En TRIBU, la producción consciente no es un eslogan: es la razón por la que cada prenda es una edición limitada. Eso implica costes más altos y el riesgo real de no acertar con la cantidad de cada talla. Por eso le pedí a la IA que analizara los datos de ventas de los últimos años. Lo que encontró cambió nuestra producción de raíz.

El problema de producir “a ojo”

Cualquier marca de ropa que produce en tiradas cortas conoce bien el dilema: ¿cuántas unidades de cada talla fabricas? Producir de más es dinero congelado en stock. Producir de menos son ventas perdidas y clientes frustrados. Y producir siguiendo el instinto (o peor, la inercia de tiradas anteriores) es la receta perfecta para acumular excedentes de las tallas equivocadas.

En nuestro caso, teníamos un histórico de ventas real y dos cortes distintos (hombre y mujer). Le puse todos esos datos encima de la mesa a Claude y le pedí que encontrara el patrón.

El histórico global de ventas engaña. Usarlo sin filtrar por tendencia reciente habría llevado a sobreproducir tallas que están en declive claro.

Los datos: qué vendemos y en qué talla

Los números globales ya contaban una historia bastante clara: el 61% de ventas son de talla L y M.

La distribución histórica global dibuja una curva pronunciada: L lidera con claridad, seguida de M, luego S y XL casi empatadas, y finalmente 2XL con un peso notable. La XS prácticamente no existe.

Hombre vs mujer: dos comportamientos muy distintos

Uno de los hallazgos más valiosos del análisis fue que agregar ambos cortes distorsiona la realidad de cada uno. Cuando se segmenta por corte, la foto cambia:

El corte hombre está fuertemente concentrado: L y M suman el 66% de las ventas. Además, la 2XL tiene un peso significativo (14%), probablemente traccionada por ese segmento específico de cliente. Es un corte fácil de optimizar precisamente porque la distribución es más predecible.

El corte mujer, en cambio, presenta una distribución mucho más equilibrada entre L, S, XL y M. Eso lo hace más difícil de optimizar sin segmentar por producto o colección. La misma tirada puede funcionar muy bien en una referencia y dejar excedentes en otra.

Para la siguiente tirada, se aplicarán distribuciones diferenciadas por corte, no una curva única. Producir igual para hombre y mujer es dejar dinero sobre la mesa.

La trampa del histórico: lo que la tendencia reciente revela

Esta es la parte que más impacto tiene en la producción. Cuando se filtra únicamente el período 2023–2025, emergen cambios de comportamiento que el histórico global oculta:

La 2XL es la gran protagonista: cae casi a la mitad en demanda reciente. Producir siguiendo el histórico global habría supuesto fabricar un 14% de la tirada en 2XL cuando el mercado real pide apenas un 6%. En una tirada de 1000 unidades, eso son 80 prendas de excedente casi seguro.

El impacto real en costes y excedentes

Traducir el análisis a números concretos es el paso que suele omitirse. Veámoslo directamente:

Si una tirada anterior hubiera seguido el histórico global sin ponderar la tendencia reciente, habría producido aproximadamente un 14% de unidades en 2XL. Con la nueva distribución, se produce un 9%. Esas unidades de diferencia, multiplicadas por el coste de producción unitario, son stock con alta probabilidad de no venderse o de venderse con descuento.

Resumen ejecutivo: decisiones y beneficios esperados

• Reducir producción de 2XL del 14% al 9% significa un menor excedente en talla de demanda decreciente
• Aplicar distribuciones diferenciadas por corte (hombre/mujer) resulta en una optimización real del mix
• No producir XS en esta tirada, ya que su demanda residual no justifica el coste de producción
• Tener en cuenta siempre la tendencia reciente y el histórico, nunca solo uno de los dos

Lo que aprendimos sobre usar IA en decisiones de producción

El valor del análisis no estuvo en revelar datos que no existían, sino en estructurar los datos que ya teníamos de forma que llevaran a decisiones accionables. Los datos de venta por talla existían. El histórico de devoluciones existía. La segmentación por corte era posible. Lo que no teníamos era el análisis cruzado que conectara todo eso en una sola recomendación.

Eso es precisamente lo que la IA añade en este tipo de procesos: no magia, sino velocidad analítica y capacidad para encontrar patrones en datos dispersos sin sesgos de confirmación. Nuestra intuición seguía siendo necesaria para validar las conclusiones (nadie mejor que quien conoce el producto para saber si los números tienen sentido), pero la dirección vino del análisis.

Para cualquier marca que produce en tiradas cortas: los datos que ya tienes probablemente contienen más información de la que crees. El reto no es conseguir más datos, sino hacer las preguntas correctas con los que ya existen.