Optimización de inventario: lo que el probador virtual sabe antes que tú

La decisión más cara en una marca de moda no se toma en el desfile ni en la sesión de fotos. Se toma seis meses antes de que una prenda llegue a la web, cuando un equipo de compras decide cuánto stock fabricar, de qué tallas y en qué colores. Si se equivocan al alza, la colección acaba en outlet. Si se equivocan a la baja, la prenda se agota y el cliente se frustra. El retail de moda ha vivido de hacer bien esa apuesta — y de aceptar, como parte del negocio, que una parte del stock se iba a perder.

En 2026 esa ecuación ha empezado a romperse. No por culpa del algoritmo del almacén, sino por una fuente de datos nueva y silenciosa: lo que ocurre en el probador virtual. Cada vez que un cliente sube su foto y se prueba una prenda, genera una señal que hasta hace dos años no existía. No es una vista de producto ni un click — es una intención evaluada, un veredicto sobre si esa prenda funciona sobre un cuerpo real. Multiplicado por decenas de miles de usuarios, es el primer sistema de demand forecasting que lee el comportamiento del cuerpo, no solo del cursor.

"Antes del try-on, comprábamos a ciegas con datos de tendencias y márgenes históricos", explica la directora de compras de una marca de denim catalana con presencia en quince países. "Ahora sabemos, con dos semanas de pre-lanzamiento, qué modelo va a pegar fuerte y cuál va a necesitar descuento desde el primer mes. Eso cambia la conversación con fábrica."

• Cada sesión de try-on genera una señal de intención más precisa que un click o un add-to-cart
• Las marcas que integran datos de try-on en su forecasting reducen el overstock un 18-25%
• Los patrones de try-on predicen la tasa de devolución futura con un margen de error del 7%
• Un piloto de tres meses basta para calibrar el modelo de demanda de una colección entera

Lo que el click oculta y el probador virtual revela

El análisis tradicional de demanda en moda online se apoya en tres indicadores: vistas de producto, añadidos al carrito y compras. Los tres son útiles, pero ninguno mide lo que más importa: si la prenda convence una vez el cliente la visualiza sobre su cuerpo.

Una vista de producto dice que el cliente llegó. Un añadido al carrito dice que la prenda le gustó en foto. Una compra dice que superó el umbral de decisión. Pero entre el carrito y la devolución hay un intervalo — a veces semanas — en el que la marca no sabe nada. El try-on rellena ese hueco. Si el cliente se prueba una prenda, la mira desde ángulos distintos, la compara con otra y decide comprarla, genera un dato de intención evaluada. Si se la prueba y la descarta, genera un dato de rechazo pre-venta, que vale oro para la marca.

Los equipos de data science de las primeras marcas que integraron try-on en producción — algunas de ellas clientas de Looks — empezaron a ver patrones inesperados. Prendas con muchas vistas pero baja tasa de try-on a compra: clientes que hacen scroll rápido y descartan en segundos. Prendas con pocas vistas pero alta conversión tras try-on: potenciales hits escondidos, infravalorados por el algoritmo de recomendación. Tallas que se prueban mucho y se compran poco: señal de fit problemático antes incluso de que llegue la devolución.

"El try-on nos dio una capa de información que antes era invisible", dice el head of data de una firma de ready-to-wear italiana. "Es como si hubiéramos puesto un probador físico en cada pantalla, y cada prueba nos contara qué está pasando."

• Analiza la ratio try-on / compra por SKU: por debajo del 15% suele indicar un problema de presentación o de fit
• Cruza los datos de try-on con devoluciones pasadas para calibrar el modelo de forecasting
• Guarda los datos anónimos de tipología de cuerpo para detectar en qué segmentos falla cada prenda

Previsión de demanda: del instinto del comprador a los datos

Durante décadas, la compra de stock en moda ha sido una mezcla de análisis histórico, instinto del equipo de compras y negociación con fábrica. Las marcas más sofisticadas han incorporado modelos estadísticos — ARIMA, regresión, más recientemente redes neuronales — que mejoran la previsión entre un 10 y un 20% sobre el método clásico. El problema era la materia prima: todos esos modelos se alimentaban con datos históricos del mismo producto o de productos parecidos del pasado.

El try-on rompe esa limitación. Por primera vez, el forecasting puede apoyarse en señales de la prenda concreta que vas a vender, antes incluso de venderla. Un pre-lanzamiento con try-on abierto a una muestra de 5.000-10.000 clientes durante dos semanas produce una curva de interés real — no inferida — que se cruza con los datos históricos para calcular volumen de fabricación por talla y color.

Las marcas que han pasado por este proceso en 2025-2026 reportan tres efectos consistentes. Reducen overstock entre un 18% y un 25%, porque dejan de fabricar de más en tallas donde el try-on indicaba baja intención. Reducen rotura de stock entre un 10% y un 15%, porque detectan la talla anormalmente demandada antes de que se agote. Y mejoran la ratio sell-through a precio lleno — ventas sin descuento sobre total de la colección — entre cinco y ocho puntos porcentuales, lo que en márgenes típicos del sector (35-55%) se traduce directamente en margen neto.

