IA para rotación de tallas: cómo dejar de acabar la temporada con las extremas llenas

La IA para rotación de tallas usa los datos de venta, devolución y prueba de cada referencia para predecir cuántas unidades de cada talla vas a necesitar, en lugar de repartir el stock con una curva fija para todo el catálogo. Ataca un problema muy concreto del ecommerce de moda: terminar la temporada con las tallas centrales agotadas desde la tercera semana y las extremas llenas de stock que solo sale con descuento. Un sistema de rotación con IA cruza el histórico por referencia, el comportamiento del patrón concreto y las señales de los clientes que sí acertaron con su talla, y ajusta la curva modelo a modelo. Abajo: qué datos necesita, cómo se construye la curva, por qué las devoluciones distorsionan la previsión y qué papel juega el probador virtual en todo esto.

Casi todas las tiendas de moda reparten el stock con la misma curva. Un porcentaje fijo para cada talla, heredado de lo que hacía el proveedor, del ERP o de una hoja de cálculo que nadie recuerda quién montó. Funciona a medias porque promedia: acierta en el agregado y falla en cada referencia concreta.

¿Por qué se rompe la curva de tallas fija?

Porque la talla no es una propiedad del cliente, es una propiedad de la relación entre el cliente y esa prenda. La misma persona es M en una camisa de corte holgado y L en una entallada. Cuando aplicas una curva única a todo el catálogo, estás asumiendo que todos tus patrones se comportan igual, y no lo hacen.

El resultado se ve siempre al final de temporada, y siempre igual: las tallas centrales se agotan pronto, las extremas se quedan, y el margen que ganaste en las primeras semanas te lo comes rebajando las que sobran. La pérdida no está solo en el descuento. Está en las ventas que no hiciste cuando alguien buscó su talla y no estaba.

Qué datos necesita la IA para predecir la curva

No hace falta un lago de datos. Con cuatro fuentes que casi cualquier tienda ya tiene se construye una previsión razonable:

• Ventas por referencia y talla, no agregadas por categoría. Es el dato base y el que más se suele perder al consolidar.
• Devoluciones con motivo etiquetado. Sin el motivo, una devolución por talla y una por color pesan lo mismo, y no significan lo mismo.
• Roturas de stock con fecha. Una talla que se agotó el día 12 no vendió lo que podía vender: vendió lo que había. Si no corriges esa censura, la IA aprende que esa talla se vende poco.
• Ficha técnica del patrón: corte, elasticidad del tejido, medidas reales por talla. Es lo que permite agrupar referencias que se comportan parecido.

Cómo se construye una curva por referencia

El proceso tiene tres pasos y ninguno es magia. Primero se agrupan las referencias por comportamiento de patrón, no por categoría comercial: un vestido recto y una camisa oversize pueden pertenecer al mismo grupo aunque estén en secciones distintas de la web. Segundo, se corrige la censura por rotura de stock, reconstruyendo la demanda que hubo detrás de las tallas que se agotaron. Tercero, se ajusta la curva de cada grupo con las ventas limpias y se proyecta sobre las referencias nuevas que comparten patrón.

Lo interesante es que el tercer paso es el que menos aporta. La mayor parte de la mejora sale de los dos primeros, que son los que casi nadie hace.

Por qué las devoluciones distorsionan la previsión

Una devolución por talla es una venta que nunca existió y que además ensucia el dato dos veces: contabilizó una unidad vendida en la talla equivocada y no contabilizó la venta en la talla correcta, porque el cliente no volvió a comprar. Si tu tasa de devolución por talla es alta, tu histórico está midiendo intentos, no aciertos.

La talla incorrecta es la causa número uno de devolución en moda online. Según los datos de Stilaro con tiendas en Shopify, WooCommerce y PrestaShop, puede representar más del 40% de las devoluciones en categorías como vestidos o calzado. Eso significa que, en esas categorías, casi la mitad de tu señal de demanda por talla es ruido.

De ahí que el orden importe: si atacas primero la previsión y después las devoluciones, estás afinando un modelo sobre datos sucios. Al revés funciona mejor.

Qué papel juega el probador virtual en la rotación

Dos, y el segundo suele pasar desapercibido.

El primero es obvio: un recomendador de tallas que sugiere la talla correcta antes de comprar reduce las devoluciones por talla y, con ellas, el ruido del histórico. Cuantas más ventas sean aciertos a la primera, más limpia es la señal.

El segundo es que un probador virtual genera un dato que antes no existía: qué tallas prueba la gente antes de decidirse, incluidas las de quienes no compraron. Eso es demanda declarada sobre referencias que ni siquiera tenías en stock en esa talla. Es la única forma de ver la parte de la curva que las ventas nunca te enseñan.

Cómo empezar sin montar un proyecto de seis meses

Con una temporada de datos y una categoría. Elige la que más te duela —normalmente vestidos o calzado, que son las de mayor dispersión— y haz tres cosas: etiqueta el motivo de cada devolución durante un mes, registra la fecha de rotura de cada talla, y compara la curva real con la que estás comprando. Casi siempre aparece una diferencia que se puede corregir a mano antes de automatizar nada.

Cuando esa diferencia esté clara y sea estable, ya tiene sentido llevarla a un modelo. Antes no: automatizar una previsión sobre datos sesgados solo consigue equivocarse más rápido.

Si además quieres ver cómo se comporta tu catálogo talla a talla, el panel de analíticas de Stilaro muestra qué se prueba, qué se convierte y dónde se rompe la cadena.