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.
Kukita vende vestidos para niñas en momentos que se fotografían: graduaciones, bautizos, primeras comuniones. Sus clientas llegan desde Instagram, preguntan por DM, y compran por conversación directa con la dueña. El sitio existía como tienda en línea con catálogo, carrito y checkout.
El problema declarado era que "el sitio no convierte". El problema real era diferente: el sitio estaba diseñado para un modelo de venta que Kukita no usa.
"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
22 archivos CSV de GA4 (91 días). La IA cruzó métricas sin instrucción adicional y detectó la anomalía clave: $0.12 de retorno por cada peso invertido en anuncios. Cero trabajo manual de limpieza de datos.
708 DMs de Instagram (34,617 líneas) + 13 conversaciones de WhatsApp. Análisis de patrones lingüísticos: qué pregunta cierra, qué frase aborta la conversación, qué tono conecta.
Observación directa del sitio desde mobile (87% del tráfico), con user journey completo. Resultado: 10 problemas críticos documentados, desde botones inaccesibles hasta el 94.6% de abandono de carrito.
El negocio opera en modo conversacional, no transaccional. Las clientas no llegan al sitio para comprar. Llegan para asomarse. La compra pasa en la conversación, después de confirmar que hay una persona real detrás.
El catálogo genera trabajo innecesario. El 35% de los DMs de compra son preguntas de disponibilidad de talla, información que el sitio podría dar sola pero exige entrar producto por producto en un catálogo de 126 artículos.
El 81% de las cotizaciones se pierden sin intento de cierre. De 257 conversaciones activas al año, solo ~47 cierran con venta. Las otras 210 se van al silencio. El corpus mostró el patrón: las que anclan a una fecha concreta cierran más.
A. Mostrar disponibilidad de talla en el catálogo. Un chip visible en la tarjeta del producto reduce los DMs de disponibilidad antes de que lleguen. Sin rediseño: agregar información donde la clienta la necesita. Métrica: DMs de talla antes/después.
B. Sistema básico de seguimiento de cotizaciones. Un guion de seguimiento para las cotizaciones que no respondieron. El análisis del corpus identificó la pregunta que reactiva la conversación: preguntar para cuándo lo necesitan, no si les interesa. Métrica: tasa de respuesta en cotizaciones con seguimiento.
Lo que deliberadamente no recomendé: rediseñar el sitio. El sitio no es el problema.
Un diagnóstico de este alcance toma normalmente 2 a 3 semanas con un equipo externo. Tomó 3 días calendario porque la metodología estaba clara antes de empezar: qué fuentes cruzar, qué hipótesis validar, qué no perder tiempo revisando.
La velocidad no es el diferenciador. Es consecuencia de tener criterio antes de abrir el primer archivo de datos.
El proyecto no empezó con un brief de diseño. Empezó con una petición concreta: "¿Se puede poner un bot de IA para responder todos los DMs?" Solución técnicamente posible. Pero la premisa no estaba verificada. Decidí no responder directo.
El diagnóstico demostró que el problema no era el volumen de DMs sino qué pasaba después de ellos. Un bot habría respondido más rápido las preguntas de talla, pero no habría tocado las 210 cotizaciones que se perdieron por falta de seguimiento. Automatizar el síntoma sin entender la causa habría sido el error clásico.
La IA no reemplazó el criterio: lo aceleró. Leyó 22 CSVs, procesó 708 DMs, detectó la anomalía del paid social de forma autónoma y mantuvo el contexto en 6+ sesiones. El insight fue humano: entender que el problema declarado y el problema real eran cosas distintas.
¿Pusiste una IA a atender a tus clientes y no estás segura de qué experiencia está dando?
Hablemos →