El caso extremo es el del pre-order. Varias marcas europeas han empezado a vender colecciones enteras en modelo de pre-venta con try-on virtual como única experiencia física antes de fabricar. Los clientes se prueban la prenda, eligen talla, pagan, y la marca fabrica solo lo comprometido. Es moda bajo demanda con economía viable — algo que hasta 2024 parecía imposible fuera del couture.

• Un pre-lanzamiento de dos semanas con try-on abierto a 5.000-10.000 usuarios calibra bien una colección media
• Pondera los datos de try-on por tipología de cuerpo para evitar sesgos de la base de usuarios disponible
• Empieza con las categorías más arriesgadas: vestidos, abrigos y prendas statement de alto margen

Mix por talla y color: dónde se gana el margen

Un error de mix por talla destruye margen sin que el equipo directivo lo vea hasta que es tarde. Fabricar un 30% de tallas M cuando solo el 22% de tu base de clientes pide esa talla genera un residuo que llega al outlet con descuento del 50%. Fabricar un 8% de tallas XL cuando la demanda real es del 14% genera rotura temprana y pérdida de venta.

Los datos de try-on resuelven este problema desde el otro extremo. No dependen de la distribución histórica — que suele estar sesgada por qué tallas tenías en stock en campañas anteriores — sino de la distribución real de cuerpos que se prueban la prenda en la web. Esa distribución es más estable que la histórica, y es específica para cada prenda.

Prendas ajustadas tienden a moverse hacia tallas más pequeñas; oversize hacia tallas mayores. Los colores se comportan también de forma heterogénea: un vestido negro se prueba con la misma frecuencia en todas las tallas, pero un vestido rojo dispara el try-on entre clientes jóvenes y reduce entre clientes adultas. Esta información, cruzada con el histórico, permite que el mix final se ajuste al cuerpo real de tu base, no a una distribución estándar.

"Pasamos de un 22% de la colección a outlet a un 14% en el primer año", dice el CFO de una marca de ready-to-wear con sede en Barcelona. "No cambiamos ni el producto ni el precio. Cambiamos el mix. Y el efecto en margen fue mayor que cualquier campaña de marketing que hayamos hecho."

• Recalcula el mix ideal por talla y color al menos cada temporada, no cada año
• Establece umbrales de rotura por talla: si una se agota antes del 40% del ciclo, ha faltado oferta
• Usa los datos de try-on también para decidir qué colores meter en reposición y cuáles retirar

Cómo integrar los datos del probador virtual sin rehacer tu sistema

Integrar datos de try-on en la toma de decisión de inventario no requiere rehacer el ERP ni migrar de plataforma. El patrón de implementación más extendido en 2026 es bastante sencillo y cabe en un proyecto de seis a diez semanas.

Primero, conectar el endpoint de analítica del proveedor de try-on — Looks, Vue.ai, True Fit u otros — al data warehouse de la marca, normalmente Snowflake, BigQuery o Redshift. Esto da acceso a eventos anónimos de sesión: qué prenda, qué talla, qué tiempo, qué resultado.

Segundo, cruzar esos datos con el feed de ventas y devoluciones del ERP. La correlación más útil para el equipo de compras es la ratio try-on/compra/devolución por SKU y talla. Esa métrica sola mejora el forecast entre un 15% y un 20% en los primeros tres meses.

Tercero, alimentar los modelos de previsión con esta nueva señal. No hace falta reconstruir el modelo entero: los proveedores de demand forecasting — o4, Blue Yonder, RELEX — aceptan señales externas como features adicionales y ajustan el modelo en un ciclo de entrenamiento.

Cuarto, y este es el paso que más resistencia genera, es que el equipo de compras acepte que el modelo matiza su intuición. En las marcas que han superado esa fricción, el papel del comprador no desaparece, se eleva: deja de discutir cifras básicas de demanda y dedica su experiencia a decisiones narrativas — qué historia contar con la colección, qué pieza estrella empujar, qué colaboraciones cerrar.

Para marcas pequeñas o medianas, el marketplace de Looks ofrece esta integración completa sin coste de entrada. Los datos de try-on del tráfico de la app se cruzan automáticamente con las ventas de la marca y se entregan en un dashboard listo para usar. El objetivo, al final, no es sustituir al equipo de compras, sino darles una capa de información que antes no existía y ver, en tiempo real, qué está pasando en el único probador que importa: el del cliente.

• Empieza conectando solo los datos de las cinco categorías con mayor coste de error (vestidos, pantalones, abrigos)
• Establece una reunión semanal de compras que incluya los datos de try-on junto a los datos de venta
• No subestimes el coste de cambio cultural: el equipo de compras necesita ver casos propios antes de confiar en el modelo

Preguntas Frecuentes

Compra stock con la información que tiene el cliente

Looks ofrece try-on virtual y datos de demanda listos para cruzar con tu ERP. Integración en 48-72 horas. Contacta en shop.looks.gg.