Domina el precio, no solo el inventario: una guía D2M + AI para reducir la fuga de margen en la moda

Atorie levantó una ronda de semilla de $9,5 millones para construir un marketplace que conecta directamente a fabricantes con consumidores. La empresa trabaja con más de 40 fábricas y busca vender artículos de piel italiana y cachemira a aproximadamente el 10% al 20% de los precios de venta al por menor típicos. Usa AI para análisis de tendencias, pruebas de color, pronóstico de demanda y anticipar escasez de materiales, y ofrece un agente de AI para consumidores que genera recomendaciones de looks. Atorie generó aproximadamente $5 millones en ventas en 2025 y espera que su run rate anualizado de ingresos supere los $55 millones en 2026, una proyección y no ingresos del año completo confirmados.

La lección útil no es que una empresa haya encontrado una cadena de suministro barata. Es que el precio puede convertirse en el producto central cuando conoces el piso de costo, la señal de demanda y el riesgo de inventario antes de que el artículo se envíe. En la moda, la compresión de margen suele ser un problema de planificación, no de finanzas.

Por qué el precio es el producto real

La mayoría de los operadores de D2C y marketplace comienzan con el inventario: qué se puede abastecer, producir y enviar. Esa secuencia crea un impuesto oculto. Si no conoces el costo de llegada real por SKU, color y material, fijas el precio por intuición de categoría. Si no pronosticas la demanda al mismo nivel, aplicas descuentos para liquidar existencias. El resultado es un precio que parece una promoción, incluso cuando es la primera oferta real.

Un modelo directo al fabricante cambia la entrada. No estás negociando contra el margen de un distribuidor; estás construyendo un modelo de costos a partir del precio de fábrica, flete, derechos, pérdida de calidad, términos de pago y cantidades mínimas de pedido. El objetivo no es publicar el costo. Es conocer el piso lo suficiente para establecer una banda de precio que pueda sobrevivir a la incertidumbre de la demanda.

Si tu precio es una suposición, tu margen es un billete de lotería.

El sistema de propiedad del precio

Mapea el piso de costo de fábrica

Construye una hoja de costos para cada unidad vendible. Incluye materia prima, mano de obra, acabados, embalaje, flete, derechos, devoluciones y riesgo de baja de valor. En la moda, el material no es un solo número. Un suéter de cachemira en carbón y uno en un color de temporada pueden tener diferente costo, tiempo de entrega y demanda. Si el costo de llegada de una chaqueta es de $40 y tu ratio objetivo de precio a costo es 3,0, el piso es $120. Si el pronóstico es débil, no bajes el precio a $99 y lo llames una prueba. O mejora el pronóstico, reduce el costo o elimina el SKU.

Pronostica por SKU, color y material

Los pronósticos agregados ocultan los problemas. Una categoría puede verse sana mientras un color se queda en el almacén. Usa el análisis de tendencias y las ventas históricas para estimar la demanda por SKU, color y material. Cuando sea posible, añade indicadores anticipados: comportamiento de búsqueda, pedidos anticipados, listas de espera y señales de escasez de materiales. La salida debe ser un rango de confianza, no un solo número. Un SKU de alta confianza puede sostener una banda de precio más ajustada. Un SKU de baja confianza necesita un pedido inicial más pequeño, una revisión más rápida y una regla de salida más clara.

Define bandas de precio según la confianza

Las bandas de precio son más útiles que los precios únicos. Una banda te da espacio para probar sin romper la historia de margen. Por ejemplo, un piso de costo de $120 podría sostener una banda de venta al por menor de $300 a $360 si la confianza en la demanda es alta. Si la confianza es baja, la banda puede comenzar en $300 con un pedido más pequeño y una revisión de 30 días. La clave es decidir de antemano qué significa un cambio de precio: una prueba de demanda, una liquidación o una corrección a un mal modelo de costos.

Usa pruebas de looks con AI

Los agentes de AI para consumidores a menudo se presentan como una función de descubrimiento. En un sistema de precios, son una herramienta de medición. Si una recomendación de look combina un abrigo de $320 con un suéter de $180 y el cliente acepta el paquete, tienes evidencia de que el punto de precio funciona en contexto. Si el cliente descarta el abrigo pero se queda con el suéter, el abrigo puede ser el precio débil, no el producto débil. Usa el agente para probar la elasticidad de precio, no solo para generar looks.

Revisa la fuga de margen semanalmente

La fuga de margen es la brecha entre el precio que planeaste y el precio que realmente obtuviste después de descuentos, devoluciones y bajas de inventario. Mídela semanalmente contra un ratio objetivo de precio a costo. Si un SKU está fugando margen, pregunta qué entrada falló: costo, demanda, precio o inventario. No dejes que la revisión semanal se convierta en una sesión de culpas. Debe ser un bucle de corrección.

Cadencia operativa y modos de fallo

La cadencia importa más que el modelo. Una revisión semanal debería responder tres preguntas: ¿Qué SKUs están por encima del ratio objetivo de precio a costo? ¿Qué SKUs están por debajo y por qué? ¿Qué SKUs deberían eliminarse, repriciarse o reordenarse? Una revisión mensual debería actualizar los modelos de costos y demanda. Una revisión trimestral debería decidir qué relaciones con fábricas, materiales y categorías valen la pena mantener.

• Modo de fallo: el piso de costo está desactualizado. El flete, los derechos o los precios de materiales cambiaron, pero el precio no.
• Modo de fallo: el pronóstico es demasiado agregado. La categoría se ve bien, pero un color es un activo muerto.
• Modo de fallo: las pruebas de precio no están etiquetadas. Un descuento se convierte en un precio permanente y la historia de margen colapsa.
• Modo de fallo: las recomendaciones de AI se usan solo para conversión, no como evidencia de precio.

Los números reportados de Atorie sugieren que el modelo puede escalar: una ronda de semilla de $9,5 millones, una red de 40+ fábricas, una posición de precio de venta al por menor baja y una proyección de run rate para 2026 por encima de $55 millones. La precaución es que la cifra de 2026 es una proyección, no ingresos confirmados. La lección repetible es el sistema: pisos de costo, pronósticos a nivel de SKU, bandas de precio, pruebas de precio con AI y revisiones semanales de fuga de margen. Si puedes ejecutar ese bucle, el precio deja de ser una consideración tardía y se convierte en el producto.