> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wisepim.com/llms.txt
> Use this file to discover all available pages before exploring further.
# Reduce tu tasa de devoluciones con mejores datos
> Las devoluciones se comen tu margen. Trátalas como un problema de datos: encuentra el contenido que las provoca, corrige lo peor y demuestra que la tasa baja.
Las devoluciones son la forma más silenciosa de perder dinero. La venta ya se produjo, el marketing ya se pagó y entonces el producto vuelve y se lleva el margen con él. El instinto es culpar a los productos, pero una parte enorme de las devoluciones son clientes que reciben algo distinto de lo que la ficha les hizo esperar.
Eso lo convierte en un problema de datos, y los problemas de datos se arreglan. Esta guía es el bucle completo: demuestra la causa, corrige los peores casos, protégete de que se repita y vuelve a medir con un antes y un después de verdad. Calcula unas dos horas de trabajo práctico y luego de tres a cuatro semanas de espera hasta tener la evidencia.
**Antes de empezar:** necesitas historial de pedidos con datos de devoluciones o reembolsos llegando desde una plataforma conectada - el informe [Devoluciones y Reembolsos](/es/analytics/returns) es de donde bebe toda esta guía.
**Lo que vas a conseguir:** una línea base documentada, los productos concretos que impulsan tus devoluciones corregidos, una regla que impide que la misma carencia vuelva a entrar y una línea de tendencia que te dice si ha funcionado.
## Triaje: ¿es esto realmente un problema de contenido?
No enriquezcas nada todavía. Lo primero es averiguar si mejores datos van a servir de algo, porque si la causa es la talla o el producto en sí, el enriquecimiento quemará créditos sin cambiar nada.
Abre [Devoluciones y Reembolsos](/es/analytics/returns) desde la barra lateral de Analíticas y anota la tasa de devoluciones, los pedidos devueltos y los ingresos reembolsados del periodo actual. El informe muestra benchmarks orientativos al lado, para que distingas una cifra normal de una alarmante. Todo lo que viene después en esta guía se mide contra esas tres, así que captúralas antes de tocar nada.
Este único gráfico decide tu estrategia - léelo antes que cualquier otra cosa de la página. Ordena la tasa de devoluciones por calificación de calidad, de la A a la F, y la tarjeta de insight te nombra directamente tu peor banda.
Donde hay datos a nivel de artículo, los motivos vienen ordenados. **"No coincide con la descripción"** es el que apunta directamente al contenido: es el cliente diciéndote que la ficha le mintió. Una lista de motivos dominada por tallas o por arrepentimiento apunta a otro sitio.
Usa la tabla de productos más devueltos para construir tu lista objetivo, ordenando por productos que combinan una **calificación de calidad baja con alto volumen de pedidos**. Un producto con calificación F que se vende dos veces al año no es tu problema; uno con calificación D que se vende 400 veces al mes sí. Los productos de esa tabla con una puntuación de calidad *alta* son la señal contraria - son problemas de talla o de producto, así que déjalos fuera de la lista.
La forma de ese gráfico es toda la decisión:
| Qué ves | Qué significa | Qué hacer |
| --------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| **Pendiente pronunciada** - la calificación F devuelve más o menos 3× lo que la A | El contenido es el motor principal. Los productos con calificación A y B se devuelven menos porque sus fichas generan expectativas ajustadas | Sigue con esta guía. Mejorar descripciones, imágenes y especificaciones mueve la aguja más rápido que cualquier otra intervención |
| **Pendiente plana** - todas las calificaciones devuelven a un ritmo parecido | La causa es el ajuste del producto, la talla o la expectativa, no la falta de información | Párate aquí. Lee las [recomendaciones del informe](/es/analytics/returns) sobre problemas de ajuste: guías de tallas, información de compatibilidad, imágenes de uso más realistas. El enriquecimiento no va a mover esto |
## Corrige los productos que de verdad te están costando dinero
Ahora trabaja la lista objetivo. El orden importa: entiende qué está mal antes de generar nada, y prueba siempre en un producto antes de lanzar la ejecución completa.
