas. Registra la suma de los potenciales postsinápticos de grandes poblaciones de neuronas piramidales de la corteza, que están alineadas en paralelo y se activan en sincronía. Cuando millones de esas neuronas reciben entradas al mismo tiempo, generan un campo eléctrico lo bastante grande para atravesar el cráneo.

Lo que llega a la superficie es diminuto: del orden de 10 a 100 microvoltios, es decir, millonésimas de voltio. Para tener una referencia, una pila común entrega 1,5 voltios, unas 15.000 veces más que la señal cerebral más fuerte. Por eso el EEG necesita amplificadores de muy bajo ruido y un buen contacto entre el electrodo y la piel.

El cráneo y el cuero cabelludo funcionan como un filtro que borronea la señal. A este fenómeno se lo llama conducción de volumen: la actividad de una sola fuente cortical se reparte por muchos electrodos a la vez. El resultado es una herramienta con una resolución temporal excelente, de milisegundos, y una resolución espacial pobre, de varios centímetros.

Hay una tercera limitación que pocas veces se menciona en marketing. Las estructuras profundas que más interesan para estudiar valor y recompensa, como el estriado ventral o la amígdala, casi no aportan señal medible en el cuero cabelludo. El EEG ve sobre todo la corteza más cercana al cráneo.

El sistema 10-20 y el problema de la referencia

Los electrodos se ubican según el sistema internacional 10-20, que reparte posiciones a partir de medidas del cráneo. Cada posición tiene un nombre: F es frontal, C central, P parietal, O occipital; los números impares van a la izquierda y los pares a la derecha. Así, F3 y F4 son puntos frontales simétricos, uno en cada hemisferio.

El EEG nunca mide un voltaje absoluto. Mide la diferencia entre cada electrodo y un electrodo de referencia. Si la referencia cambia (los mastoides, el promedio de todos los canales o el vértice de la cabeza), cambian las amplitudes y hasta la forma de los mapas. Dos estudios que usan referencias distintas pueden no ser comparables aunque midan lo mismo.

Lo que no es cerebro

La mayor parte de lo que registra un electrodo durante un spot no viene del cerebro. Un parpadeo produce una deflexión varias veces más grande que la actividad cortical, y se ve sobre todo en los canales frontales, justo donde se calculan las métricas de emoción. Los movimientos de los ojos producen algo parecido.

La tensión de los músculos de la cara, la mandíbula y el cuello agrega ruido en una banda ancha. Ese ruido crece por encima de los 20 Hz y contamina el rango beta y gamma. Se suman el latido del corazón, la transpiración, que genera derivas lentas, y la interferencia de la red eléctrica, que en Argentina está en 50 Hz. Separar todo eso de la señal cerebral es la primera gran tarea del análisis.

De la señal cruda a la métrica: el álgebra que no se muestra

Un registro de EEG se puede escribir como una matriz X: cada fila es un canal y cada columna un instante. Con 32 canales a 512 muestras por segundo, un spot de 30 segundos ya son 32 filas por 15.360 columnas. Todo el análisis serio parte de una idea: lo que mide cada electrodo es una mezcla lineal de fuentes que no se ven directamente.

x(t) = A · s(t) + ruido

En esta ecuación, x(t) son los voltajes de los canales en el instante t, s(t) son las fuentes (cerebrales y no cerebrales) y A es la matriz de mezcla, que depende de la geometría de la cabeza. Casi todos los métodos que siguen intentan estimar A o su inversa para separar lo que importa de lo que no.

Covarianza, autovalores y autovectores

El primer paso de muchos métodos es calcular la matriz de covarianza de los canales, que dice cuánto se mueven juntos cada par de electrodos. Esa matriz se puede descomponer en autovectores y autovalores.

