Cómo AnnaRevs busca las coincidencias de marcas textuales, fonéticas y visuales

Cuando alguien quiere registrar una marca, la pregunta clave es simple de enunciar y difícil de responder: ¿existe ya algo demasiado parecido? "Parecido" no es una sola cosa. Una marca puede colisionar con otra porque se escribe igual, porque suena igual o porque se ve igual. AnnaRevs aborda los tres frentes a la vez con un motor de análisis de tres ejes. Este artículo explica, con detalle, cómo funciona cada uno.

El problema: tres tipos de similitud, no uno

Los buscadores tradicionales de marcas hacen coincidencia exacta de texto: escribes "Nike" y te dicen si "Nike" existe. El problema es que el riesgo real de confusión casi nunca es una copia literal. Aparece en tres dimensiones distintas:

Una búsqueda que solo cubre uno de estos ejes deja huecos enormes. AnnaRevs los analiza de forma simultánea y combina los resultados en un único veredicto de originalidad.

Eje 1: Análisis textual

El análisis textual mide cuánto se parecen dos cadenas de caracteres. AnnaRevs no se queda en la coincidencia exacta: aplica métricas de distancia que cuantifican el "esfuerzo" necesario para transformar un nombre en otro.

Distancia de edición

La distancia de Levenshtein cuenta el número mínimo de inserciones, eliminaciones o sustituciones para convertir una palabra en otra.

N-gramas y similitud de subcadenas

Además de la distancia de edición, descomponemos los nombres en n-gramas (fragmentos de 2 o 3 caracteres) y medimos cuántos comparten. Esto detecta similitudes incluso cuando las palabras tienen distinta longitud o el orden cambia.

• •"Marathon" y "Maraton" comparten casi todos sus trigramas.
• •La métrica de Jaccard sobre conjuntos de n-gramas da una puntuación normalizada entre 0 y 1.

Normalización previa

Antes de comparar, normalizamos: pasamos a minúsculas, quitamos acentos, signos y espacios redundantes. Así "El Gran Café" y "elgrancafe" se comparan en igualdad de condiciones.

Eje 2: Análisis fonético

Dos marcas pueden escribirse distinto y sonar idéntico. El análisis fonético resuelve exactamente eso convirtiendo cada nombre a una representación de su sonido.

Algoritmos de codificación fonética

Algoritmos como Soundex, Metaphone y Double Metaphone transforman una palabra en un código que representa cómo se pronuncia. Dos palabras con el mismo código suenan igual aunque se escriban diferente.

Adaptación al español

Los algoritmos clásicos fueron diseñados para el inglés. AnnaRevs aplica reglas específicas del español latinoamericano, donde:

• •B y V son fonéticamente idénticas
• •C, S y Z convergen (seseo)
• •LL e Y suenan igual (yeísmo)
• •La H es muda

Esto mejora drásticamente la detección de conflictos reales en el mercado ecuatoriano, donde un examinador evaluaría "Bida" y "Vida" como confundibles.

Eje 3: Análisis visual

El logo es tan importante como el nombre. Dos marcas con nombres distintos pueden generar confusión si sus logos comparten forma, color o composición. Aquí entra la visión por computador.

Embeddings de imagen

AnnaRevs procesa cada logo con una red neuronal convolucional (CNN) que lo convierte en un vector de características (embedding): una lista de números que captura la "esencia visual" de la imagen —formas, bordes, distribución de color, simetría.

Comparación por similitud vectorial

Para comparar dos logos, medimos la distancia entre sus vectores con similitud del coseno. Logos visualmente parecidos producen vectores cercanos, independientemente del nombre de la marca.

Búsqueda en el repositorio

Esos vectores se almacenan y se consultan contra el repositorio de marcas registradas. Una sola imagen se compara, en segundos, contra miles de logos existentes.

Cómo se combinan los tres ejes

El verdadero valor no está en cada eje por separado, sino en su fusión. AnnaRevs calcula una puntuación por eje y las integra en un análisis de colisión unificado:

El resultado es un panorama completo: sabes no solo si tu marca "existe", sino si se parece demasiado a algo en cualquiera de las tres dimensiones.

Por qué esto importa antes de registrar

Presentar una marca que colisiona con otra es tiempo y dinero perdidos, y puede derivar en oposición. Un análisis de tres ejes te da una imagen realista del riesgo antes de invertir en el proceso de registro. Buscas con datos, no con suposiciones.

Lleva tu análisis al siguiente nivel con AnnaRevs Pro

La búsqueda básica es solo el comienzo. Con AnnaRevs Pro desbloqueas el motor completo:

• •Búsquedas ilimitadas, textuales y visuales, sin restricciones diarias.
• •Análisis avanzado con los tres ejes activados y filtros por clase NIZA, tipo y gaceta.
• •Descarga de resultados en PDF y Excel para tus informes y clientes.
• •Comparación visual de logos ilimitada contra todo el repositorio.

Si trabajas con marcas de forma profesional —emprendedor, agencia o estudio— la versión Pro convierte cada búsqueda en una decisión informada. Prueba AnnaRevs Pro y deja de adivinar si tu marca es original.

Referencias

• •Levenshtein, V. I. (1966). "Binary codes capable of correcting deletions, insertions, and reversals". Soviet Physics Doklady, 10(8), 707–710.
• •Navarro, G. (2001). "A guided tour to approximate string matching". ACM Computing Surveys, 33(1), 31–88.
• •Philips, L. (2000). "The Double Metaphone Search Algorithm". C/C++ Users Journal, 18(6).
• •Hualde, J. I. (2005). The Sounds of Spanish. Cambridge University Press.
• •LeCun, Y., Bengio, Y., & Hinton, G. (2015). "Deep learning". Nature, 521(7553), 436–444.
• •Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). "ImageNet Classification with Deep Convolutional Neural Networks". NeurIPS.
• •Schroff, F., Kalenichenko, D., & Philbin, J. (2015). "FaceNet: A Unified Embedding for Face Recognition and Clustering". CVPR.
• •Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.