Ctrl K
ComunidadGuías…
GITHUB · ANALIZADO

signalscout

Herramienta open-source de monitorización de intención con IA que encuentra conversaciones públicas donde personas describen problemas que tu producto resuelve, puntuando relevancia, ajuste ICP e intención en redes sociales.

Ficha actualizada 22 sept 2026, 16:08 · upstream 22 sept 2026, 13:56 · release v0.13.1

Ver códigoProblemas y ayudaRepositorio ↗Sitio oficial
00

Qué es signalscout

Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.

SignalScout es una herramienta de analítica abierta diseñada para identificar conversaciones públicas donde usuarios describen problemas que tu producto puede resolver. A diferencia del social listening tradicional que responde quién mencionó tu marca, esta herramienta responde quién describe públicamente un problema que tu solución puede abordar.

El sistema funciona mediante tres etapas: primero filtra por palabras clave, luego aplica umbrales de similitud y finalmente utiliza modelos de IA para puntuar cada conversación en relevancia, ajuste ICP, intención del comprador y urgencia. Soporta múltiples plataformas a través de proveedores de datos como ScrapeCreators, SocialCrawl y Apify.

La aplicación se despliega con Docker Compose, requiere PostgreSQL para persistencia y soporta modelos de IA de OpenAI, Anthropic, Google, DeepSeek, OpenRouter o Ollama. Los costos se generan en tiempo de fetch (aproximadamente $0.0002-$0.0015 por publicación según plataforma) antes de cualquier filtrado.

La herramienta incluye autenticación con AUTH_SECRET y ENCRYPTION_KEY, soporta TLS para despliegues públicos y ofrece notificaciones vía SMTP o webhooks. No incluye funcionalidades de CRM, análisis de sentimiento ni publicación social directa.

CASOS DE USO
  • Identificar prospectos potenciales en Reddit, X, LinkedIn, YouTube, TikTok e Instagram que expresan necesidades alineadas con tu producto
  • Monitorear conversaciones públicas para detectar urgencia y intención de compra antes de que se conviertan en leads fríos
  • Validar hipótesis de mercado analizando problemas reales descritos por usuarios en foros públicos
  • Construir pipeline de leads cualificados mediante puntuación automática de ajuste ICP e intención del comprador
PUNTOS DESTACADOS
  • Despliegue self-hosted con un solo archivo docker-compose.yml sin necesidad de compilación previa
  • Soporta múltiples proveedores de datos para diferentes plataformas (ScrapeCreators, SocialCrawl, Apify)
  • Arquitectura de tres etapas que filtra por palabras clave antes de llamar a modelos costosos
  • Datos propietarios: las claves de API y los resultados permanecen en tu instancia local
  • Soporta múltiples modelos de IA sin código específico por proveedor (OpenAI, Anthropic, Google, DeepSeek, OpenRouter, Ollama)
  • Costos transparentes mostrados en la aplicación con estimación por publicación antes de ejecutar consultas
PRECAUCIONES
  • No incluye funcionalidad de publicación social directa - los borradores terminan en portapapeles
  • Dependencia de proveedores externos para acceso a plataformas (Reddit API cerrada desde noviembre 2025)
  • Costos variables por plataforma: Instagram consume 5 créditos por página de comentarios
  • No incluye análisis de sentimiento, share of voice, word clouds ni analítica competitiva
  • Responsabilidad legal del usuario con acuerdos de los proveedores de datos sobre uso comercial
01

Perfil de infraestructura

Estimación inicial derivada del repositorio y de los servicios detectados.

CPU4 vCPUrecomendación inicial
MEMORIA8 GBRAM estimada
DISCO20 GBalmacenamiento base
COMPLEJIDADmediumnivel de operación
02

Despliegue detectado

Qué señales reales de instalación hemos encontrado.

Listo para automatizar

Recomendaciones: usar imagen versionada (no latest) en .env; configurar TLS antes de exponer públicamente; generar AUTH_SECRET y ENCRYPTION_KEY con openssl rand -base64 32; Pinar versión del image ghcr.io/rszhd/signalscout:0.13.1; verificar compatibilidad de proveedores de datos antes de producción; considerar VPS mínimo 1GB RAM según especificaciones oficiales.

✓Dockerfile
✓Compose
✓One-click
03

Stack y dependencias

Componentes inferidos a partir de manifests, configuración y documentación.

FRAMEWORKS
Next.jsNode.js
SERVICIOS
PostgreSQL
BASES DE DATOS
PostgreSQL
PUERTOS
30005432114345173587
05

Puede sustituir a

Relaciones detectadas por el análisis del repositorio y su categoría.

06

Experiencia real de la comunidad

Ayuda a contrastar la estimación automática con instalaciones reales.

Todavía no hay datos comunitarios para este proyecto.