C = (1/T) · X · Xᵀ = V · Λ · Vᵀ , con λ₁ ≥ λ₂ ≥ … ≥ λₙ

Cada autovector (una columna de V) es una combinación de canales, un «patrón espacial». Su autovalor λ es la cantidad de varianza que explica ese patrón. El análisis de componentes principales (PCA) se queda con los patrones de autovalor más grande.

Acá aparece la primera trampa. En el EEG, el componente con el autovalor más grande suele ser el parpadeo, no el cerebro. La varianza grande no es sinónimo de información relevante. Por eso PCA sirve para comprimir y regularizar, pero no para separar fuentes cerebrales.

Independencia: el análisis de componentes independientes

El análisis de componentes independientes (ICA) busca una matriz W que, aplicada a los canales, devuelva fuentes estadísticamente independientes, no solo descorrelacionadas.

ŝ(t) = W · x(t)

Jung y colegas mostraron en 2000 que ICA separa parpadeos, movimientos oculares, actividad muscular, latido y ruido de línea mejor que la regresión o PCA. Desde la publicación de EEGLAB, de Delorme y Makeig (2004), es el estándar de la investigación académica.

ICA no decide sola qué componente es artefacto. Alguien tiene que mirar cada componente, su mapa en la cabeza, su espectro y su curva en el tiempo, y decidir cuál sacar. Hay herramientas que lo automatizan, pero siguen siendo criterios. Además, cada componente que se elimina reduce el rango de la matriz de datos, y eso condiciona los cálculos que vienen después.

Filtros espaciales: el problema generalizado de autovalores

Cuando el objetivo es distinguir dos condiciones, como un producto que gusta frente a uno que no, se usan filtros espaciales. El más conocido es CSP (common spatial patterns). Busca la combinación de canales w cuya varianza sea máxima en una condición y mínima en la otra.

Σ_A · w = λ · Σ_B · w → λ = (wᵀ Σ_A w) / (wᵀ Σ_B w)

Es un problema generalizado de autovalores: los autovectores con λ más grande y más chico son los que mejor separan las condiciones. Blankertz y colegas (2008) documentaron su potencia y también su principal riesgo. Con pocos ensayos, las matrices de covarianza se estiman mal y el filtro aprende el ruido de esa muestra. Funciona perfecto en los datos con los que se entrenó y se cae en datos nuevos.

Correlación entre cerebros: componentes correlacionados

Una de las métricas más elegantes del neuromarketing, la correlación entre sujetos, también es un problema de autovalores. Dmochowski y colegas (2012) propusieron el análisis de componentes correlacionados. La idea es buscar la combinación de canales que haga que las respuestas de distintas personas al mismo estímulo se parezcan lo más posible.

R_W⁻¹ · R_B · w = λ · w

R_B es la covarianza entre sujetos (cuánto se parecen las señales de personas distintas) y R_W la covarianza dentro de cada sujeto. El autovalor λ es el cociente entre ambas: cuánto de la señal es compartido por la audiencia. Si muchas personas responden igual en el mismo segundo, ese segundo «capturó» al público.

El detalle técnico que separa un análisis serio de uno ingenuo está en la inversa de R_W. Si esa matriz tiene autovalores muy chicos (algo habitual cuando hay canales redundantes o se eliminaron componentes con ICA), invertirla amplifica el ruido de forma descontrolada. Por eso se regulariza, por ejemplo quedándose solo con los primeros componentes principales. Cuántos se conservan es una decisión del analista, y cambia el resultado.

Del tiempo a la frecuencia

Las métricas más vendidas no usan la señal cruda: usan su potencia en bandas de frecuencia. Las bandas clásicas son delta (1 a 4 Hz), theta (4 a 8 Hz), alfa (8 a 13 Hz), beta (13 a 30 Hz) y gamma (más de 30 Hz). La potencia se estima con la transformada de Fourier, casi siempre con el método de Welch, que promedia ventanas.

Hay un límite matemático que choca con las promesas de «emoción segundo a segundo». La resolución en frecuencia de una ventana es la inversa de su duración.

