Ventas perdidas por tallas agotadas
últimos 30 días
Cruce de GA4 (vistas, carritos y compras por producto) con el inventario Shopify por talla. A cada referencia solo se le atribuye la pérdida de la demanda de sus tallas agotadas, contra el benchmark de las 82 referencias con curva sana (0,26% compra/vista). Estimación conservadora: no incluye al visitante que rebota de la tienda entera.
5 referencias 100% agotadas siguen activas — y el tráfico sigue entrando
~4.000 vistas al mes aterrizan en fichas donde no se puede comprar nada. Subtotal: ~$3,0 M.
Curva rota en S / M / L con tráfico alto
Fichas entre las más vistas de la tienda convirtiendo muy por debajo del benchmark (0,26%) porque faltan las tallas que la gente busca.
Cuellos 15½ – 17 agotados en 6 referencias
Entre 191 y 664 vistas cada una, con 57–86% de la curva de cuello agotada. Subtotal ~$570 mil. CC01085, CC01068, CC00911, CC01067, CC01065, CC01095.
Las tallas corruptas tipo "15-ENE" o "16½ - 34" rompen los filtros de talla y cualquier app que lea variantes. Vale la pena corregirlas aunque la ref esté por agotarse.
La palanca es reasignar el tráfico
- 01Sacar de circulación las 5 refs 100% agotadas (draft o fuera de colecciones). Recupera ~4.000 vistas/mes. Cero riesgo.+$3,0 M
- 02Filtrar curva rota en los product sets de Meta — como ya se hizo con GANADORAS. La lista de este informe es el filtro.+$2–3 M
- 03Capturar la demanda sin talla en la ficha: "¿No está tu talla? Búscala en nuestras 27 tiendas" o link a similares, en vez de ocultar la talla.+$1–2 M
- 04Corregir tallas corruptas ("15-ENE") en camisas formales.higiene
- 05Repetir el cruce cada mes — los scripts quedaron listos; la lista cambia sola a medida que el stock se agota.rutina
Metodología: GA4 item-scope 30d × inventario por talla (21-jul). Benchmark 0,26% compra/vista (82 refs curva sana). Share de demanda por talla estándar menswear (M 30%, L 28%, XL 18%, S 13% · pantalón pico 32–34). Los rangos de recuperación son orientativos: parte de la demanda se redistribuye sola a otras refs.