El sitio no estaba
roto. Estaba orientado
en la dirección equivocada.
Kukita vende vestidos para niñas para momentos especiales. El 95% de sus ventas pasan por conversación directa, no por el sitio. El diagnóstico no era técnico: era conceptual. Tres meses después de implementar las recomendaciones, volví a cruzar los datos para ver qué había pasado de verdad.
Kukita vende vestidos para niñas en momentos que se fotografían: graduaciones, bautizos, primeras comuniones. Las clientas llegan desde Instagram, preguntan por DM, y compran por conversación directa con la dueña. El sitio existía como tienda en línea completa: catálogo, carrito, checkout.
El problema declarado era que "el sitio no convierte", y la primera petición fue un bot de IA para responder los DMs más rápido. El problema real era otro: el sitio estaba diseñado para un modelo de venta que Kukita no usa. El negocio opera en modo conversacional, no transaccional — las clientas no llegan al sitio para comprar, llegan para asomarse. Y 210 cotizaciones al año, el 81% de las que se abren, se perdían en silencio, sin ningún intento de seguimiento.
"Muchas personas escriben para resolver dudas sobre tallas o disponibilidad antes de tomar una decisión, con la finalidad de sentir el contacto humano antes de la compra."
Dueña de Kukita
No responder la pregunta que me hicieron. Un bot habría acelerado el síntoma —más DMs respondidos, más rápido— sin tocar la causa: qué pasaba después del DM. Decidí diagnosticar antes de construir.
Cruzar tres fuentes antes de proponer nada. 22 CSV de GA4 (91 días), 708 DMs de Instagram más 13 conversaciones de WhatsApp, y observación directa del sitio desde mobile (87% del tráfico). La IA cruzó las métricas sin instrucción adicional y detectó la anomalía clave: $0.12 de retorno por cada peso invertido en anuncios.
No recomendar lo obvio. Con el diagnóstico en mano, la respuesta fácil habría sido "rediseñar el sitio". Decidí no hacerlo: el sitio no era el problema. Eran dos cosas puntuales — el catálogo pidiendo trabajo que no debería, y las cotizaciones sin ningún sistema de seguimiento.
A. Mostrar disponibilidad de talla en el catálogo. Reorganizar categorías y atributos en WooCommerce para permitir filtrar por talla, y reducir los DMs de disponibilidad antes de que lleguen. Sin rediseño: agregar información donde la clienta la necesita.
B. Sistema básico de seguimiento de cotizaciones. Un guion de reactivación para las cotizaciones que no responden. El corpus mostró el patrón que reactiva una conversación: preguntar para cuándo se necesita, no si interesa.
Kukita implementó ambas: el filtro de talla en la 2ª–3ª semana de mayo 2026, y además activó la tienda de Instagram el 5 de junio — una tercera intervención, no recomendada en el diagnóstico original, que se volvió parte de lo que evalué en el seguimiento.
En septiembre 2026 volví a cruzar los datos —GA4, el historial completo de WhatsApp (1,030 conversaciones reales, no una muestra) y Meta— para ver si las dos intervenciones funcionaron. Esto es lo que encontré, sin pulir lo que no salió como se esperaba:
La conversión del sitio mejoró. Comparado contra temporada baja, así que la mejora real atribuible a los cambios es probablemente mayor a estas cifras, no menor.
El seguimiento empezó a pasar, pero todavía no es rutina. Una campaña de reactivación en agosto revivió al menos una venta que llevaba semanas parada. Es la primera evidencia real de seguimiento sistemático desde que, en marzo, la respuesta era "casi nunca".
El filtro de talla se usa, pero no como se diseñó. Sobre las 1,030 conversaciones completas, la palabra "filtro" aparece 5 veces en dos años y medio — las 5 las escribe la dueña, nunca una clienta. Terminó como herramienta suya para atender más rápido, no como algo que las clientas descubren solas en el celular.
"del enlace que le envié le realicé un filtro de los talla 3, se los envío"
La tienda de Instagram no es donde se vende — pero no es inútil. 0.2% de clics en la publicación evaluada. Aun así, el tráfico que sí llega desde ahí tiene la segunda mejor tasa de interacción de todos los canales medidos.
La cifra que hubo que corregir. El dato grande corrigió al dato chico — y es la lectura más honesta de por qué las cotizaciones sin cierre siguen siendo el problema más grande del negocio, no uno que dos ajustes de mayo resuelvan solos.
La IA no reemplazó el criterio en ninguna de las dos rondas: leyó los CSVs, procesó los DMs y encontró los patrones. Decidir qué preguntar, qué no recomendar, y corregir el propio dato cuando la muestra grande contradijo a la chica — eso fue criterio, no automatización.
¿Tienes un proyecto o negocio y quieres saber si necesitas algo similar?
Hablemos →