Δf = 1 / T

Para distinguir frecuencias separadas por 1 Hz se necesita al menos un segundo de señal. Una curva de alfa «segundo a segundo» es en realidad un promedio móvil de ventanas superpuestas, con poca precisión en cada punto. Las bandas tampoco son iguales para todos: la frecuencia alfa individual varía entre personas, y algunos estudios, como los de Cartocci, la ajustan para cada participante.

Cuántas decisiones hay en el medio

Antes de que aparezca un número en un informe, alguien decidió todo esto:

• qué referencia usar y qué filtros de frecuencia aplicar;
• con qué umbral descartar segmentos con ruido;
• qué componentes de ICA eliminar;
• qué canales incluir y cómo definir las bandas (fijas o individuales);
• contra qué línea de base normalizar y si aplicar logaritmo;
• con qué ventana y cuánto suavizado calcular la curva;
• cómo promediar entre personas y qué prueba estadística usar.

Cada decisión es razonable por sí sola. Combinadas, permiten llegar a resultados distintos con los mismos datos. La investigación seria fija estas decisiones antes de mirar los resultados y las informa completas.

Las métricas que se usan en neuromarketing

Asimetría frontal alfa

Es la métrica más popular para hablar de «emoción» o «aproximación». La potencia alfa se relaciona de forma inversa con la actividad cortical: menos alfa, más activación. La asimetría compara los dos lóbulos frontales.

Asimetría = ln(α en F4) − ln(α en F3)

Un valor positivo indica más alfa a la derecha y, por lo tanto, más actividad relativa a la izquierda. Esa activación izquierda se asocia con la motivación de acercarse a algo. Allen, Coan y Nazarian (2004) describieron en detalle cuántos supuestos hay entre la señal cruda y ese número, desde la referencia hasta la transformación logarítmica.

La interpretación también tiene un matiz importante. La revisión de Harmon-Jones, Gable y Peterson (2010) muestra que la asimetría izquierda refleja motivación de acercamiento, no emoción positiva: el enojo, que es negativo, también la produce. Traducir asimetría frontal como «le gustó» es una simplificación que la literatura no respalda.

Índices de engagement

El índice de engagement más citado es el cociente entre beta y la suma de alfa y theta.

Engagement = β / (α + θ)

Lo propusieron Pope, Bogart y Bartolome en 1995, en un trabajo de la NASA sobre la atención de operadores en tareas automatizadas de vuelo. No nació para medir publicidad. Variantes de este índice se usan hoy en estudios de avisos, como el de Kislov y colegas (2022), que usó el cociente beta/alfa en la zona central.

Theta frontal

La potencia theta en la línea media frontal se asocia con el control cognitivo y el esfuerzo de procesamiento. En neuromarketing aparece como índice de «esfuerzo» o de «memoria», según el estudio. El mismo indicador recibe nombres distintos según quién lo venda, y eso es una señal de alerta en sí misma.

Potenciales evocados

Los potenciales evocados (ERP) son las respuestas promediadas a un estímulo puntual, como la aparición de un producto o un logo. Tienen nombres según su polaridad y su latencia: la N200, la P300, el potencial positivo tardío (LPP). Como la señal de un solo ensayo es muy ruidosa, se promedian muchas repeticiones. La relación señal-ruido mejora con la raíz cuadrada de la cantidad de ensayos: para duplicarla hacen falta cuatro veces más.

Por eso los ERP funcionan bien con estímulos estáticos que se pueden repetir (productos, envases, precios) y mal con un spot que se ve una sola vez. Telpaz y colegas (2015) y Pozharliev y colegas (2015) son buenos ejemplos de uso correcto.

