Cómo leer el perfil de belleza que devuelve la API: campos, confianza y decisiones

La integración técnica de una API de análisis de piel suele tomar una tarde. Lo que toma más tiempo es decidir qué hacer con la respuesta. Saber cómo leer el perfil de belleza que devuelve la API —qué significa cada campo, qué confianza trae asociada y qué decisión de producto dispara— es lo que separa una demo bonita de una funcionalidad que mueve conversión, ticket y recompra.

Esta guía está escrita para el equipo que va a consumir el JSON: product managers, desarrolladores de e-commerce y responsables de CRM.

Qué devuelve exactamente la API

MaIA Scan recibe una foto y devuelve un perfil de belleza estructurado en JSON. No devuelve una recomendación ni un diagnóstico: devuelve atributos visibles de la imagen, organizados en bloques.

• Piel: tono y subtono, tipo y condición visible.
• Cabello: atributos observables en la foto.
• Confianza: un valor por campo, no uno solo para toda la respuesta.

Ese último punto es el más ignorado y el más útil. La API no te entrega una verdad absoluta; te entrega una lectura con un grado de certeza por atributo. Tu lógica de negocio debería leer ambos.

Una aclaración importante antes de seguir: el perfil describe lo que se ve en una foto. No diagnostica, no trata y no sustituye a un profesional. Toda la copy que muestres al cliente final debe respetar ese límite.

Cómo leer el perfil de belleza campo por campo

Tono y subtono de piel

El tono responde a "qué tan clara u oscura es la piel en esta foto". El subtono responde a "hacia dónde tira": cálido, frío o neutro. Son campos distintos y se usan distinto.

El tono acota el rango de shades de base, corrector o polvo. El subtono decide cuál de los shades dentro de ese rango es el correcto. Un error típico es ordenar el catálogo solo por tono: el cliente recibe tres opciones del rango correcto pero con el subtono equivocado, prueba la base en casa y la devuelve.

En la práctica, la regla es simple: filtra por tono, ordena por subtono y nunca muestres una sola opción. Tres shades con una frase que explique por qué fueron elegidos convierten mejor que un veredicto único.

Tipo y condición visible de la piel

Aquí vive la mayor parte del valor en skincare. El tipo y la condición visible alimentan rutinas, kits y recomendaciones de textura: un sérum ligero o uno más rico, una base matificante o una luminosa.

El lenguaje importa. Hablá de lo que se observa en la foto —aspecto, textura visible— y no de una condición clínica. Eso mantiene la experiencia honesta y evita promesas que tu marca no puede sostener.

Atributos del cabello

En marcas de haircare, los atributos capilares cumplen el mismo rol que el subtono en maquillaje: reducen un catálogo amplio a una recomendación defendible. Si tu catálogo no tiene haircare, simplemente ignorá el bloque; no hace falta mostrar todo lo que la API devuelve.

La confianza por campo

La confianza es tu válvula de seguridad. Una foto con luz amarilla, sombra lateral o maquillaje pesado puede dar una lectura de subtono menos segura y una de tono bastante sólida. Leer un único umbral global desperdicia esa granularidad.

MaIA Scan fue entrenada con piel brasileña, lo que importa especialmente en mercados de alta diversidad fenotípica, donde los rangos medios y profundos suelen estar peor representados en los catálogos.

De campos a reglas de negocio

Traducí cada campo en una decisión explícita antes de escribir una línea de front-end.

Confianza alta

Mostrá la recomendación directamente: tres productos, el motivo en una frase y un botón de compra. Nada de pasos intermedios.

Confianza media

Mostrá la recomendación pero ampliá el rango y agregá una pregunta de confirmación: "¿tu base actual tiende a verse rosada o dorada?". Una sola pregunta, nunca un cuestionario completo.

Confianza baja

No adivines. Pedí otra foto con una instrucción concreta (luz natural, rostro sin maquillaje, de frente) o caé en una experiencia alternativa: la recomendación por best sellers del rango, o una conversación con MaIA Beauty Advisor, que lee el perfil y conversa con el catálogo de la marca en WhatsApp, página de producto o chat.

El peor resultado posible no es "no sé": es una recomendación segura y equivocada, porque esa se transforma en devolución y en desconfianza.

Dónde conectar el perfil después de leerlo

Un perfil de belleza leído correctamente rinde en varios puntos a la vez:

• Página de producto: filtrado de shades y orden del grid.
• Carrito: sugerencias complementarias coherentes con el tono (polvo, corrector, labial).
• CRM: segmentos persistentes para campañas de reposición y lanzamientos.
• Postventa: si hubo devolución por color, el perfil permite ofrecer el shade vecino en lugar de un reembolso.

Y del lado visual, el perfil combina bien con la prueba virtual: el perfil acota qué mostrar, la prueba muestra cómo se ve. En MaIA Try-On por API, el cliente envía una foto y recibe la imagen con el labial o la base aplicados, con la paleta calibrada a los productos reales de la marca.

Errores comunes al consumir el JSON

• Mostrar el JSON crudo al cliente. El perfil es insumo interno; el cliente merece una frase clara y tres productos.
• Guardar solo el resultado final. Guardá también la confianza y la fecha: sin eso no podés auditar por qué una recomendación falló.
• Tratar el perfil como permanente. La piel cambia con la estación y el cabello con el tratamiento. Reanalizá cada cierto tiempo.
• No medir por campo. Si medís conversión global pero no por rango de tono, no vas a detectar que los tonos profundos están mal servidos por tu catálogo.

Si querés ver la estructura completa de la respuesta y probarla con fotos reales, creá tu cuenta y tu clave en la documentación de la API, o escribile al equipo de B4A para revisar juntos las reglas de negocio antes de salir a producción.