Recomendación por perfil de belleza en el checkout: cross-sell que el cliente agradece

El último tramo de la compra es donde las marcas de belleza más repiten la misma receta: un carrusel de "también te puede interesar" armado con los más vendidos del mes. Funciona un poco, molesta bastante y rara vez acierta. La recomendación por perfil de belleza en el checkout cambia la lógica: en vez de ofrecer lo que vende más, ofrece lo que combina con el tono, el subtono, el tipo de piel o el tipo de cabello de la persona que está por pagar.

Por qué el cross-sell genérico falla justo al final

En el checkout el cliente ya decidió. Tiene la tarjeta en la mano y poca paciencia. Cualquier bloque que agregue fricción sin agregar valor se convierte en ruido —y en abandono.

El problema no es ofrecer más productos, es ofrecerlos sin contexto. Si alguien está comprando una base, sugerir otra base no tiene sentido; sugerir el corrector que corresponde a ese mismo tono sí lo tiene. Si alguien lleva un shampoo para cabello rizado, el acondicionador y la crema de peinado de la misma línea son una continuación natural, no una interrupción.

La diferencia entre "relacionado" y "compatible"

Un producto relacionado es una relación de catálogo: misma categoría, misma línea, misma campaña. Un producto compatible es una relación con la persona: funciona con su tono, su subtono, su condición de piel visible, su textura de cabello. El primero lo arma el merchandiser; el segundo necesita un dato del cliente.

Qué dato hace falta para una recomendación por perfil de belleza en el checkout

El insumo es un perfil de belleza estructurado. MaIA Scan lo entrega como API: el cliente envía una selfie y la respuesta vuelve en JSON con tono y subtono de piel, tipo y condición de la piel, atributos del cabello y un nivel de confianza por campo. Es una lectura de atributos visibles de la foto —no un diagnóstico médico ni un sustituto de un profesional.

Con esos campos, el checkout deja de adivinar. Un subtono cálido ordena la paleta de labiales y bronzers de otra manera que un subtono frío. Una condición de piel visiblemente grasa en la zona T cambia qué base, qué polvo y qué primer tienen sentido en la vitrina final.

Dónde se captura el perfil

El perfil no se captura en el checkout. Ahí ya es tarde. Se captura antes:

• En la página de producto, como "encontrá tu tono".
• En un quiz de skincare o de cabello en el home.
• En una conversación por WhatsApp con la asesora virtual.
• En el onboarding del programa de fidelidad o del app.

Luego se guarda contra el ID del cliente en el CRM o en el perfil de la cuenta, y queda disponible para cualquier momento de la jornada —incluido el carrito.

Tres momentos distintos, tres mensajes distintos

1. Carrito

Es el lugar con más espacio. Acá cabe un bloque de dos o tres productos con una línea de justificación: "para tu subtono cálido" o "para cabello ondulado con frizz". La justificación importa tanto como el producto: convierte una sugerencia en un argumento.

2. Checkout

Acá hay que ser quirúrgico. Un solo producto, de ticket bajo, con agregado en un clic y sin salir del flujo. El criterio típico es completar lo que ya está en el carrito: el corrector del mismo tono, el delineador del mismo color de labial, el acondicionador de la misma línea.

3. Confirmación y post-compra

La página de gracias y el email de confirmación son espacio desperdiciado en la mayoría de los e-commerces. Con el perfil guardado, se puede sugerir el siguiente paso de la rutina o invitar a probar un color antes de la próxima compra. No hay riesgo de romper la conversión porque la conversión ya ocurrió.

Cómo se arma del lado técnico

La arquitectura es más simple de lo que parece. El perfil se obtiene una vez vía API y se persiste. El motor de recomendación —el que ya tienen— recibe los campos del perfil como señales adicionales junto con el carrito actual y el historial. No hace falta reemplazar nada: hace falta enriquecer el input.

Para marcas que no quieren construir la capa de reglas, MaIA Beauty Advisor se integra al catálogo propio y recomienda SKUs de la marca a partir del perfil, en WhatsApp, página de producto y chat. Se entrega como proyecto con el equipo de B4A, no como API self-serve.

Reglas de negocio que conviene definir antes

• Confianza mínima. Si el campo que sostiene la recomendación viene con confianza baja, mejor mostrar el bloque genérico que un acierto dudoso.
• Stock. Nada peor que recomendar el tono perfecto y que esté agotado. Filtrar por disponibilidad antes de renderizar.
• Cantidad. Un producto en el checkout, hasta tres en el carrito. Más que eso es un catálogo, no una recomendación.
• Fallback. Cliente sin perfil, cliente nuevo o invitado: el comportamiento por defecto tiene que estar definido y probado.

Qué medir para saber si funciona

No alcanza con mirar la tasa de clic del bloque. Vale la pena comparar, entre clientes con perfil y sin perfil: ticket promedio, ítems por pedido, tasa de abandono de checkout y —a mediano plazo— devoluciones y recompra. La comparación honesta es contra tu propio bloque genérico, con test A/B, en tu catálogo y tu tráfico. Los resultados varían con cada marca, canal y surtido.

Si la categoría es maquillaje, sumar una confirmación visual del color ayuda: MaIA Try-On renderiza el producto sobre una foto vía API, con paletas calibradas a los productos reales de la marca, y en su SDK de navegador (early access, otorgado por cuenta) ofrece modo ao vivo por cámara con procesamiento local.

¿Querés probar cómo se ve el perfil de belleza en JSON antes de diseñar el bloque? Creá tu cuenta y tu clave de API en la documentación de MaIA, o hablá con nuestro equipo para armar la capa de recomendación sobre tu catálogo.