Correlación entre sujetos

La correlación entre sujetos (ISC) mide cuánto se parecen las respuestas cerebrales de distintas personas frente al mismo contenido, segundo a segundo. No necesita interpretar qué región hace qué: solo dice que el estímulo sincronizó a la audiencia. Por eso es una de las métricas más robustas. Barnett y Cerf (2017) usaron una variante, la correlación entre cerebros (CBC), registrando espectadores de a dos en una sala de cine.

Gamma

La banda gamma, por encima de 30 Hz, aparece en algunos de los resultados más llamativos del campo, como la relación con la recaudación de películas. Al mismo tiempo, es la banda más contaminada por la actividad muscular de la cara y el cuello, como mostró Muthukumaraswamy (2013). Un resultado en gamma sin un control muy cuidadoso del ruido muscular puede estar midiendo cuánto se tensó la cara del espectador.

Los nombres comerciales

En los informes de la industria, estas señales aparecen con nombres como «atención», «emoción», «memoria» o «engagement». Todas son cocientes de potencias, asimetrías o correlaciones. El nombre es una interpretación, no una medición. La pregunta correcta frente a cualquier métrica es siempre la misma: qué cálculo hay detrás y con qué evidencia se validó ese nombre.

Las críticas, una por una

La inferencia inversa

Poldrack (2006) formalizó el problema central de todo el neuromarketing. Que una región se active durante una emoción no permite concluir que hubo emoción cada vez que esa región se activa. Ese razonamiento, llamado inferencia inversa, no es deductivamente válido. Su valor depende de cuán específica sea la señal, y las señales del EEG frontal son muy poco específicas.

La confiabilidad

Una métrica que no se repite no puede predecir nada. Van Diepen, Boksem y Smidts (2025) midieron la confiabilidad de las métricas de EEG más usadas con 116 personas y 13 avisos de televisión. La asimetría frontal alfa tuvo una confiabilidad pobre. La potencia alfa y beta, buena. La correlación entre sujetos, excelente.

El mismo trabajo calculó cuántas personas hacen falta. Para un puntaje confiable del aviso completo se necesitan entre 30 y 40 participantes. Para seguir la curva segundo a segundo, más. Muchos estudios comerciales trabajan con menos.

La replicación

El trabajo más importante de los últimos años es el de Boksem, van Diepen, Eijlers, Boekel y Smidts (2025). Reunieron cinco bases de datos independientes, con 188 participantes y 161 tráilers de películas, y probaron si las métricas habituales anticipaban la recaudación. Solo la potencia gamma aportó información más allá de las características de la película y de cuánto gustó, incluso en datos nuevos. La asimetría alfa y la correlación entre sujetos no lo lograron.

Pocos estímulos, intervalos enormes

Muchos estudios correlacionan una métrica con un resultado de mercado usando 8, 10 o 13 avisos. Con tan pocos casos, el intervalo de confianza de una correlación es muy ancho. Una correlación de 0,73 medida con 10 avisos tiene un intervalo de confianza del 95 % que va de 0,19 a 0,93. Es compatible con una relación débil y con una casi perfecta.

Los equipos de consumo

Los cascos inalámbricos de bajo costo prometen hacer neuromarketing en cualquier lugar. La evidencia pide cautela. Duvinage y colegas (2013) encontraron que un casco de consumo rendía significativamente peor que un equipo médico para detectar la P300. Ratti y colegas (2017) compararon cuatro equipos y vieron más artefactos y peor repetibilidad en los de consumo. La revisión de Sawangjai y colegas (2020) llega a conclusiones parecidas. Hakim y colegas (2021) desaconsejan explícitamente los cascos baratos de electrodos secos para este tipo de estudios.

Lo que el EEG no ve

Venkatraman y colegas (2015) compararon en el mismo set de 37 avisos las encuestas tradicionales, el seguimiento ocular, la biometría, el EEG y la resonancia magnética funcional. Una vez controladas las medidas tradicionales, el EEG no agregó capacidad para anticipar la respuesta del mercado. Lo que sí la agregó fue la actividad del estriado ventral, una estructura profunda que el EEG prácticamente no registra.

