IA para previsión de ventas en moda: qué predice de verdad y qué no

La IA para previsión de ventas en moda predice bien el reparto —qué proporción de tu demanda va a cada talla, color o referencia dentro de un grupo— y predice mal el volumen absoluto de una prenda nueva sin histórico. Esa distinción es la que decide si el proyecto sirve o decepciona. La moda es un caso difícil para el forecasting clásico porque la mayoría del catálogo cambia cada temporada, así que no hay serie temporal que extender: cada referencia nace sin pasado. Lo que sí tiene pasado es el comportamiento de patrones, cortes y familias de producto, y ahí es donde un modelo aporta de verdad. Abajo: qué predecir, qué datos hacen falta, por qué el tamaño de tu tienda cambia el planteamiento y qué esperar de forma realista.

Hay una promesa que circula mucho y que conviene desactivar antes de seguir: la IA no te va a decir cuántas unidades vas a vender de un vestido que todavía no existe. Nadie puede. Lo que sí puede hacer es algo menos espectacular y bastante más útil.

¿Qué predice bien un modelo de demanda en moda?

El reparto dentro de un grupo. Si sabes que una familia de producto va a vender aproximadamente X unidades, un modelo predice con bastante fiabilidad cómo se distribuyen entre tallas, entre colores y entre las referencias de esa familia. Eso ya es dinero: es la diferencia entre comprar la curva correcta y comer descuento al final de temporada.

También predice bien el agotamiento: qué referencias van a romper stock y cuándo, dado el ritmo de las primeras semanas. Es una previsión a corto plazo sobre datos frescos, que es el terreno donde estos modelos funcionan mejor.

Y predice razonablemente la canibalización: cuando metes una referencia nueva parecida a otra que ya vendes, cuánto de su venta viene de demanda nueva y cuánto le quita a la existente.

Qué predice mal, y conviene saberlo antes

• El volumen absoluto de una referencia sin histórico. No hay serie que extender. Se puede estimar por analogía con patrones parecidos, pero el margen de error es amplio y hay que tratarlo como una estimación, no como un número.
• Los picos de tendencia. Si una prenda se vuelve viral, ningún modelo entrenado con tu histórico lo vio venir, porque el fenómeno no está en tus datos.
• Los efectos de una campaña que nunca hiciste. Un modelo aprende de lo que pasó. Una acción nueva es, por definición, algo que no pasó.

Qué datos hacen falta de verdad

Menos de los que suele pedir un proveedor de software. Con ventas por referencia, talla y fecha, devoluciones con motivo, y la ficha técnica del patrón, ya se puede construir algo útil. Lo que marca la diferencia no es la cantidad de datos sino dos correcciones que casi nadie aplica.

La primera es la censura por rotura de stock. Una talla agotada el día doce no vendió lo que quería vender, vendió lo que había. Si no reconstruyes esa demanda perdida, el modelo aprende que esa talla se vende poco y te recomienda comprar aún menos. Es un error que se retroalimenta temporada tras temporada.

La segunda es limpiar las devoluciones por talla. Son ventas que no existieron y que además esconden la venta que sí habría existido con la talla correcta. En categorías donde la talla incorrecta puede representar más del 40% de las devoluciones —según los datos de Stilaro con tiendas en Shopify, WooCommerce y PrestaShop—, esa corrección cambia la forma de la curva, no solo su altura.

La previsión de una tienda pequeña no es la de una cadena

Es la confusión más cara del sector. Los modelos de demanda que se cuentan en los casos de estudio suelen venir de operaciones con miles de referencias y años de histórico. Ahí funciona el aprendizaje estadístico clásico.

Con un catálogo de unos cientos de referencias y dos temporadas de datos, el planteamiento es distinto: se trabaja por analogía entre patrones, con muchos menos parámetros y aceptando intervalos amplios. Un modelo sencillo bien alimentado gana a uno complejo mal alimentado, y esto no es una frase bonita: es lo que pasa cuando no tienes datos suficientes para estimar tantos parámetros.

El dato que casi nadie usa: la demanda que no llegó a compra

Todo lo anterior se construye sobre ventas, es decir, sobre gente que llegó hasta el final. Pero la señal más interesante está antes: qué miró, qué probó y qué talla eligió quien no compró.

Un probador virtual genera exactamente ese dato. Cada prueba es una declaración de interés sobre una referencia y una talla concretas, incluida la de quien acabó saliéndose. Es demanda observada sin necesidad de que haya transacción, y es información que el histórico de ventas no contiene por definición.

Cruzar eso con las ventas reales es lo que permite distinguir dos situaciones que en el informe de ventas parecen idénticas: una referencia que no interesa a nadie, y una que interesa mucho pero convierte mal. La primera hay que dejar de comprarla. La segunda hay que arreglarla.

Qué esperar de forma realista

Que la curva de tallas mejore de forma medible en la primera temporada completa. Que las roturas de stock en las tallas centrales bajen. Que el volumen de descuento al final de temporada se reduzca. Nada de eso es espectacular en una demo, y todo eso se nota en el margen.

Y sobre todo: empezar por medir bien antes de predecir. El panel de analíticas de Stilaro está pensado justo para ese paso previo, que es el que decide si lo que viene después sirve para algo.