Recomendación de productos por perfil de belleza en retail multimarca: cómo ordenar 40 marcas de base

Un e-commerce de marca vende treinta bases. Un retailer multimarca vende seiscientas. La recomendación de productos por perfil de belleza resuelve problemas distintos en cada caso: en la marca, se trata de encontrar el tono correcto dentro de una línea conocida; en el retail, se trata de decidir qué marca mostrar primero cuando cuarenta responden técnicamente al mismo pedido. Ese es el problema que casi nadie modela bien, y el que más dinero deja sobre la mesa.

El problema del retail multimarca: demasiada oferta, cero contexto

La cliente entra a la categoría "base líquida". Ve un grid de cientos de productos ordenados por bestsellers o por relevancia de búsqueda. Ninguno de esos criterios sabe nada de ella: ni su tono, ni su subtono, ni si su piel se ve grasa en la zona T, ni si busca cobertura alta o un acabado natural.

El resultado es predecible. La clienta abandona la categoría, va a buscar reseñas afuera, o compra por marca conocida y asume el riesgo del tono. En retail, ese riesgo se paga dos veces: en carritos que no se cierran y en cambios posteriores que consumen logística y margen.

Los filtros tradicionales no alcanzan porque exigen que la persona ya sepa la respuesta. "Subtono: frío / neutro / cálido" es un filtro inútil para alguien que nunca escuchó la palabra subtono. El punto de partida tiene que ser más barato para la clienta: una selfie.

Qué entrega un perfil de belleza y qué no

Un análisis por selfie devuelve atributos visibles de la foto en formato estructurado: tono y subtono de piel, tipo y condición aparente de la piel, atributos de cabello, y una confianza por campo. Es una descripción, no un diagnóstico: no evalúa salud, no sustituye a un profesional y no afirma nada sobre lo que no se ve en la imagen.

Ese matiz importa en retail. Lo que estás comprando no es una verdad absoluta sobre la clienta, sino un vector de contexto que llega en el primer minuto de la sesión, cuando antes no tenías nada. MaIA Scan entrega ese perfil como JSON vía API, con un campo de confianza que tu motor puede usar como umbral: si la confianza del subtono es baja, no filtres por subtono, amplía el conjunto y pregunta.

La confianza es una regla de negocio, no un detalle técnico

Trata cada campo como un semáforo. Confianza alta: filtra. Confianza media: ordena, pero no excluyas. Confianza baja: ignora ese campo y apóyate en los demás o en una pregunta directa ("¿preferís acabado mate o luminoso?"). Así evitás el peor error del retail: mostrarle a alguien un conjunto de seis productos que no le sirven y perder la confianza de toda la experiencia.

Recomendación de productos por perfil de belleza en retail multimarca: cómo armar el ranking

El flujo que funciona tiene cuatro capas, y el orden importa.

1. Normalizar el catálogo entre marcas

Cada marca nombra sus tonos de forma distinta: números, nombres propios, códigos internos. Antes de recomendar, necesitás una capa de traducción que mapee cada SKU a atributos comparables: tono, subtono, acabado, cobertura, tipo de piel al que apunta. Sin esa normalización, el motor no puede comparar una marca con otra y termina ordenando por lo único que entiende, que suele ser el margen.

Es trabajo de catálogo, no de IA, y es el que más tiempo lleva. Empezá por una categoría: base, o base y corrector. Una categoría bien mapeada vende más que seis mapeadas a medias.

2. Filtrar por compatibilidad, no por preferencia comercial

La primera pasada debe ser dura: solo entran los SKU compatibles con el perfil. Si el tono no corresponde, el producto no aparece, sin importar de qué marca sea. Este paso protege la credibilidad de la recomendación, que es el activo que estás construyendo.

3. Ordenar con criterios de negocio declarados

Dentro del conjunto compatible sí podés priorizar: disponibilidad de stock, marcas propias, acuerdos de retail media, reseñas, rango de precio coherente con el historial de la clienta. La diferencia ética y práctica es clara: la prioridad comercial ordena, nunca determina la compatibilidad.

4. Explicar cada recomendación en una línea

"Te sugerimos este tono porque tu subtono se ve neutro y tu piel se ve mixta." Una frase. La explicación aumenta la probabilidad de que la persona confíe y, cuando se equivoca, le da un vocabulario para corregir: "en realidad quiero más cobertura". Ese feedback es oro para afinar el motor.

Dónde vive la experiencia en un retailer

No hay un solo lugar correcto. Tres funcionan bien y se construyen sobre la misma API:

• Página de categoría: un bloque "encontrá tu tono" que reordena el grid con el perfil de la sesión.
• Página de producto: además del tono sugerido, la posibilidad de ver el producto aplicado sobre una foto con MaIA Try-On, calibrado con los colores reales de cada marca del catálogo.
• Conversación: WhatsApp o chat, donde MaIA Beauty Advisor lee el perfil y responde con SKU del catálogo del retailer, no con consejos genéricos.

Un detalle operativo: el perfil debe persistir en el CRM asociado al cliente, no vivir solo en la sesión. Un retailer que vuelve a pedir una selfie en cada visita desperdicia el dato más valioso que ya tenía.

Qué medir antes de escalar

Definí la medición antes de encender nada. Compará sesiones con perfil contra sesiones sin perfil en la misma categoría, en el mismo periodo: tasa de add to cart, conversión, ticket promedio y tasa de cambio o devolución por tono incorrecto. Los números que publican terceros sobre experiencias de prueba virtual no son tus números: tu resultado depende de tu catálogo, tu tráfico y tu canal. Por eso la prueba A/B interna es la única fuente confiable.

Y cuidá la transparencia: avisá qué se hace con la foto, por cuánto tiempo se guarda el perfil y cómo se borra. En categorías tan personales como belleza, la claridad sobre datos es parte de la conversión.

Cómo empezar sin un proyecto de seis meses

Una categoría, un canal, un experimento. Mapeá la base, conectá el análisis por selfie, filtrá por compatibilidad, ordená con tus criterios y medí durante cuatro a seis semanas. Si funciona, replicás el patrón en corrector, labial y cabello.

Creá tu cuenta y tu clave de API en la documentación de MaIA para probar el perfil de belleza con tus propios productos, o escribile al equipo de B4A si querés diseñar el mapeo de catálogo junto con nosotros.