Conflictos de interés y validez ecológica

Parte de la investigación publicada está financiada por empresas que venden estos servicios. No invalida los resultados, pero obliga a leerlos con atención y a buscar réplicas independientes. Además, ver avisos sentado en un laboratorio, con un casco y sin poder moverse, no es lo mismo que verlos en casa con el teléfono en la mano. Spence (2019) discute esta brecha entre el neuromarketing académico y la investigación con valor comercial.

El costo frente a lo que se gana

Ariely y Berns (2010) ya lo planteaban: es poco probable que la neuroimagen sea más barata que los métodos tradicionales. Su valor está en encontrar información que las encuestas no capturan, sobre todo en etapas tempranas del desarrollo de un producto o una pieza. Hsu (2017) llega a la misma conclusión: las herramientas cerebrales complementan a las tradicionales, no las reemplazan.

Lo que sí aporta el EEG

Resolución temporal

Ninguna otra herramienta accesible sigue la respuesta al contenido con precisión de milisegundos. Eso permite estudiar escenas, cortes y momentos dentro de un aviso, algo que una encuesta al final nunca puede hacer.

Información que no se declara

Varios estudios muestran que el EEG agrega información a lo que la gente dice. En el trabajo de Barnett y Cerf (2017), la sincronía entre cerebros se asoció con el recuerdo y con la venta de entradas. Las calificaciones declaradas no lo hicieron. En el de Hakim y colegas (2021), sumar EEG a las respuestas de los participantes mejoró la precisión del modelo.

La audiencia, no solo la persona

La correlación entre sujetos funciona como un termómetro de la audiencia. En el estudio de Dmochowski y colegas (2014), la sincronía de 12 personas se asoció con la opinión de más de 7.000 votantes del USA Today Ad Meter (r = 0,81). La relación fue más fuerte que con las calificaciones de esas mismas 12 personas (r = 0,51).

Costo y portabilidad frente a la resonancia

Un estudio de EEG con equipo de investigación cuesta una fracción de uno de resonancia y se puede hacer fuera del laboratorio. Barnett y Cerf registraron a los espectadores en una sala de cine real.

Un insumo más para modelos

Combinado con otras señales y con aprendizaje automático, el EEG mejora modelos que ya existían. Guixeres y colegas (2017) y Kislov y colegas (2022) lo combinaron con seguimiento ocular, ritmo cardíaco y autorreporte, y obtuvieron mejores resultados que con cada fuente por separado.

16 estudios y lo que encontraron

1. Dmochowski et al. (2014), Nature Communications

Registraron con 64 canales a 16 personas que veían el episodio piloto de «The Walking Dead» con sus avisos originales, y a 12 que veían 20 avisos del Super Bowl. La correlación entre sujetos se asoció con la cantidad de tuits por escena (r = 0,40 en 190 escenas). También con la audiencia de Nielsen minuto a minuto (r = 0,60). Con los avisos del Super Bowl, la correlación con el ranking del USA Today Ad Meter fue de 0,81. La versión de la métrica calculada con resonancia no mostró esa relación.

2. Boksem y Smidts (2015), Journal of Marketing Research

Registraron la actividad cerebral de participantes mientras veían tráilers de películas. La potencia en beta se asoció con las preferencias individuales y la potencia en gamma con la recaudación en Estados Unidos. Lo más relevante es que el EEG agregó información a la preferencia declarada. Los propios autores pusieron después a prueba este hallazgo en el estudio de cinco bases de datos de 2025.

3. Venkatraman et al. (2015), Journal of Marketing Research

Probaron 37 avisos de televisión de 30 segundos con varios métodos y 29 participantes en el brazo de EEG (129 canales). Midieron asimetría frontal alfa y alfa occipital. Sin controlar por las encuestas, el EEG fue un predictor moderado de la elasticidad de los avisos. Controlándolas, no agregó nada. Es el resultado nulo más citado del campo, y conviene conocerlo.

