Análise de pele por selfie no atendimento ao cliente: como o SAC resolve dúvida de tom

O time de atendimento de uma marca de beleza responde, todo dia, a mesma pergunta em versões diferentes: "qual tom de base serve para mim?", "esse batom fica bem na minha pele?", "comprei o 20 e ficou acinzentado, qual eu peço na troca?". A resposta costuma depender do repertório do agente da vez. Análise de pele por selfie no atendimento ao cliente troca esse achismo por um dado estruturado: o cliente manda uma foto no mesmo canal em que já está falando, e o agente recebe um perfil de beleza — tom, subtom, tipo e condição visível de pele, atributos de cabelo — para sustentar a recomendação.

O ticket que o SAC não consegue responder bem

Tickets de tom têm três características que os tornam caros. Primeiro, são longos: exigem idas e vindas, descrição subjetiva ("minha pele é morena clara") e fotos tiradas de qualquer jeito. Segundo, terminam em troca com frequência, o que significa frete, logística reversa e um produto que às vezes não volta vendável. Terceiro, não geram aprendizado: o que o agente descobriu sobre aquele cliente morre no histórico do ticket.

O agente também trabalha com informação incompleta. Ele vê a foto que o cliente mandou, mas não tem vocabulário padronizado para traduzi-la em recomendação. Dois agentes olham a mesma selfie e sugerem tons diferentes. Isso não é falha de treinamento: é falta de instrumento.

Como encaixar a análise de pele por selfie no fluxo de atendimento

A integração não exige reconstruir o help desk. O MaIA Scan é uma API: sua aplicação envia a foto, recebe um JSON com o perfil de beleza e um nível de confiança por campo. O que muda é onde esse JSON aparece.

Pré-venda no chat e no WhatsApp

Quando a dúvida chega antes da compra, o fluxo é direto: o bot ou o agente pede uma selfie com orientação simples (luz natural, rosto de frente, sem filtro), a foto vai para a API e o resultado volta como um bloco de informação dentro da conversa. O agente não precisa interpretar pixels — ele lê "subtom quente, confiança alta" e cruza com a cartela da marca.

Em canais de alto volume, vale automatizar o primeiro passo e deixar o humano para o fechamento. É exatamente o papel do MaIA Beauty Advisor, que lê o perfil de beleza e recomenda produtos do catálogo da própria marca no WhatsApp, na página de produto ou no chat — entregue como projeto com o time da B4A, não como API self-service.

Pós-venda: quando o ticket é de troca

Aqui está o ganho mais imediato. Em vez de perguntar "qual tom você quer no lugar?", o atendimento pede a selfie, gera o perfil e propõe o substituto com justificativa. A troca deixa de ser um chute e passa a ser uma segunda tentativa informada. E o custo de uma troca errada — a segunda devolução — é o que realmente machuca a operação.

Guardar o perfil, não só o ticket

O perfil retornado em JSON deve ir para o cadastro do cliente, não só para a thread. Da próxima vez que a pessoa escrever, o agente já abre a conversa sabendo tom e subtom. É assim que o atendimento vira fonte de dado próprio, e não um centro de custo isolado do CRM.

Campos que mais ajudam o agente

Não é preciso usar o perfil inteiro. Para um time de SAC, três leituras resolvem a maioria dos casos:

• Tom e subtom de pele: resolve base, corretivo, pó e bronzer. O subtom (quente, frio, neutro) é o que explica a reclamação de "ficou acinzentado" ou "ficou alaranjado".
• Tipo e condição visível de pele: orienta textura de base e sugestões de skincare. São atributos visíveis na foto — não um diagnóstico dermatológico, e isso precisa estar claro no script do agente.
• Confiança por campo: quando a confiança vem baixa, o agente pede outra foto ou assume postura mais conservadora na recomendação. É a trava que impede o time de afirmar com certeza o que o modelo não viu bem.

Um detalhe que importa no Brasil: o modelo do MaIA Scan foi treinado em pele brasileira, o que muda a leitura de subtons em peles médias e escuras — justamente a faixa onde mais nascem tickets de tom errado.

Quando a prova virtual entra na conversa

Dado resolve a recomendação; imagem resolve a objeção. Depois de identificar o tom, o agente pode enviar a mesma selfie para a prova virtual de maquiagem: a API renderiza batom ou base na foto do cliente, calibrados com os produtos reais da marca no projeto, e devolve a imagem pronta para o chat. O cliente vê o tom proposto no próprio rosto antes de confirmar a troca.

Para quem tem um fluxo de atendimento dentro do site, existe ainda o SDK de navegador, em early access, com modo ao vivo pela câmera e treze produtos mais o Full Look, renderizado localmente — útil quando o atendimento transborda para uma sessão guiada na página. O acesso é concedido por conta, não é download público.

Consentimento e limites do script

Selfie é dado pessoal. O pedido precisa ser explícito, com finalidade clara ("para recomendar o tom certo"), e o cliente deve poder recusar e continuar atendido pelo caminho tradicional. Defina também o tempo de retenção da imagem e se você guarda apenas o perfil derivado — na maioria dos casos de SAC, guardar o JSON e descartar a foto é suficiente.

No script do agente, duas frases ficam proibidas: qualquer promessa de diagnóstico e qualquer afirmação sobre tratamento. A análise descreve atributos visíveis de uma foto; ela não substitui avaliação profissional. Dizer isso em uma linha protege a marca e, na prática, aumenta a confiança do cliente na recomendação.

Como medir se valeu

Três indicadores bastam no primeiro trimestre: tempo médio de resolução dos tickets de tom, taxa de segunda devolução após troca e percentual de conversas em que o cliente aceitou enviar a selfie. Esse terceiro número diz se o seu pedido está bem escrito — se a adesão for baixa, o problema costuma estar no texto do convite, não na tecnologia.

Quer testar com os tickets reais do seu time? Crie sua conta, compre créditos e gere sua chave de API na documentação da MaIA — ou fale com o time da B4A para desenhar o fluxo de atendimento ponta a ponta.