¿Me quedará bien? Inteligencia artificial y ‘machine learning’ para superar la última barrera de la moda online
La explosión del ecommerce con el Covid-19 ha dado una nueva vida a las empresas tecnológicas de recomendación de talla. ¿El reto? Reducir las devoluciones, aumentar la conversión y evitar la frustración de comprarse unos vaqueros demasiado pequeños.
25 oct 2021 - 04:54
No toda la innovación es tecnológica, pero la tecnología se ha convertido en una herramienta clave en la transformación de todos los sectores, también la moda. En esta nueva serie, patrocinada por Desigual, Modaes.es repasa los sistemas, modelos y herramientas que hoy suenan aún a ciencia ficción pero que definirán el futuro del sector.
Fashtech: la nueva hoja de ruta de la moda
Si los androides de Philip K. Dick soñaban con ovejas cibernéticas, los pure players, reyes de la nueva era de la moda, fantasean con un objeto mucho más vulgar: un espejo. Probarse la ropa es la gran ventaja competitiva de la tienda física y la única que todavía no puede replicarse de forma virtual, aunque no será por no intentarlo: start ups, gigantes de la moda y compañías tecnológicas están invirtiendo en soluciones que suplan la falta del probador con la esperanza de que, si dan con la tecla, se conviertan en una herramienta tan imprescindible como hoy lo es un CRM.
Pasar por el probador no es generalmente una gran experiencia, pero sirve para mejorar la satisfacción del cliente (que se lleva sólo lo que le sirve), aumentar la conversión y, sobre todo, reducir las devoluciones, el gran quebradero de cabeza de la moda online.
En Norteamérica, la tasa de devolución entre los retailers de moda se sitúa en el 25% en el canal online, frente al 20% total del sector, según datos previos a la pandemia de McKinsey y recogidos en el artículo Returning to order: Improving returns management for apparel companies.
En Europa, las devoluciones de compras de moda online se sitúan en el 16,5% del total, más que en ninguna otra categoría, con anomalías como el mercado alemán, donde pueden llegar al 50% según el operador.
El probador mejora la satisfacción del cliente, aumenta la conversión y reduce las devoluciones
Los primeros intentos
La primera solución que encontró el sector a este problema terminó por empeorarlo todavía más. En los inicios del ecommerce de moda, muchos clientes eran reticentes a comprar por no poder probarse la ropa, y los operadores (sobre todo los nativos online) reaccionaron con devoluciones gratuitas.
Lo que provocó fue una escalada de las devoluciones hasta tasas insostenibles, especialmente en mercados con mucha tradición de la venta a distancia como Alemania, de donde es nativo Zalando, pionero de las devoluciones gratis en cien días.
Pero una vez dado el paso, ya no hay marcha atrás: un 75% de los retailers de moda encuestados por McKinsey antes del Covid-19 considera las devoluciones “un mal menor” y para el 85% tener una política de devoluciones “indulgente” es “crítico” para aumentar las ventas.
Además, las devoluciones gratuitas tampoco lograron poner fin al problema de la conversión, significativamente más baja en las plataformas de ecommerce que en el canal físico. Borja Cembrero, fundador de Naiz Fit, cifra la tasa de conversión entre un 8% y un 10% en el canal offline, mientras que online baja a entre 1% y 1,5%.
Tras la opción de las devoluciones y los rudimentarios cuadros de tallas llegaron los primeros sistemas que pretendían emplear tecnología para mejorar el proceso. Uno de los pioneros fue True Fit, fundada en 2005 en Boston bajo el nombre de True Apparel Company y destinada en sus inicios a la recomendación de pantalones vaqueros a partir de datos del cliente como las medidas o el tipo de cuerpo.
“Al final, lo único que estás haciendo es automatizar el cuadro de tallas de toda la vida, sin tener en cuenta factores como el tejido o el fitting”, opina Dave Sharma, consejero delegado de Perfitly. En el mejor de los casos, la compañía cruzaba la información con varias marcas o con la experiencia previa de otros clientes, pero esto tampoco resultaba muy eficiente.
“En esta primera etapa, las start ups se centraban en una de las dos variables, o el cuerpo o la prenda, y eso es muy ineficiente”, resume Cembrero. En el primer caso, la tecnología empleaba las compras y devoluciones de clientes anteriores para ofrecer recomendaciones a clientes con un “cuerpo similar”, lo que obliga a fallar muchas veces antes de acertar.
El segundo consiste en cruzar datos de varias marcas o entre prendas de una misma marca para establecer similitudes y en base a eso dar recomendaciones: si vistes una 28 en Levi’s llevarás una 38 en Zara. “Pero eso supone que debes tener una base de datos actualizada en tiempo real de todas las prendas de todas las tallas o sino la solución no funciona”, analiza Cembrero.
En una primera etapa hubo también un proto boom de los probadores virtuales mediante realidad virtual o aumentada y los espejos inteligentes como PhiSix (adquirida por eBay), Fits.me (comprada por Rakuten) o las españolas Virtualtwo, Sfiro o Mighty Gate.
