En moda y calzado, la talla es el problema operativo más caro y el peor medido. Una parte muy relevante de las devoluciones del sector no se producen porque el producto no guste, sino porque no entra o baila. Y cuando eso ocurre, la empresa paga dos veces: el transporte de ida y vuelta, la manipulación y el reacondicionamiento por un lado, y la pérdida de confianza del cliente por otro, que es la factura que no aparece en ningún sitio.
La IA para control de tallas ataca ese problema desde dos frentes que muchas empresas tratan por separado y que en realidad son el mismo: que lo que fabricas o compras mida lo que dice medir, y que el cliente elija la talla correcta a la primera.
El origen del problema: nadie mide lo mismo
Una empresa que trabaja con varios proveedores acumula tablas de tallas incompatibles. Una 40 de un proveedor turco, una 40 de uno portugués y una 40 de uno asiático pueden diferir varios centímetros en contorno de pecho. Si además se venden marcas de terceros, el desorden se multiplica.
A eso se suman tres factores que agravan la situación:
- Deriva de producción. El mismo proveedor entrega lotes que se van desviando de la ficha técnica con el tiempo, especialmente al cambiar de fábrica o de tejido.
- Tablas heredadas. La tabla de tallas publicada en la web se subió hace años, nadie la ha vuelto a comprobar y no corresponde con lo que realmente se está vendiendo.
- Devoluciones mal etiquetadas. El motivo se registra como "no me gusta" o "otros" en la mitad de los casos, y así el problema de talla se vuelve invisible en los informes.
Antes de aplicar cualquier tecnología, ese último punto es el que hay que arreglar: sin motivos de devolución bien capturados, no hay forma de saber cuánto te está costando la talla.
Frente 1: control dimensional en producción y recepción
Aquí la IA hace un trabajo de control de calidad. El circuito es sencillo de describir y muy eficaz.
Cada referencia tiene una ficha técnica con medidas objetivo y tolerancias por talla: largo, contorno, sisa, entrepierna, longitud de plantilla en calzado. En la recepción de mercancía, se toma una muestra del lote y se comparan las medidas reales contra la ficha. Lo que aporta la IA es que esa comparación deje de depender de que alguien rellene un parte a mano:
- Lectura automática de los informes de medición que envía el proveedor, que llegan en PDF o en hojas de cálculo con formatos distintos según el origen.
- Visión artificial para medir sobre imagen en los casos donde es viable, especialmente en piezas planas y en componentes de calzado.
- Detección de patrones de desviación: no solo si un lote concreto está fuera de tolerancia, sino si un proveedor lleva tres meses desviándose sistemáticamente en la misma dirección, que es lo que anticipa el problema antes de que llegue al cliente.
- Alertas automáticas cuando una referencia o un proveedor superan un umbral de desviación acordado.
El valor real de este frente no es rechazar lotes: es tener datos objetivos para hablar con el proveedor y para saber qué referencias van a generar devoluciones antes de ponerlas a la venta.
Frente 2: recomendación de talla en el punto de venta
Este es el frente que reduce devoluciones de forma más directa. Un recomendador de talla usa la información disponible para sugerir al cliente qué talla pedir en esa referencia concreta.
Lo interesante es de dónde sale esa información. Las fuentes más útiles, ordenadas por fiabilidad:
- Historial de compras y devoluciones del propio cliente. Si compró una 42 de una referencia y la devolvió por pequeña, y una 42 de otra referencia y se la quedó, el sistema aprende la relación entre ambas hormas. Es la señal más potente que existe y la que casi nadie explota.
- Comportamiento agregado por referencia. Si una referencia concreta tiene una tasa de devolución por talla pequeña muy superior a la media del catálogo, esa prenda talla pequeño. El dato está en tu sistema, solo hay que leerlo.
- Medidas reales de la prenda, contrastadas contra las del cliente si las ha facilitado.
- Datos declarados por el cliente: altura, peso, talla habitual en otra marca conocida.
Un recomendador construido sobre las dos primeras fuentes ya funciona razonablemente bien y no requiere pedir nada al cliente. Añadir las otras dos lo mejora, pero implica pedir datos y eso reduce la participación.
¿Cuánto se pueden reducir las devoluciones por talla?
Conviene manejar expectativas realistas y desconfiar de las cifras redondas que circulan. La devolución por talla no desaparece: siempre habrá clientes que piden dos tallas para elegir y clientes cuyo cuerpo no encaja en ninguna tabla estándar. Lo que sí se puede lograr es reducir de forma consistente la parte de devoluciones causada por información incorrecta o incompleta, que en muchos catálogos es una porción significativa del total.
El orden de las acciones importa más que la tecnología. Corregir una tabla de tallas errónea en las diez referencias más vendidas suele tener más efecto inmediato, y coste casi nulo, que desplegar un recomendador sofisticado sobre un catálogo con datos malos. Por eso el proyecto empieza midiendo: qué referencias concentran las devoluciones por talla, en qué dirección se equivoca el cliente y si el problema es de tabla, de producción o de expectativa.
La forma seria de saber si funciona es comparar contra una línea base propia: tasa de devolución por talla antes y después, en las mismas referencias y en la misma temporada del año anterior. Cualquier otra medición se contamina con la estacionalidad.
¿Qué datos hace falta tener antes de empezar?
Cuatro conjuntos, y ninguno es exótico. El primero es la ficha técnica con medidas y tolerancias por referencia y talla, que en muchas empresas existe pero vive en archivos del departamento de producto sin conexión con el resto de sistemas. El segundo es el histórico de devoluciones con motivo estructurado, distinguiendo al menos entre talla pequeña, talla grande, calidad, no coincide con la foto y otros.
El tercero es el histórico de pedidos por cliente, que permite detectar patrones de talla individuales y también el comportamiento de pedir varias tallas de una misma referencia. Y el cuarto es la información de proveedor y lote asociada a cada unidad, sin la cual es imposible atribuir una desviación a su origen.
Si falta el segundo —motivos de devolución bien capturados—, ese es el primer trabajo del proyecto, porque sin él no se puede medir nada. Suele resolverse ajustando el formulario de devolución para que el motivo sea obligatorio y esté bien categorizado, y aplicando clasificación automática sobre los comentarios de texto libre que ya se han recogido.
Cómo se integra todo en la operativa
El sistema no vive aparte: se conecta a lo que ya existe. Los datos de medición entran desde recepción de mercancía o desde los informes del proveedor; la información de devoluciones viene del ERP o de la plataforma de comercio electrónico; el recomendador se muestra en la ficha de producto y, si procede, en el punto de venta físico para que el personal de tienda tenga la misma información.
Y hay un circuito de retorno que es el que hace que el sistema mejore solo: cada devolución nueva con motivo de talla alimenta el modelo, ajusta la valoración de esa referencia y refina la recomendación para los siguientes clientes. Sin ese retorno, el sistema envejece con el catálogo.
Conclusión
La IA para control de tallas funciona cuando se aborda por los dos frentes a la vez: control dimensional objetivo en producción y recepción, para que el producto mida lo que dice, y recomendación en el punto de venta apoyada en el histórico real de compras y devoluciones. Lo que hace viable el proyecto no es el modelo, es tener motivos de devolución bien capturados y fichas técnicas conectadas al resto de sistemas.
En MG Solutions diseñamos agentes de IA a medida para empresas de moda, calzado y equipamiento que quieren dejar de pagar devoluciones evitables. Habla con nosotros aquí y analizamos tus datos de devoluciones para ver dónde está el margen.