Score de confianza en la API de análisis de piel: cómo usar el campo que casi nadie lee

Toda respuesta de la API de análisis de piel de MaIA Scan trae más que atributos: trae una confianza por campo. El score de confianza en la API de análisis de piel es el dato que informa cuánto pudo describirse con seguridad ese atributo específico —tono, subtono, tipo de piel, característica del cabello— a partir de esa foto. En la mayoría de las integraciones, ese campo se ignora: el equipo lee el valor del atributo, arma la recomendación y sigue. Justamente ahí nacen las malas experiencias, porque una lectura hecha con poca información visual se trata exactamente igual que una lectura hecha con mucha.

Qué dice realmente el score de confianza

El análisis ocurre sobre una foto. Luz amarillenta, sombra en media cara, maquillaje pesado, cabello recogido hacia atrás, resolución baja: cada una de esas condiciones afecta campos distintos, en grados distintos. Una selfie con buena iluminación frontal puede describir muy bien el tono de piel y, al mismo tiempo, decir poco sobre el cabello, porque apenas aparece en el encuadre.

Por eso la confianza es por campo, y no una nota única de la foto. Tratar la respuesta como un bloque monolítico —aceptar todo o descartar todo— tira a la basura información buena junto con la incierta.

Qué no es

El score no es una medida de "qué tan correcto" está el resultado en términos absolutos, ni una evaluación clínica. MaIA Scan describe atributos visibles de una foto; no es una evaluación médica y no reemplaza a un profesional. El score es una señal operativa: existe para que tu producto decida qué hacer a continuación.

Tres decisiones que el score debería gobernar

1. Pedir o no una nueva captura

La peor experiencia posible es mostrar una recomendación de base que la clienta mira y descarta. La segunda peor es pedir una nueva foto sin motivo. El score permite elegir entre las dos con criterio: si el campo que sostiene tu recomendación principal llegó con confianza baja, vale un segundo paso de captura, con orientación explícita —luz natural de frente, rostro sin filtro, cabello suelto si el producto es capilar.

No vamos a sugerir umbrales numéricos aquí, porque dependen de tu caso. Una vitrina de labiales tolera mucha más incertidumbre que un flujo de elección de base, donde el subtono define el SKU. Define el umbral por flujo, registra el resultado y ajusta.

2. Cambiar el tono de la interfaz, no solo el contenido

Una confianza alta permite una frase afirmativa: "tu subtono aparece como cálido: estas tres bases combinan". Una confianza baja pide otra construcción: "por lo que muestra la foto, tu subtono tiende a cálido; compara estas dos opciones". El producto recomendado puede incluso ser el mismo; lo que cambia es la promesa que se le hace a la clienta, y es la promesa la que genera devolución cuando no se sostiene.

Ese ajuste de lenguaje es barato de implementar y suele ser la mayor ganancia de percepción en cualquier integración de análisis de piel y cabello por selfie vía API.

3. Elegir el próximo paso del funnel

Cuando la confianza en un campo decisivo es baja, el camino no tiene que ser la recomendación automática. Puede ser una prueba visual, con MaIA Try-On, donde la propia clienta compara tonos sobre su foto. Puede ser una conversación con la asesora de belleza virtual integrada al catálogo, que hace dos o tres preguntas y cierra el vacío que dejó la foto. El score se convierte en un ruteador de experiencia.

Cómo implementarlo sin convertir el front en un árbol de decisión

Centraliza las reglas fuera del componente

Las reglas de umbral envejecen: cambian cuando modificas el flujo de captura, cuando entra un canal nuevo, cuando crece la base de SKUs. Mantenlas en una capa de configuración —un servicio, una feature flag, una tabla— y no dispersas en componentes de interfaz. Así ajustas el comportamiento sin un nuevo deploy del front.

Persiste el score junto con el atributo

Si guardas el perfil de belleza en el CRM, guarda también la confianza de cada campo y la fecha del análisis. Seis meses después, cuando el equipo de CRM quiera segmentar una campaña por subtono, la diferencia entre un campo seguro y un campo incierto importa: y sin el score almacenado, esa distinción desaparece.

Monitorea la distribución, no solo los casos aislados

La confianza promedio por campo, seguida a lo largo del tiempo, es uno de los mejores termómetros de calidad de captura que tienes. Una caída concentrada en un canal específico casi siempre apunta a un problema de interfaz: la cámara abre en modo equivocado, la instrucción desapareció en pantallas pequeñas, el overlay de encuadre quedó oculto. Ese monitoreo se paga rápido, porque cada análisis consume crédito y las capturas malas cuestan dinero dos veces: en la llamada desperdiciada y en la recomendación que no convierte.

Un escenario concreto

Una clienta envía una selfie tomada de noche, bajo luz amarilla. La respuesta describe el tipo de piel con confianza alta y el subtono con confianza baja. Sin usar el score, la tienda recomienda una base específica y arriesga una devolución. Usando el score, la tienda hace tres cosas: muestra la lectura de tipo de piel con seguridad, presenta el subtono como hipótesis y abre la prueba virtual con dos tonos vecinos para comparar. La venta ocurre con una expectativa calibrada, y el equipo gana una señal de que conviene reforzar la orientación de luz en la pantalla de captura.

Empieza por el campo que decide la compra

No intentes gobernar todos los campos de una vez. Elige el atributo del que depende tu recomendación principal, define el comportamiento para confianza alta y para confianza baja, mide el impacto en conversión y en devolución, y recién entonces expande. Los resultados varían según el catálogo, el tráfico y el canal de cada marca.

¿Quieres ver el formato completo de la respuesta, campo por campo, con la confianza que acompaña a cada uno? Crea tu cuenta, compra créditos y genera tu clave en la documentación de la API, o habla con el equipo de B4A para diseñar las reglas junto con nosotros.