El problema en la mayoría de los casos era, por un lado, su escasa fiabilidad y realismo y, por otro, que muchos requerían que el usuario se levantase y tomase un vídeo o una fotografía de sí mismo, algo engorroso y muchas veces incluso vergonzoso o intrusivo para el cliente.
Tercera generación
Tras esos pioneros ha llegado una oleada de start ups que han tratado de optimizar procesos utilizando tecnología como machine learning, inteligencia artificial o computación visual para ganar fiabilidad y que ahora viven una época dulce gracias a la explosión del online que ha vivido el ecommerce con la pandemia.
En España, una de las mayores compañías del sector es Naiz Fit. La empresa se fundó en 2017 como una aplicación móvil destinada al público final, pero en 2019 pivotó el modelo hacia una solución para terceros.
Los clientes pueden responder a unas preguntas básicas como edad, género, altura y peso, pero también preferencia de holgura, o subir a la plataforma un par de fotografías de su cuerpo.
En paralelo, Naiz Fit analiza todo el catálogo de producto de la marca y lo factoriza en distintos grupos de tallaje, teniendo en cuenta no sólo las medidas, sino también su corte, su fitting y el material con el que está fabricado.
Cuando tiene esta información, la cruza mediante ingeniería inversa: se prueban prendas de ese clúster en una persona real y a partir de un número muy pequeño de test se comprueba que el cruce funciona. A posteriori, los datos de devoluciones se emplean para comprobar si algo falla. “Es como preguntarse cuál sería el cuerpo perfecto para esa prenda y cuál es la prenda perfecta para ese cuerpo”, resume el fundador de Naiz Fit, que trabaja para compañías como Desigual.
Prueba del momento dulce que vive esta tecnología es la oleada de operaciones corporativas que se ha producido recientemente en el sector y la apuesta que están haciendo los grandes grupos por este tipo de herramientas.
“Hace años que identificamos el fit como un problema digno de abordar; es una oportunidad para nosotros, para el consumidor y para las marcas, además de para el medioambiente, porque reduces la sobreproducción”, explica Stacia Carr.
La ejecutiva lidera un departamento dentro de Zalando, la mayor compañía de ecommerce de moda de Europa, dedicado íntegramente a esta problemática, con el nombre de Size and Fit y que cuenta con un equipo de entre sesenta y cien personas. “Es como una empresa dentro de Zalando”, dice Carr.
A finales del año pasado, la empresa alemana se hizo con la start up suiza Fision, que ha desarrollado un software de visión artificial para generar modelos en tres dimensiones de cuerpos de modelos y clientes.
No es la única: sólo este 2021, Walmart ha comprado la start up Zeekit, especializada en probadores virtuales, y Gap se ha hecho con Drapr, también especializada en el desarrollo de avatares 3D.
Walmart ha comprado la start up Zeekit, especializada en probadores virtuales, y Gap se ha hecho con Drapr, también especializada en el desarrollo de avatares 3D
Zalando también cuenta con programas de desarrollo interno para reducir las devoluciones por un problema de talla. Por el momento, la empresa se apoya en el histórico de compras de los clientes y, mediante machine learning, puede predecir si un producto se devuelve demasiado porque talla grande o pequeño.
También emplea la visión artificial para “leer” las imágenes de las prendas, y así identificar potenciales problemas de tallaje o fitting, y está trabajando en nuevas soluciones para sofisticar todavía más la predicción.
Otra de las empresas de tecnología para el tallaje que ha cambiado de manos este año es Fit Analytics, que ha sido adquirida por el gigante tecnológico Snap. Como la mayoría de empresas del sector, la compañía también ha evolucionado su modelo desde que comenzó: en sus inicios, utilizaba un sistema de visualización a través de webcam.
Hoy, la empresa utiliza la información proporcionada por los consumidores y los datos de compras y devoluciones para generar una recomendación de talla a través de un algoritmo de machine learning (que aprende solo).
La escasa fiabilidad y el engorro de tener que levantarse del sofá para medirse o tomarse una foto fueron algunas de las barreras de los primeros operadores
A la información proporcionada por las marcas, Fit Analytics suma también la información de más de 100.000 reproducciones en tres dimensiones de cuerpos reales. “A la persona se le muestran tres formas corporales diferentes específicas de los datos de altura y peso que proporcionaron”, explica Mar Mercadé, directora de producto de Fit Analytics.
“Estas formas son específicas del tipo de prenda, por lo que a alguien que busque pantalones se le mostrarán formas de cadera mientras que a alguien que busque una camisa se le mostrarán formas de estómago y pecho. Todas estas formas corporales se basan en el modelado corporal en 3D de personas reales”, apunta.
La compañía trabaja para firmas como Zara, Hugo Boss, Farfetch o Shein y tiene en Estados Unidos su principal mercado. La compra por parte de Snap aporta, dice Mercadé, “un gran conocimiento de tecnología de cámara”, clave para mejorar todavía más la eficacia del servicio.
