Metodología

Cada día, antes del amanecer, nuestros pipelines automatizados consultan los catálogos públicos de los supermercados que cubrimos (hoy Mercadona; Carrefour, Dia, Lidl, Alcampo y El Corte Inglés se irán incorporando). Capturamos:

• Precio del producto en cada cadena.
• Precio por unidad de medida (€/kg, €/L, €/ud).
• Formato de envase, ingredientes, alérgenos, origen cuando lo declaran.
• Datos nutricionales cruzados con OpenFoodFacts.
• Indicadores oficiales del INE: IPC general, IPC alimentación, salario medio bruto y SMI.

Todo el histórico se almacena en una base de datos propia (PostgreSQL) con hasta tres años de profundidad cuando nuestras fuentes lo permiten.

La reduflación se detecta cruzando el precio total con el precio por unidad de medida. Si el envase encoge sin que el precio acompañe, queda registrado como evento. Solo consideramos eventos con reducción ≥ 2% del tamaño y filtramos cambios > 40% (cambios completos de SKU) para evitar falsos positivos.

La inflación de una categoría se calcula tomando la mediana —no la media— de la variación porcentual del precio por unidad de medida de los productos de esa categoría durante los últimos 12 meses. La mediana resiste mejor los outliers puntuales que pueden venir de errores de scraping o de cambios temporales de SKU.

Comparamos siempre nuestro dato con el IPC alimentación oficial del INE. Si nuestra cifra y la del INE divergen, lo señalamos: lo que medimos es distinto a lo que calcula el INE (canasta, ponderaciones, geografía), y nuestro dato refleja el precio que paga literalmente el consumidor en el lineal del súper.

Cada mañana, un agente automatizado evalúa el dataset y selecciona las 10 historias del día con mayor valor informativo y SEO. El mix está diseñado para evitar repetición y cubrir distintos ángulos: subidas concretas, bajadas concretas, una reduflación nueva, un ranking de categorías, análisis de cesta básica, una pieza estacional, una comparativa marca propia vs marca, una explicativa.

Una historia solo se publica si los datos que la sustentan están en BD y son verificables. No se publican noticias que requieran datos externos no rastreables.

La redacción la hace Lucía Vega, una redactora-avatar creada con inteligencia artificial. Lo decimos sin ambigüedad porque es importante: cada noticia lleva un disclaimer al pie, su perfil deja claro que es un avatar IA y este documento explica cómo trabaja.

Su escritura, su criterio y su memoria se basan íntegramente en el dataset de RadarSuper. No tiene acceso a internet ni a otras fuentes durante la redacción. Si un dato no está en nuestra base de datos, no aparece en la noticia.

La imagen hero de cada noticia se genera con el modelo Google Nano Banana 2 a partir de un brief escrito en español sobre el propio contenido. Cuando la noticia trata sobre un producto concreto, usamos la foto real del producto como referencia para que la composición editorial sea coherente.

• No traducimos ni reciclamos noticias de otras webs.
• No publicamos opiniones que no estén respaldadas por una cifra o un cambio observado en BD.
• No usamos titulares clickbait. Todo titular contiene el hecho concreto que se cuenta.
• No incluimos enlaces patrocinados ni publicidad nativa dentro de las noticias. Si algún día integramos publicidad en la web, lo será fuera del cuerpo del artículo y claramente identificada.
• No falsificamos los datos del autor. Lucía Vega es un avatar IA y aparece etiquetada como tal en todas partes: perfil, ficha lateral de cada noticia, disclaimer al pie y schema.org como creditText="AI-assisted".

Si detectas un dato erróneo en una noticia, escríbenos a hola@radarsuper.com. Los errores se corrigen tan pronto como se verifican y la fecha de modificación queda visible en el artículo.