Recomendación de productos por perfil de belleza: cómo resolver el cold start del cliente nuevo

La mayoría de los motores de recomendación de un e-commerce de belleza funcionan bien con clientes recurrentes y mal con todos los demás. Necesitan historial: compras previas, productos vistos, carritos abandonados. El visitante que llega por primera vez desde un anuncio recibe lo mismo que todos: los más vendidos. La recomendación de productos por perfil de belleza resuelve justamente ese punto ciego, porque no depende del pasado del cliente sino de atributos visibles que se pueden capturar en la primera interacción, con una foto.

Por qué el cold start duele más en belleza que en otras categorías

En electrónicos, un top de ventas es una recomendación razonable: el producto más vendido suele servirle a casi cualquiera. En belleza, no. Una base líquida tiene decenas de tonos y el más vendido es, por definición, el que menos le sirve a quien está fuera de la media del catálogo. Lo mismo pasa con tratamientos para cabello: un mismo producto puede ser excelente para un tipo de fibra e irrelevante para otro.

El resultado es conocido por cualquier líder de e-commerce de la categoría: tasas de clic bajas en los bloques de recomendación, carritos con el ticket mínimo y una proporción de cambios y devoluciones que castiga el margen, sobre todo en tono de base. El problema no es el algoritmo, es la ausencia de datos de entrada.

Qué entrega un perfil de belleza y por qué sirve como señal inicial

Un perfil de belleza es la traducción de una selfie en campos estructurados. MaIA Scan funciona como API: tu aplicación envía la foto y recibe un JSON con tono y subtono de piel, tipo y condición visible de la piel, atributos del cabello y un nivel de confianza por campo. Está entrenada con piel brasileña, lo que importa en mercados donde la diversidad de tonos y subtonos es alta y los catálogos suelen quedarse cortos.

Dos aclaraciones que conviene hacer internamente antes de diseñar la lógica. La primera: el análisis describe atributos visibles en una foto, no diagnostica nada ni sustituye a un profesional. La segunda: la confianza por campo no es un detalle decorativo. Es la pieza que te permite decidir cuándo recomendar con precisión y cuándo recomendar de forma más amplia.

Cómo construir la recomendación de productos por perfil de belleza paso a paso

1. Normaliza el catálogo antes de tocar el modelo

Este es el trabajo real y casi siempre está subestimado. Cada SKU necesita atributos comparables con los campos que devuelve el perfil: a qué rango de tono corresponde ese tono de base, qué subtono tiene, para qué tipo de piel se formuló, para qué tipo de fibra capilar. Si tu catálogo solo tiene nombres comerciales de tono ("Arena", "Canela", "Nuez"), no hay motor que funcione. Mapear ese vocabulario a una escala interna es el prerrequisito.

2. Define una jerarquía de reglas, no un puntaje opaco

En la primera versión, evita cajas negras. Una jerarquía explícita es más fácil de depurar y de explicarle al equipo comercial: filtro duro por subtono, orden por proximidad de tono, desempate por tipo de piel y, al final, por disponibilidad y margen. Cuando el equipo de merchandising pregunte por qué un producto aparece primero, debe haber una respuesta en una línea.

3. Usa la confianza como interruptor de precisión

Si la confianza del campo de tono es alta, recomienda dos o tres SKU específicos. Si es baja —foto con poca luz, maquillaje previo, ángulo difícil—, muestra una familia de tonos y pide una confirmación del cliente, o invita a repetir la foto. Recomendar con falsa precisión sobre un dato débil destruye confianza más rápido de lo que la construye.

4. Cierra el ciclo con una prueba visual

La recomendación responde "cuál"; la prueba visual responde "cómo me queda". Enviar la misma foto a MaIA Try-On y devolver la imagen con el labial o la base aplicada, con paletas calibradas a los productos reales de la marca, convierte una lista de SKU en una decisión. Esa versión funciona por foto, vía API, y sirve igual en la página de producto, en un quiz o en WhatsApp.

Dónde ubicarlo en el recorrido

En la página de producto, el perfil permite reemplazar el selector de tonos genérico por una sugerencia. En un quiz de entrada, sustituye tres preguntas autodeclaradas por una captura. En WhatsApp, el cliente manda la foto y recibe la recomendación en el mismo hilo, que es donde más natural resulta el formato.

Cuando el objetivo es conversación y no solo un bloque de productos, el camino es MaIA Beauty Advisor: una asesora de IA integrada al catálogo de la marca que lee el perfil y recomienda productos propios en chat, página de producto y WhatsApp. Se entrega como proyecto con el equipo de B4A, no como API self-serve.

Qué medir para saber si funciona

Define la línea base antes de lanzar. Compara el grupo que completó el análisis contra el que no, en tasa de agregado al carrito, conversión, ticket promedio y tasa de cambio o devolución por tono. Mide también la tasa de finalización del flujo: cuántos empiezan la captura y cuántos llegan a la recomendación. Los resultados varían con el catálogo, el tráfico y el canal de cada marca, así que ninguna cifra ajena sirve como promesa; tu propio test A/B sí.

Un error frecuente: guardar el perfil solo en la sesión. Si lo persistes asociado al cliente, la misma señal alimenta el email, la reposición y el remarketing, y el cold start deja de repetirse en cada visita.

Empieza con un flujo, no con una plataforma

Elige una categoría donde el error de elección sea caro —base o coloración— y monta ahí el primer flujo completo: captura, perfil, reglas, prueba visual. Es suficiente para medir y para convencer al resto de la organización.

Crea tu cuenta, compra créditos y genera tu clave de API en la documentación de MaIA Scan, o habla con nuestro equipo si quieres diseñar el flujo junto con tu catálogo.