Caso real: cómo una tienda de moda redujo sus devoluciones con IA

Antes de empezar, una nota de honestidad: lo que vas a leer no es la historia verificada de una marca concreta. Es un escenario representativo construido a partir de los patrones que se repiten en cientos de tiendas de moda online. Las cifras son rangos y ejemplos plausibles, no datos de un cliente auditado. Lo hacemos así a propósito: el objetivo es que entiendas el mecanismo de cómo se reducen las devoluciones con IA, no venderte un número inflado. Tómalo como un caso de estudio del probador virtual del que puedas extraer pasos replicables para tu propia tienda.

El punto de partida: síntomas de una tienda con devoluciones altas

Imagina una tienda tipo de ropa femenina con unos 1.500 pedidos al mes y un ticket medio de 60 €. Sobre el papel factura bien, pero el dueño nota que el negocio «no rinde». Los síntomas son fáciles de reconocer porque se repiten en todo el sector:

• Una tasa de devolución del 30-40 % en prendas de vestir, dentro de lo habitual en moda online (donde devolver una de cada tres prendas es casi la norma).
• Atención al cliente saturada con mensajes del tipo «¿esta talla viene grande o pequeña?».
• Margen real muy por debajo del margen bruto: cada devolución se come el envío de ida, el de vuelta, la revisión, el reembalado y, a veces, la prenda dañada.
• Reseñas tibias que mencionan que «la talla no es la que esperaba».

El problema no era el producto ni el precio: era la incertidumbre del cliente en el momento de comprar.

El diagnóstico: etiquetar los motivos de devolución

El primer paso no fue tecnológico, sino analítico. Antes de instalar nada, conviene etiquetar por qué devuelve la gente. Basta con añadir motivos al formulario de devolución y revisar un par de meses de datos. En un escenario típico, el reparto se parece a esto:

• ~45 %: «la talla no me sirve» (demasiado grande o pequeña).
• ~25 %: «no me queda como esperaba» (el ajuste, la caída o la proporción no coincidían con la foto).
• ~15 %: «no es como en la imagen» (color, tejido o calidad percibida).
• ~15 %: motivos varios (cambió de opinión, lo pidió en varias tallas a propósito, etc.).

La conclusión salta a la vista: cerca del 70 % de las devoluciones se concentra en dos causas atacables con IA —la talla y el ajuste—. Ahí es donde una intervención bien dirigida puede mover la aguja de verdad.

La intervención, paso a paso

Con el diagnóstico claro, la tienda atacó las dos causas principales en orden de impacto.

1. Recomendador de tallas con IA

Lo primero fue instalar un recomendador de tallas con IA. En lugar de una tabla estática que el cliente tiene que interpretar, el sistema pregunta un par de datos (altura, peso, ajuste preferido) o aprende de compras previas y devuelve una talla concreta recomendada para esa prenda en particular, teniendo en cuenta que un mismo número no equivale al mismo corte en todas las marcas.

2. Probador virtual

Después se añadió un probador virtual en la ficha de producto. Con él, la clienta puede verse con la prenda puesta antes de comprar: comprueba la caída, el largo y la proporción sobre un cuerpo parecido al suyo, en lugar de imaginárselo a partir de una modelo de catálogo. Esto ataca directamente el «no me queda como esperaba».

3. Mejorar las fichas de producto

Por último, se reforzaron las fichas con la información que el diagnóstico pedía: medidas reales de la prenda, tejido, indicación de si talla grande o pequeña y fotos en varios cuerpos. La IA reduce la incertidumbre, pero una ficha honesta y completa la reduce todavía más.

Qué cambió y por qué

Aquí evitamos a propósito el titular sensacionalista. No vamos a decir que las devoluciones «cayeron un 80 % en una semana». En un escenario realista, combinar recomendador de tallas y probador virtual puede llevar una tasa de devolución del ~35 % hacia el entorno del 22-26 % a lo largo de varios meses, una reducción relativa de aproximadamente un tercio. Lo importante es el mecanismo, que sí es sólido:

• El recomendador elimina la lotería de la talla: el cliente deja de pedir dos tallas «por si acaso», práctica que dispara las devoluciones.
• El probador alinea expectativa y realidad: quien compra ya ha visto cómo le queda, así que la sorpresa al abrir el paquete es menor.
• Menos devoluciones por talla y ajuste significa recuperar margen: cada retorno evitado ahorra dos portes, manipulación y stock inmovilizado.

Para una tienda tipo con ~1.500 pedidos/mes, pasar de un 35 % a un 24 % de devoluciones son cientos de retornos menos al mes. Con un coste logístico inverso de unos pocos euros por pedido, el ahorro mensual puede medirse en miles de euros, además del aumento de conversión que aporta la confianza extra. Insistimos: son órdenes de magnitud plausibles, no una promesa garantizada.

Aprendizajes replicables

Aunque el caso sea ilustrativo, las lecciones se sostienen en cualquier tienda:

• Mide antes de actuar. Sin etiquetar los motivos de devolución, inviertes a ciegas. Un panel de analíticas que cruce devoluciones con producto y motivo es la base de toda mejora.
• Ataca primero la talla. Suele ser la mayor fuente de retorno y la más barata de corregir con un recomendador.
• Combina, no elijas. Talla y ajuste son problemas distintos; el recomendador y el probador se complementan, no compiten.
• Da tiempo a los datos. El efecto se consolida en meses, no en días, a medida que más clientes usan las herramientas.

Cómo aplicarlo en tu tienda

Si reconoces tu negocio en este escenario, la hoja de ruta es directa. Activa el etiquetado de motivos de devolución y deja correr unas semanas. Instala un recomendador de tallas y un probador virtual en tus fichas de mayor tráfico. Refuerza esas fichas con medidas e información de ajuste honesta. Y vigila el impacto en tu panel de analíticas, comparando la tasa de devolución antes y después por categoría de producto. Es exactamente el flujo que Stilaro está pensado para cubrir de principio a fin.