Lleva tu lista de calificación D y F con alto volumen a [Calidad de Datos](/es/analytics/data-quality) y cambia a la pestaña **Corregir Problemas** con las pestañas de la parte superior de la sección. Ordena las Mejoras rápidas por impacto para convertir "estos productos están mal" en una carencia concreta y contable.
Cada botón **Corregir con AI** abre el mismo panel de revisión, y no se escribe nada hasta que tú lo dices. Lee **Impacto previsto** y **A quién afecta**, haz clic en **Probar en uno** para ver un antes y un después de un solo producto, y solo entonces **Aplicar a todos**. Saltarse la prueba es justo así como un prompt malo acaba llegando a 400 productos.
La [Revisión de calidad con AI](/es/analytics/quality-review) lee cada producto como un cliente exigente en 12 dimensiones y ordena los hallazgos; los resultados están listos en unos minutos. Para las devoluciones, vigila las dimensiones de desajuste: Imagen vs Datos, Imagen vs Descripción, Consistencia Semántica, Cálculos entre campos y Preparación para la Conversión. Ahí es donde la expectativa del comprador y el paquete se separan.
Que falten dimensiones, materiales y compatibilidad es lo que hace que la gente adivine, y adivinar produce devoluciones. Empieza por la [extracción de atributos](/es/ai/attributes) a 1 crédito por producto - saca las especificaciones del texto que ya tienes, pero solo hacia atributos que existan en la familia de producto, y nunca se inventa ninguno nuevo. Donde la cobertura siga baja porque los datos realmente no están en tu texto, ejecuta [investigación web](/es/ai/web-research) y vuelve a extraer.
Las imágenes equivocadas o engañosas son una de las principales causas del "no coincide con la descripción". Revisa la galería de tus productos objetivo en la [Biblioteca de medios](/es/products/media-library), que abres desde la navegación principal, y luego ejecuta [Texto alternativo de imágenes](/es/ai/image-alt-text) - solo rellena las imágenes que no tienen ningún texto alternativo y nunca sobrescribe lo que hayas escrito tú, así que puedes lanzarlo a lo ancho sin miedo.
## Evita que vuelva a pasar y publica
Corregir los productos de hoy sin cambiar lo que entra mañana significa repetir todo esto tras la próxima importación de proveedor. Cierra el bucle antes de medir, porque la ventana de medición empieza al publicar, no al enriquecer.
En la página de Reglas de [Quality Guard](/es/quality-guard/rules), haz clic en **Crear regla** y monta una comprobación de contenido mínimo que cubra lo que les faltaba a tus productos objetivo: una longitud mínima de descripción, un número de imágenes obligatorio, un atributo requerido. Los umbrales numéricos muestran una pista de distribución con el p10, la mediana y el p90 de tu catálogo, más una vista previa de impacto en vivo de cuántos productos pasarían o fallarían, para que elijas un umbral que tus datos reales puedan cumplir.
**Advertir** exporta el producto y registra el fallo en el registro de auditoría; **Bloquear** lo pone en cuarentena hasta que se corrija. Ejecuta las reglas nuevas en Advertir hasta ver qué atrapan y sube la severidad cuando el recuento sea razonable.
Este es el paso que la gente olvida, y echa por tierra toda la medición. Selecciona los productos corregidos en la página de Productos y usa **Exportar** en la barra de herramientas. Las exportaciones a plataforma se ejecutan como tareas en segundo plano y pueden tardar de unos minutos a unas horas según el tamaño del catálogo, así que consulta la [referencia de exportación](/es/essentials/exporting-products) antes de dar por hecho que se ha quedado colgada.
Abre dos o tres productos corregidos en tu escaparate real y confirma que el contenido nuevo está ahí. Apunta cuándo aterrizó: tu antes y después se ancla a esa fecha, no al día en que lanzaste el enriquecimiento.