4. Telpaz, Webb y Levy (2015), Journal of Marketing Research

Mostraron productos de a uno, sin pedir ninguna elección, mientras registraban el EEG. Más tarde, los participantes elegían entre pares de esos productos. Una N200 más grande y menos potencia theta en la zona frontal media se asociaron con los productos preferidos, y ambas señales anticiparon las elecciones posteriores. La precisión fue mayor cuanto más grande era la diferencia de EEG entre los dos productos.

5. Pozharliev et al. (2015), Journal of Marketing Research

Mostraron productos de marcas de lujo y de marcas básicas a mujeres que estaban solas o acompañadas por otra persona. El potencial positivo tardío fue más grande para los productos de lujo, pero solo cuando había alguien más presente. El contexto social cambió la respuesta cerebral al mismo producto.

6. Barnett y Cerf (2017), Journal of Consumer Research

Registraron a 58 espectadores en una sala de cine real mientras veían 13 tráilers, con equipos de 32 canales y gel. La correlación entre cerebros se asoció con el recuerdo espontáneo de los tráilers (r = 0,66) y con la venta semanal de entradas (r = 0,68). Las calificaciones declaradas y la disposición a pagar no mostraron esas relaciones. La limitación es la cantidad de tráilers: 13.

7. Guixeres et al. (2017), Frontiers in Psychology

Combinaron EEG de 32 canales, ritmo cardíaco y seguimiento ocular en 35 participantes que vieron 8 avisos del Super Bowl. Con theta frontal y asimetría alfa armaron un índice de agrado. Una red neuronal artificial clasificó el desempeño de los avisos con un 82,9 % de precisión promedio y estimó sus vistas en YouTube un año después. Con solo 8 avisos, la generalización es limitada.

8. Ramsøy et al. (2018), Frontiers in Neuroscience

Estudiaron 640 decisiones de disposición a pagar, con dinero real, en 16 participantes con un casco de 14 canales. La asimetría en gamma se asoció con cuánto estaban dispuestos a pagar. La asimetría en beta mostró una tendencia y la asimetría alfa, la métrica clásica, no fue significativa. El equipo de consumo tuvo una calidad de señal despareja en varios electrodos.

9. Shestyuk et al. (2019), PLOS ONE

Registraron a 331 personas, unas 36 por episodio, mientras veían nueve episodios de series en horario central. Un puntaje combinado de EEG con índices de aproximación, atención y memoria explicó el 57 % de la variación de la audiencia televisiva. El índice de atención por sí solo tuvo una correlación de 0,74. El estudio fue financiado por Nielsen y cuatro autores trabajaban en la empresa.

10. Golnar-Nik, Farashi y Safari (2019), Physiology & Behavior

Usaron la potencia espectral del EEG frente a avisos de teléfonos celulares. El modelo distinguió si había ocurrido una decisión con más del 87 % de precisión. Distinguir si el aviso gustaba o no fue mucho más difícil: algo más del 63 %. La diferencia muestra que detectar que algo pasó es más fácil que saber en qué sentido.

11. Gountas et al. (2019), Journal of Business Research

Evaluaron una campaña de bien público contra el consumo excesivo de alcohol con grupos focales y con EEG. En el EEG usaron la potencia global de campo y la estimación de fuentes (sLORETA). Los dos métodos coincidieron en algunos puntos y se diferenciaron en otros. Es un ejemplo de uso complementario, sin una predicción de resultados de mercado.

12. Eijlers, Boksem y Smidts (2020), Frontiers in Neuroscience

Registraron con 64 canales a 31 personas frente a 150 avisos gráficos. En lugar de usar un índice genérico, entrenaron un patrón de «activación» con imágenes estandarizadas de contenido emocional y lo aplicaron a los avisos. Esa medida se asoció positivamente con la notoriedad de cada aviso, medida en un panel de 1.260 personas, y posiblemente de forma negativa con la actitud hacia el aviso. El trabajo discute de forma explícita el problema de la inferencia inversa.

