Imagina que entras en la web de un retailer de moda, aceptas cookies, compartes datos, compras con frecuencia y, aun así, el algoritmo insiste en encasillarte: “para ella”, “para él”, rosas a un lado, negros al otro. El discurso del dato como sinónimo de precisión se rompe cuando la experiencia se siente más vieja que un catálogo de los 90.
La industria del retail se juega mucho en este punto: cómo usar el dato para personalizar, sin estereotipar. No es sólo una cuestión de reputación; es una palanca directa de negocio.
Por qué ya no vale personalizar “en azul o rosa”
La buena noticia para el sector es que el negocio y la inclusión van alineados.
Estudios recientes sobre publicidad inclusiva muestran que los anuncios que rompen estereotipos y representan a las mujeres de forma más realista pueden generar incrementos de ventas de hasta 10 veces frente a creatividades convencionales, según análisis de GEM® y Circana vinculados a la iniciativa Unstereotype Alliance de ONU Mujeres y Unilever.
Google, por su parte, ha identificado que un 64% de las personas afirma haber realizado alguna acción (buscar más información, hablar de la marca, comprar) tras ver un anuncio que percibe como diverso o inclusivo.
El mensaje de fondo es claro: las campañas que reconocen la diversidad funcionan mejor. Pero mientras la creatividad avanza, los algoritmos todavía arrastran inercias peligrosas.
La investigación académica lleva años mostrando que la representación de género en publicidad sigue siendo mayoritariamente estereotipada, incluso después de décadas de debate.
Cuando esos patrones se traducen en sistemas de recomendación, scoring o segmentación, el riesgo se multiplica: lo que antes era un anuncio puntual, hoy puede ser un viaje completo de cliente, sistemáticamente sesgado.
Reguladores, consumidores y el fin de la excusa del “es cosa del algoritmo”
Algunos reguladores ya han puesto límites. El Reino Unido prohibió desde 2019 los anuncios que refuercen estereotipos de género dañinos, a través de la Advertising Standards Authority (ASA).
Y los casos mediáticos dejan claro que el público está atento:
Amazon fue acusada de sexismo por mostrar sólo mujeres usando productos de limpieza en ciertos anuncios, reforzando roles tradicionales. Marks & Spencer vivió una polémica por un escaparate que colocaba trajes de hombre junto a “fancy little knickers” para mujeres, criticado como “vomitivo” por reproducir estereotipos.
En paralelo, los consumidores empiezan a desconfiar de la IA aplicada al retail cuando sienten que refuerza sesgos o les “lee mal”. Un análisis de Talkdesk revela que un 64% de los encuestados ha recibido recomendaciones impulsadas por IA que no encajaban con sus gustos o comportamientos previos, con cifras aún mayores en colectivos minoritarios.
El mensaje: no vale escudarse en “el algoritmo lo ha decidido”. El diseño de datos, lógica y controles es una decisión estratégica de negocio.
Marcas que han empezado a reescribir el guion
Aunque muchas iniciativas han nacido en el terreno de producto y comunicación, su lógica está ya permeando la personalización basada en datos.
1. John Lewis: surtido y etiquetado sin género como punto de partida
El histórico John Lewis fue uno de los primeros retailers británicos en eliminar las etiquetas de género de su línea de ropa infantil y fusionar secciones “niño/niña” en tienda, usando etiquetas “girls & boys” o “boys & girls” para evitar estereotipos.
Aunque la decisión se tomó a nivel de surtido y layout, la implicación para la personalización es clara: si el catálogo deja de estar segmentado rígidamente por género, los algoritmos pueden recomendar por estilo, talla, uso o clima, en lugar de por “niño/niña”.
2. Zalando y los “Zerotypes”: decir adiós a las categorías rígidas
La campaña “Goodbye Stereotypes. Hello Zerotypes” de Zalando mostró hombres con vestidos, mujeres mayores con neones y estilismos que desafiaban el clásico “masculino/femenino”, apuntando a una moda mucho más fluida.
El siguiente paso lógico, y sobre el que la compañía viene trabajando, es trasladar esa filosofía al dato:
- Filtros por fit, silueta, ocasión, nivel de comodidad, rangos de talla.
- Modelos de recomendación basados en comportamiento real (qué guarda el usuario, qué devuelve, cuánto tiempo pasa viendo ciertos productos) más que en el marcador “hombre/mujer” del perfil.
3. Retail phygital?: tiendas “sin secciones de hombre o mujer”
En EEUU, propuestas como The Phluid Project apostaron por eliminar secciones de hombre o mujer y construir espacios totalmente genderless, como recogían crónicas de Retail Dive.
Este enfoque es especialmente interesante cuando se conecta con apps y programas de fidelización: la experiencia en tienda genera datos de elección reales (qué se prueba, qué se compra, independientemente del género), que luego pueden alimentar la personalización digital sin necesidad de etiquetar al cliente.
Algoritmos más conscientes del sesgo
En el terreno puramente data, publicaciones especializadas como RetailTouchPoints advierten que los algoritmos en retail pueden terminar excluyendo perfiles si se entrenan sobre datos incompletos o sesgados: por ejemplo, infraabasteciendo tallas grandes porque la demanda pasada fue baja, o reforzando patrones de compra masculinos en ciertas categorías.
impulsada por las operadoras de telefonía?