Una de las empresas más jóvenes del sector es Vestico, que acaba de ser seleccionada para formar parte del programa de aceleración de Desigual, Awesome Lab. La empresa, con sede en Londres, echó a andar en 2020 y combina inteligencia artificial con contenido generado por los usuarios para mostrar a los compradores cómo les quedarán las prendas antes de comprarlas.
De esta manera, el cliente puede ver la misma prenda vestida por un igual, con la misma talla y un cuerpo similar. El algoritmo se perfecciona con los datos del comprador y las compras y devoluciones.
En Estados Unidos, otro de los líderes es Perfitly, que emplea computación visual para realizar reproducciones virtuales de la prenda con una precisión del 99% e información (o fotografías) del cliente para virtualizar también su cuerpo, y después cruzar la información mediante algoritmos con información demográfica e inteligencia artificial.
En el caso de la prenda, la compañía no necesita tener el producto físicamente, ya que realiza el modelo visual a partir de la misma información que la marca envía a su proveedor de confección. ¿Es escalable? “Aspiramos a tener 56 millones de productos digitalizados en 2023”, resume Dave Sharma, su consejero delegado.
La alemana Presize también emplea la tecnología visual para hacer recomendaciones. La empresa comenzó su andadura offline, recomendando tallas para vestuario laboral. “Queríamos digitalizar la cinta métrica”, explica Leon Szeli, cofundador y consejero delegado.
Hoy, emplea un algoritmo que cruza la información de clientes (obtenida mediante fotografías tomadas por el propio usuario) con millones de datos de cada prenda. “Para el humano puede ser difícil de detectar, pero algoritmo siempre encuentra algo útil en las prendas y aprende, por ejemplo, que una camiseta de esta marca siempre es más corta que las de esta otra”, resume el directivo.
Y todo esto, ¿cuánto cuesta? Todas las start ups del sector operan con un modelo de software as a service (SaaS), aunque las fórmulas de pago varían, desde cuotas mensuales fijas hasta una comisión por venta neta (descontando devolución) o por uso.
Como buena parte del sector tecnológico, la mayoría están centradas en ganar volumen, por lo que en la mayoría de casos los precios son accesibles y van desde los apenas 700 euros hasta los 5.000 euros al mes.
A las mejoras en las tasas de devoluciones y el aumento del retorno se suma otra ventaja para las marcas: los datos. Mediante estas herramientas, una compañía o un marketplace puede saber cuántas veces una compra no se ha culminado porque no había una talla disponible, puede ajustar su producción por clústeres de producto según la demanda y puede ganar conocimiento de su cliente.
“Los retailers deberían centrarse en herramientas de éxito probado que son posibles con la tecnología actual”, propone McKinsey
Las barreras
Si reduce las devoluciones, mejora el retorno y aumenta la experiencia de compra para el cliente, ¿por qué no son masivas ya este tipo de herramientas? Para Carr, de Zalando, la barrera para la masificación de este tipo de servicios empieza en la tecnología.
“El secreto es cómo obtener toda la información de la prenda reduciendo al máximo la necesidad de tener una prenda física”, explica la ejecutiva. En el caso de Zalando, en muchos de los casos el stock que se vende en la plataforma no pasa por manos del grupo nunca, ya que es la marca la fotografía y la envía directamente a cliente final.
Pero aún teniendo acceso a las prendas físicas, es difícil escalar. “Escanear un vestido en 3D es sencillo una vez, pero para tener un proveedor virtual en una tienda online de moda necesitas datos a escala”, subraya Carr.
También la implantación a veces es compleja. “En las empresas, los departamentos se han separado cada vez más, y a veces las compañías tienen problemas para conectar con su propia data”, dice Mercadé.
Otro aspecto clave es que, si se emplean réplicas virtuales de los cuerpos en 3D, necesarias para los probadores virtuales, hay que superar la reticencia de los clientes. “Si es muy realista, todavía nos parece extraño, aunque con las redes sociales se está volviendo cada vez más común”, apunta.
“La gente no confía en una versión virtual de ellos mismos”, argumenta Maia Sasania, cofundadora de Vestico, que añade que el ecommerce está todavía en fases de desarrollo relativamente tempranas. “Muchas empresas fracasaron porque llegaron demasiado pronto”, añade.
Otro factor que apunta Mercadé es que “los usuarios están a costumbrados a saber su talla: la devolución es irritante pero no dolorosa así que a mucha gente no se le pasa por la cabeza necesitar ayuda; nuestra mente aún está en el probador así que al comprar online nos comportamos igual, comprando tres tallas y devolviendo las que no nos sirven”.
Para Leon Szeli, de Presize, la clave está en no tratar de solventar todos los problemas a la vez. “Si puedes ayudar sólo un poco a acertar, es suficiente”, explica. El consejo de consultoras va en la misma dirección.
“Los retailers deberían centrarse en herramientas de éxito probado que son posibles con la tecnología actual, en lugar de esperar por esas grandes tecnologías que todavía no han sido probadas”, recomienda McKinsey.