Modelo de dados do perfil de beleza: como armazenar, versionar e atualizar

A maioria das equipes integra uma API de análise de pele e cabelo, vê o JSON voltar e então encara a pergunta de verdade: onde isso vai morar? Um perfil de beleza que existe só dentro de uma sessão é uma demo bonita. Um perfil de beleza que é armazenado, versionado e atualizado vira um ativo que o seu CRM, as suas páginas de produto e a sua consultora podem usar. Este artigo apresenta um modelo de dados do perfil de beleza prático para marcas de beleza, varejistas e e-commerces — os campos, os metadados ao redor deles e as regras que mantêm tudo isso confiável.

O que um perfil de beleza realmente contém

O MaIA Scan recebe uma selfie e devolve um perfil estruturado: tom e subtom de pele, tipo e condição visível da pele, atributos de cabelo e um valor de confiança por campo. Ele descreve o que está visível em uma foto. Não é uma avaliação clínica nem substitui um profissional de saúde — e essa distinção importa na hora de nomear campos, porque uma coluna chamada skin_condition_observed cria internamente expectativas muito diferentes de uma chamada medical_condition.

Então a matéria-prima é: um conjunto de atributos, cada um com uma confiança, produzido em um momento no tempo a partir de uma imagem sob uma condição de luz. Seu modelo de dados precisa carregar essas quatro coisas, não só a primeira.

O modelo de dados do perfil de beleza: campos, confiança e procedência

Pense no perfil como um evento, não como uma propriedade. Um cliente não "tem" um tom de pele no seu banco de dados; o seu sistema observou um, em determinada data, a partir de determinada foto, com determinada confiança. Modelar o perfil como evento resolve a maior parte dos problemas que aparecem seis meses depois.

Armazene a confiança, não só o valor

O erro de integração mais comum é achatar a resposta: guardar undertone = "warm" e descartar a confiança que veio junto. Depois que o número some, todo sistema a jusante trata uma leitura forte e uma leitura fraca do mesmo jeito, e a sua lógica de recomendação não tem como ser cuidadosa.

Mantenha a confiança ao lado de cada valor e defina limiares por caso de uso, em vez de um limiar único para tudo. Uma lista curta de tons na página de produto pode tolerar uma leitura moderada, porque o cliente vai ver o resultado e corrigi-lo. Um segmento automático no CRM que dispara uma campanha deve exigir mais, porque não há ninguém no circuito para pegar uma decisão ruim. Confiança baixa não é uma falha; é um sinal para pedir uma foto melhor ou ampliar a lista.

Guarde procedência e timestamps

Todo perfil armazenado deve carregar: quando foi capturado, de qual canal veio (página de produto, fluxo de WhatsApp, tablet na loja física, onboarding do programa de fidelidade), qual versão da análise o produziu e se o cliente confirmou ou corrigiu algum campo depois. Esse último item vale ouro. Um cliente que muda manualmente o próprio tom depois de ver o resultado está dizendo algo que o seu modelo não consegue enxergar, e um flag source: user_confirmed permite priorizar a entrada dele sobre qualquer nova leitura automática.

Separe atributos observados de decisões derivadas

Resista à tentação de guardar "SKU de base recomendado" dentro do perfil. Catálogos mudam, estoque se move, fórmulas são descontinuadas. Mantenha os atributos observados em uma camada e as recomendações em outra, geradas no momento da leitura contra o catálogo atual. É assim que o MaIA Beauty Advisor funciona na prática: ele lê o perfil e o resolve contra o catálogo vivo da marca, de modo que o mesmo perfil armazenado gera uma resposta válida nesta estação e na próxima.

Onde o perfil vive: sessão, CRM ou ambos

Há três arquiteturas razoáveis, e a certa depende do que você quer fazer com os dados.

Só na sessão. O perfil existe enquanto dura a visita, alimenta uma lista curta de tons ou um try-on e é descartado. A menor pegada possível, a conversa de consentimento mais simples, zero questões de retenção. O custo é que o cliente começa do zero toda vez e você não aprende nada no nível da audiência.

Armazenado em um cliente identificado. O perfil é gravado no seu CRM ou na sua plataforma de dados de clientes, vinculado a uma conta. Agora você pode segmentar, personalizar e-mail e WhatsApp, pré-preencher a próxima visita e medir se os clientes com perfil se comportam de forma diferente dos demais. Isso exige consentimento explícito e uma política de retenção, e é onde está a maior parte do valor de longo prazo.

Híbrido. Analise na sessão, ofereça o armazenamento como benefício — "salve seu perfil para lembrarmos o seu tom" — e persista só para quem aceitar. No Brasil, sob a LGPD, trate dados próximos de biometria com o cuidado que merecem: finalidade clara, opt-in explícito e um jeito fácil de apagar.

O que fazer com a foto

O padrão mais seguro é: não guardar. Armazene os atributos derivados, não a imagem. Se houver um motivo real para reter fotos — uma funcionalidade de antes e depois, por exemplo —, trate isso como uma decisão separada, com consentimento explícito e janela de retenção própria, não como efeito colateral de rodar uma análise.

Atualizando o perfil: quando refazer o scan

Atributos mudam com o tempo. A condição da pele muda com a estação e a rotina; o cabelo muda com coloração e cortes; o tom varia com a exposição ao sol. Um perfil capturado em janeiro não está errado em julho, mas está mais velho.

Uma regra que funciona: associe uma idade a cada perfil e deixe cada caso de uso decidir a própria tolerância. Um painel do programa de fidelidade pode mostrar um perfil do ano passado com um convite para "atualizar". Uma recomendação de tom de base se beneficia de algo recente. Dispare um novo scan de forma natural — no início de uma nova estação, antes de uma campanha de reposição ou quando o cliente devolve um produto por motivo de tom — em vez de insistir em um calendário fixo.

Ao refazer o scan, versione em vez de sobrescrever. Manter o histórico permite ver a mudança ao longo do tempo e protege você de uma única foto mal iluminada apagar uma boa leitura.

Colocando o perfil para trabalhar

Depois que o modelo está limpo, as aplicações se empilham com facilidade: uma lista curta de tons na página de produto, um segmento no seu CRM, um ponto de partida para uma conversa no WhatsApp, uma página de resultado personalizada depois de um quiz. O perfil é o vocabulário compartilhado entre todas elas — e é exatamente por isso que merece um schema deliberado em vez de um blob JSON improvisado em um campo de observações.

Pronto para desenhar o seu? Crie uma conta, obtenha uma chave de API e inspecione uma resposta real na documentação da API do MaIA, ou fale com a nossa equipe sobre como mapear o perfil para o seu catálogo e CRM.