API de análisis de piel para quiz de skincare: cambia diez preguntas por una selfie

Casi toda marca de skincare tiene un quiz. Diez o doce preguntas, un resultado genérico y una lista de productos que podría haber salido de la home. Una API de análisis de piel cambia la base de ese flujo: en lugar de pedirle al cliente que describa su piel con palabras que no siempre conoce, el quiz le pide una selfie y obtiene de vuelta un perfil estructurado en JSON. El cuestionario no desaparece, se vuelve corto y pasa a preguntar solo lo que una foto no puede saber.

Por qué el quiz tradicional pierde gente y precisión

Un quiz largo tiene dos problemas distintos, y conviene separarlos.

El primero es de abandono: cada pantalla adicional es una oportunidad de cerrar la pestaña. Cuanto más dudosa es la pregunta, más rápido se abandona. "¿Tu piel es mixta o grasa?" obliga a un autodiagnóstico que mucha gente no sabe hacer.

El segundo es de calidad del dato. Las respuestas que sí llegan están sesgadas por la percepción propia. Alguien que usa base muy clara puede declararse de tono medio; alguien con brillo en la zona T al final del día puede marcarse como piel grasa. El motor de recomendación recibe etiquetas inconsistentes y produce resultados que el equipo de CRM después no puede segmentar con confianza.

El resultado típico: un quiz con buen tráfico, baja finalización y una base de perfiles que nadie usa más allá de la pantalla de resultados.

API de análisis de piel para quiz de skincare: cómo se reorganiza el flujo

La idea es simple: lo que se puede observar en una foto, se observa; lo que depende de hábitos, rutina y preferencia, se pregunta.

Qué resuelve la selfie

MaIA Scan recibe la foto y devuelve un perfil de belleza como JSON: tono y subtono de piel, tipo y condición visible de la piel, atributos de cabello y un nivel de confianza por campo. El modelo fue entrenado con piel brasileña, lo que importa en mercados donde la diversidad de tonos y subtonos es justamente el punto donde fallan los cuestionarios declarativos.

Ese campo de confianza es más útil de lo que parece en un quiz. Si la confianza del subtono es baja porque la foto tiene luz amarilla, la interfaz puede pedir otra selfie o, mejor, mostrar una pregunta de respaldo ("¿tus venas se ven más verdes o más azules?") en lugar de arriesgar una recomendación débil. El quiz se vuelve adaptativo: pregunta solo donde el dato es incierto.

Qué sigue preguntando el quiz

Una foto no sabe si la persona ya usa ácidos, si está embarazada, si prefiere texturas ligeras, cuánto quiere gastar o si busca rutina de mañana o de noche. Esas tres o cuatro preguntas son las que quedan, y son las que de verdad mueven la recomendación.

El flujo pasa de diez pantallas a tres: selfie, preferencias, resultado. Y el resultado deja de ser un arquetipo ("piel radiante") para ser una lista de SKU con una explicación corta de por qué cada uno está ahí.

Del resultado del quiz al catálogo

Un perfil sin catálogo detrás no vende. El paso que suele faltar es la traducción entre los campos del JSON y las reglas de producto de la marca.

Hay dos caminos. El primero es propio: tu equipo mapea los campos del perfil contra atributos del catálogo (textura, nivel de activo, familia de producto) y arma las reglas en el motor que ya tienen. Funciona bien cuando el catálogo es acotado y las reglas son estables.

El segundo es delegar esa capa a MaIA Beauty Advisor, la consultora de belleza con IA integrada al catálogo de la marca: lee el perfil de belleza y recomienda los productos propios en WhatsApp, página de producto y chat. Se entrega como proyecto con el equipo de B4A, no como API self-service, porque la integración con el catálogo y el tono de marca requiere configuración.

Guardar el perfil, no solo mostrarlo

El error más común es tratar el quiz como una pantalla de resultado y no como un evento de datos. El JSON debería ir al CRM junto con el identificador del cliente: así el mismo perfil alimenta el email post-compra, la recompra programada y la vitrina personalizada. Un quiz que solo imprime un resultado en pantalla se desperdicia a los treinta segundos.

Lo que una API de análisis de piel no hace

Conviene ser explícito con legal y con marketing desde el primer día: la API describe atributos visibles en una foto. No diagnostica, no trata y no reemplaza a un profesional de la salud. El copy del quiz debe reflejarlo —"lo que vemos en tu foto", no "tu diagnóstico"— y evitar cualquier promesa clínica en el resultado.

También conviene definir desde el inicio qué pasa con la imagen: cuánto se retiene, qué se guarda del perfil y cómo se informa al usuario antes de pedir la cámara. Esa pantalla de consentimiento, escrita en lenguaje simple, suele mejorar la tasa de envío de foto en vez de empeorarla.

Cómo probarlo sin rehacer el quiz

No hace falta reconstruir todo el flujo para evaluar la idea. Un test razonable: dejar el quiz actual en producción y armar una variante con selfie para una fracción del tráfico, midiendo tres cosas —finalización, clic en producto recomendado y conversión del carrito que salió del quiz—. Los resultados varían con el catálogo, el tráfico y el canal de cada marca, así que el único número que importa es el propio.

Del lado técnico, la integración es una llamada HTTP con la imagen y una respuesta en JSON. La documentación de la API permite crear la cuenta, comprar créditos y generar una clave para empezar a probar con fotos reales el mismo día.

¿Quieres rearmar tu quiz de skincare alrededor de una selfie? Crea tu cuenta y tu clave de API, o habla con el equipo de B4A para evaluar la integración con tu catálogo.