Modelo de datos del perfil de belleza: cómo almacenarlo, versionarlo y actualizarlo

La mayoría de los equipos integra una API de análisis de piel y cabello, ve llegar el JSON y después se enfrenta a la pregunta real: ¿dónde vive esto? Un perfil de belleza que existe solo dentro de una sesión es una buena demo. Un perfil de belleza que se almacena, se versiona y se actualiza se convierte en un activo que tu CRM, tus páginas de producto y tu asesora pueden usar. Este artículo presenta un modelo de datos del perfil de belleza práctico para marcas de belleza, retailers y e-commerces: los campos, los metadatos que los rodean y las reglas que mantienen todo confiable.

Qué contiene realmente un perfil de belleza

MaIA Scan toma una selfie y devuelve un perfil estructurado: tono y subtono de piel, tipo y condición visible de la piel, atributos de cabello y un valor de confianza por campo. Describe lo que es visible en una foto. No es una evaluación clínica ni sustituye a un profesional de la salud, y esa distinción importa cuando escribes los nombres de los campos, porque una columna llamada skin_condition_observed fija expectativas internas muy distintas de una que sugiera una conclusión clínica.

Así que la materia prima es: un conjunto de atributos, cada uno con una confianza, producidos en un momento dado a partir de una imagen bajo una condición de luz. Tu modelo de datos tiene que cargar con esas cuatro cosas, no solo con la primera.

El modelo de datos del perfil de belleza: campos, confianza y procedencia

Piensa en el perfil como un evento, no como una propiedad. Un cliente no "tiene" un tono de piel en tu base de datos; tu sistema observó uno, en una fecha determinada, a partir de una foto determinada, con una confianza determinada. Modelarlo como evento resuelve la mayoría de los problemas que aparecen seis meses después.

Guarda la confianza, no solo el valor

El error de integración más común es aplanar la respuesta: conservar undertone = "warm" y descartar la confianza que venía con él. Una vez que el número desaparece, todos los sistemas posteriores tratan igual una lectura fuerte y una débil, y tu lógica de recomendación no tiene forma de ser cuidadosa.

Conserva la confianza junto a cada valor y decide los umbrales por caso de uso, no de forma global. Una lista corta de tonos en una página de producto puede tolerar una lectura moderada, porque el cliente verá el resultado y lo corregirá. Un segmento automático de CRM que dispara una campaña debería exigir más, porque no hay nadie supervisando para detectar una mala decisión. La confianza baja no es un fallo; es una señal para pedir una mejor foto o ampliar la lista corta.

Conserva la procedencia y las marcas de tiempo

Cada perfil almacenado debería llevar: cuándo se capturó, de qué canal vino (página de producto, flujo de WhatsApp, tablet en tienda, onboarding del programa de fidelidad), qué versión del análisis lo produjo y si el cliente confirmó o corrigió algún campo después. Esto último vale oro. Un cliente que cambia manualmente su tono después de ver el resultado te está diciendo algo que tu modelo no puede ver, y una marca source: user_confirmed te permite priorizar su aporte por encima de cualquier nueva lectura automática.

Separa los atributos observados de las decisiones derivadas

Resiste la tentación de guardar el "SKU de base recomendado" dentro del perfil. Los catálogos cambian, el inventario se mueve, las fórmulas se descontinúan. Mantén los atributos observados en una capa y las recomendaciones en otra, generadas en el momento de la lectura contra el catálogo actual. Así funciona MaIA Beauty Advisor en la práctica: lee el perfil y lo resuelve contra el catálogo vivo de la marca, de modo que el mismo perfil almacenado produce una respuesta válida esta temporada y la siguiente.

Dónde vive el perfil: sesión, CRM o ambos

Hay tres arquitecturas razonables, y la correcta depende de lo que quieras hacer con los datos.

Solo sesión. El perfil existe mientras dura la visita, alimenta una lista corta de tonos o una prueba virtual, y se descarta. La huella más ligera posible, la conversación de consentimiento más simple, cero preguntas de retención. El costo es que el cliente empieza de cero cada vez y no aprendes nada a nivel de audiencia.

Almacenado contra un cliente identificado. El perfil se escribe en tu CRM o plataforma de datos de clientes, vinculado a una cuenta. Ahora puedes segmentar, personalizar email y WhatsApp, precargar la próxima visita y medir si los clientes con perfil se comportan distinto del resto. Esto requiere consentimiento explícito y una política de retención, y es donde está la mayor parte del valor a largo plazo.

Híbrido. Analiza en sesión, ofrece el almacenamiento como beneficio ("guarda tu perfil para que recordemos tu tono") y persiste solo para quienes acepten. En Brasil, bajo la LGPD, trata los datos cercanos a lo biométrico con el cuidado que merecen: propósito claro, opt-in explícito y una forma fácil de eliminarlos.

Qué hacer con la foto

Lo más seguro por defecto es: no la conserves. Guarda los atributos derivados, no la imagen. Si tienes una razón genuina para retener fotos (una función de antes y después, por ejemplo), conviértela en una decisión separada, con consentimiento explícito y su propia ventana de retención, no en un efecto secundario de ejecutar un análisis.

Actualizar el perfil: cuándo repetir el escaneo

Los atributos derivan. La condición de la piel cambia con la temporada y la rutina; el cabello cambia con la coloración y los cortes; el tono varía con la exposición al sol. Un perfil capturado en enero no está equivocado en julio, pero es más viejo.

Una regla viable: asigna una edad a cada perfil y deja que cada caso de uso decida su propia tolerancia. Un panel del programa de fidelidad puede mostrar un perfil del año pasado con un aviso de "actualizar". Una recomendación de tono de base se beneficia de algo reciente. Dispara un nuevo escaneo de forma natural (al inicio de una nueva temporada, antes de una campaña de reposición o cuando el cliente devuelve un producto por motivos de tono) en lugar de insistir con un calendario fijo.

Cuando repitas el escaneo, versiona en lugar de sobrescribir. Conservar el historial te permite ver el cambio a lo largo del tiempo y te protege de que una sola foto mal iluminada borre una buena lectura.

Poner el perfil a trabajar

Una vez que el modelo está limpio, las aplicaciones se apilan con facilidad: una lista corta de tonos en la página de producto, un segmento en tu CRM, un punto de partida para una conversación en WhatsApp, una página de resultados personalizada después de un quiz. El perfil es el vocabulario compartido entre todas ellas, y exactamente por eso merece un esquema deliberado en lugar de un blob JSON improvisado en un campo de notas.

¿Listo para diseñar el tuyo? Crea una cuenta, obtén una clave de API e inspecciona una respuesta real en la documentación de la API de MaIA, o habla con nuestro equipo sobre cómo mapear el perfil a tu catálogo y tu CRM.