13. Hakim et al. (2021), International Journal of Research in Marketing

Registraron a 31 personas con 8 electrodos húmedos frente a seis comerciales de alimentos y combinaron varias medidas de EEG con aprendizaje automático. El modelo distinguió el producto más y el menos preferido de cada persona con un 68,5 % de precisión, 4,07 puntos más que con el autorreporte solo. El error al anticipar la popularidad en YouTube bajó un 12,7 %. Las variables más útiles fueron alfa frontal, asimetría beta y la correlación entre sujetos.

14. Cartocci et al. (2016), Computational Intelligence and Neuroscience

En dos experimentos, con 29 y 31 participantes, usaron un índice de aproximación y retirada basado en la asimetría alfa frontal. Lo ajustaron a la frecuencia alfa de cada persona. Los hombres mostraron más aproximación frente a un aviso de autos. Las personas mayores mostraron valores más bajos en las escenas que no les gustaron. Durante la escena de la oferta del producto no hubo diferencias entre grupos.

15. Kislov et al. (2022), Brain Sciences

Registraron con 28 canales a 25 personas frente a 10 banners reales cuya eficiencia se conocía por campañas con 291.301 usuarios de internet. El cociente beta/alfa en la zona central se asoció con la eficiencia de la campaña (r = 0,73). Combinado con seguimiento ocular y autorreporte, el modelo explicó más variación. Con 10 estímulos, el intervalo de confianza de esa correlación va de 0,19 a 0,93.

16. Boksem et al. (2025), Journal of Marketing Research

Es el estudio que todo el que trabaja con EEG debería leer. Reunieron cinco bases de datos independientes, con 188 participantes y 161 tráilers, y pusieron a prueba alfa, theta, beta, gamma, asimetría alfa y correlación entre sujetos. Solo gamma anticipó la recaudación más allá de las características de la película y del agrado declarado, también fuera de la muestra original. Las dos métricas más vendidas de la industria, asimetría y sincronía, no pasaron la prueba en este contexto.

Cómo se usa el EEG en serio

Lo que separa un estudio serio de una demostración comercial no es el casco. Es el método. Estos son los criterios que se desprenden de la evidencia:

• equipos de investigación con electrodos húmedos y suficientes canales para aplicar filtros espaciales y separar artefactos;
• entre 30 y 40 participantes como mínimo para un puntaje del aviso completo, y más para curvas segundo a segundo;
• muchos estímulos cuando el objetivo es anticipar resultados de mercado, porque con 10 avisos cualquier correlación es incierta;
• decisiones de análisis fijadas antes de ver los datos y validación en datos nuevos;
• control explícito del ruido muscular, sobre todo si el resultado está en beta o gamma;
• comparación contra lo que ya dicen las encuestas, para saber si el EEG agrega algo;
• nombres honestos para las métricas, con el cálculo y la validación a la vista.

Lo que queda

El EEG no es una ventana a la mente del consumidor ni una moda sin sustento. Es un instrumento de precisión con limitaciones físicas claras, que exige álgebra lineal, decisiones de análisis cuidadosas y muestras más grandes de las que el mercado suele usar. Cuando se respeta todo eso, aporta algo que ninguna encuesta tiene: la respuesta de la audiencia en el tiempo, sin pasar por lo que la gente dice.

La evidencia de los últimos años ordena el campo. Las métricas más confiables son las más simples de explicar, como la sincronía entre personas y la potencia en bandas bien controladas. Las más vendidas, como la asimetría frontal traducida a «emoción», son las que peor resisten la réplica. Para quien trabaja en neuromarketing, la diferencia entre ambas no es un detalle técnico: es la diferencia entre medir y contar una historia.