## Cómo saber si ha funcionado
Las devoluciones se mueven despacio, porque cada dato tiene que atravesar un pedido, una entrega y un plazo de devolución antes de llegar al gráfico. Las señales del lado del catálogo confirman que el trabajo aterrizó; solo las señales de devoluciones confirman que funcionó. No esperes nada de estas últimas durante las dos primeras semanas.
| Señal | Dónde mirar | Cuándo se mueve |
| ---------------------------------------------------------------- | --------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------- |
| La calificación de calidad de los productos corregidos sube | Distribución de calificaciones en [Calidad de Datos](/es/analytics/data-quality) | En horas desde que se aplican las correcciones |
| Puntuación de Revisión de calidad con AI en la lista objetivo | Radar de dimensiones en [Revisión de calidad con AI](/es/analytics/quality-review) | Unos minutos después de la siguiente revisión |
| Menos productos fallando tu nueva regla | Resultados de reglas en [Quality Guard](/es/quality-guard/rules) | En la siguiente exportación, sincronización o publicación - las reglas se evalúan ahí, no al importar |
| "No coincide con la descripción" cayendo en la mezcla de motivos | Principales motivos de devolución en [Devoluciones y Reembolsos](/es/analytics/returns) | 3–4 semanas después de publicar |
| La tendencia de la tasa de devoluciones se dobla hacia abajo | Tasa de devoluciones en el tiempo en [Devoluciones y Reembolsos](/es/analytics/returns) | 3–4 semanas después de publicar |
La prueba que buscas es que la pendiente se aplane: tus antiguos productos de calificación D y F devolviéndose a un ritmo más cercano al de los de calificación A.
## Cuando no funciona
Una pendiente plana significa que el contenido no es tu motor - los productos buenos y los malos se devuelven igual. Eso apunta a ajuste, tallas o expectativa antes que a falta de información, y el informe [Devoluciones y Reembolsos](/es/analytics/returns) sugiere guías de tallas, información de compatibilidad e imágenes de uso más realistas. Es una conversación a nivel de producto, no de enriquecimiento.
Comprueba que el contenido corregido llegó de verdad al escaparate. Si **Omitir lo no modificado** estaba activado y los productos no se detectaron como modificados, la exportación puede no haber enviado nada - desactívalo para forzar una reexportación completa, tal como describe [Exportar productos](/es/essentials/exporting-products). Confirma en la web en vivo antes de concluir que la corrección falló.
Algunas plataformas solo exponen los reembolsos a nivel de pedido. Sin datos por artículo sigues teniendo la tasa de devoluciones, los ingresos reembolsados y la pendiente por calificación de calidad - suficiente para seguir esta guía. Solo pierdes el desglose de motivos como contraste, así que apóyate más en la pendiente.
Solo rellena atributos que ya existen en tu estructura, así que una especificación sin atributo en la familia de producto no tiene dónde aterrizar. Confirma que el atributo existe en la familia y vuelve a ejecutarla. Si el texto de origen simplemente no contiene la especificación, la [investigación web](/es/ai/web-research) la trae de fuentes externas y luego extraes.
La severidad Bloquear pone en cuarentena todo lo que falla, y tu umbral está por encima de lo que tus datos pueden cumplir ahora mismo. Baja la severidad a Advertir, usa la pista de distribución del [constructor de reglas](/es/quality-guard/rules) para elegir un umbral cerca de la mediana de tu catálogo y súbelo a medida que el catálogo mejore.
Normalmente el identificador es incorrecto, no se reconoce en internet, o el producto es demasiado nuevo o de nicho para tener datos públicos. Prueba con otro tipo de identificador - si el EAN no devuelve nada, la [investigación web](/es/ai/web-research) sugiere marca más nombre, o el número de modelo.
## Relacionado
El informe detrás de esta guía: tasas, motivos y la pendiente por calificación de calidad.
Doce dimensiones que detectan los desajustes por los que los clientes devuelven productos.
Cuando el problema de devoluciones es en realidad un problema de datos heredados en todo el catálogo.
Mantén lo ganado: una pasada corta y recurrente para que la calidad no vuelva a caer.