API de análise de pele para skincare: da selfie à rotina de cuidados

Marca de skincare vende rotina, não item avulso. O problema é que o cliente chega à loja online sem saber por onde começar: qual limpeza, qual hidratante, qual textura. Uma API de análise de pele para skincare resolve o primeiro passo desse raciocínio — ela lê uma selfie e devolve, em JSON, atributos visíveis da pele que sua regra de recomendação pode usar para montar uma sequência de produtos do seu próprio catálogo, em vez de empurrar o best-seller para todo mundo.

O que a análise devolve (e o que ela não faz)

O MaIA Scan funciona como API: seu sistema envia a foto, recebe um perfil de beleza estruturado. Os campos incluem tom e subtom de pele, tipo e condição de pele, atributos de cabelo e um grau de confiança por campo. O modelo foi treinado em pele brasileira, o que importa numa base de clientes com a variedade de tons e subtons que o Brasil tem.

É fundamental ser preciso no que isso significa. A análise descreve atributos visíveis de uma foto. Ela não diagnostica, não trata, não substitui dermatologista e não deve ser apresentada ao cliente como avaliação clínica. A linguagem da sua interface precisa refletir isso: "o que vemos na sua foto", não "seu diagnóstico". Essa escolha de copy protege a marca e, na prática, gera menos atrito com o cliente, que entende a leitura como ponto de partida, não como veredito.

O campo de confiança é parte da regra, não enfeite

Cada campo vem com uma confiança associada. Use isso. Se o tipo de pele veio com confiança baixa — foto escura, maquiagem pesada, ângulo ruim —, sua regra pode pedir uma nova captura, cair para uma recomendação mais ampla ou perguntar diretamente ao cliente. O erro clássico é tratar o JSON como verdade uniforme e montar a rotina inteira sobre um campo frágil.

API de análise de pele para skincare: do JSON à rotina

A API entrega atributos. Quem transforma atributo em rotina é a sua regra de negócio, e ela depende de um catálogo organizado antes da primeira linha de código.

Mapeie o catálogo por etapa e por atributo

Monte uma planilha com seus SKUs de skincare e classifique cada um em duas dimensões:

• Etapa da rotina: limpeza, tônico/essência, hidratação, proteção solar, tratamento pontual, cuidado com a área dos olhos.
• Atributo de pele atendido: o que o produto resolve segundo o seu próprio claim de marketing e a sua ficha técnica — textura mais leve para pele oleosa, formulação mais rica para pele seca, protetor com cor compatível com determinados tons e subtons.

Sem esse mapa, nenhuma API resolve. Com ele, a lógica vira simples: o perfil devolve condição e tipo, a regra filtra os SKUs elegíveis por etapa, e a rotina sai montada com três a cinco itens numerados em ordem de uso.

Decida a profundidade da rotina

Rotina de dez passos tem taxa de abandono alta. Para a maior parte das marcas, o melhor resultado vem de uma rotina curta e completa — limpar, hidratar, proteger — com upsell opcional de tratamento. Você sempre pode oferecer "ver rotina completa" para quem quiser mais.

Escreva a justificativa junto com o produto

Cada item recomendado precisa de uma frase que conecte o atributo lido à escolha: "textura em gel, indicada para peles com brilho visível na zona T". Sem justificativa, a recomendação parece sorteio. Com justificativa, ela parece consultoria — e sustenta o ticket maior de um kit.

Onde colocar na jornada

Entrada do site ou landing de diagnóstico de rotina

Página dedicada, com explicação clara de captura e de uso do dado. Funciona bem como destino de campanha de mídia, porque entrega algo ao visitante antes de pedir a compra.

Página de produto

Aqui a pergunta muda: não é "qual rotina", é "esse produto serve para mim?". A mesma chamada da análise de pele e cabelo por selfie devolve o perfil e sua página responde com um selo de compatibilidade e, se não houver, uma alternativa do mesmo catálogo.

Pós-compra e conversa

O perfil guardado no CRM alimenta a comunicação seguinte: refil no momento certo, complemento da etapa que falta, troca de textura quando muda a estação. Para marcas que querem isso em formato de conversa — WhatsApp, chat, página de produto —, o caminho é a consultora de beleza virtual integrada ao catálogo, que lê o perfil e recomenda os produtos da própria marca. Esse produto é entregue como projeto com o time da B4A, não como API self-serve.

O que medir

Defina as métricas antes do go-live, porque depois ninguém volta para instrumentar:

• Taxa de conclusão da análise: quantos começam a captura e chegam ao perfil. Queda aqui é problema de instrução de foto, não de modelo.
• Adição ao carrinho da rotina completa versus item avulso.
• Ticket médio com e sem análise, com recorte por canal.
• Recompra em 60 e 90 dias de quem recebeu rotina recomendada.
• Distribuição dos atributos lidos: ela mostra se o catálogo cobre bem a base. Se uma condição aparece com frequência e você tem um só SKU para ela, isso é informação de portfólio, não de tecnologia.

Não importe números de terceiros para prometer resultado interno. Cada marca tem catálogo, tráfego e canal diferentes, e o ganho só aparece na sua própria medição.

Como começar sem projeto longo

O MaIA Scan é self-serve: você cria a conta, compra créditos e recebe a chave de API. Um desenvolvedor consegue fazer o primeiro request no mesmo dia e validar os campos com fotos reais da sua base antes de desenhar a interface. Comece pelo mapeamento de catálogo, teste a regra com um grupo pequeno e só então leve para a home.

Crie sua conta e gere a chave de API na documentação da MaIA Scan — ou fale com nosso time se quiser desenhar a rotina recomendada junto com a gente.