Motor de recomendação por perfil de beleza: como mapear seu catálogo antes de integrar

A maior parte dos projetos de personalização em beleza trava no mesmo ponto: a marca consegue capturar o perfil da cliente, mas não consegue traduzi-lo em produto. Um motor de recomendação por perfil de beleza só entrega resultado quando existe, do outro lado, um catálogo descrito com os mesmos atributos que a análise devolve. Este artigo é sobre essa metade esquecida do projeto — como mapear seu catálogo, que campos usar e como transformar perfil em uma recomendação defensável.

O que entra e o que sai

A entrada é um perfil de beleza. Com o MaIA Scan, a cliente envia uma selfie e sua aplicação recebe um JSON com atributos visíveis: tom e subtom de pele, tipo e condição aparente da pele, características do cabelo e uma confiança por campo. Não é diagnóstico nem avaliação clínica — é a leitura de atributos visíveis em uma foto, feita para orientar escolha de produto.

A saída é um SKU do seu catálogo, com uma justificativa que a cliente entenda: "esta base porque seu subtom aparece como quente" funciona; "recomendado para você" não funciona.

Entre os dois está a camada que ninguém quer construir: o mapeamento. É ele que decide se a recomendação vai parecer precisa ou aleatória.

Comece pelo catálogo, não pela IA

Catálogos de beleza costumam ser organizados para logística e para busca, não para recomendação. Antes de qualquer integração, faça um inventário de atributos por categoria.

Base, corretivo e pó

São os produtos em que o mapeamento é mais direto e mais crítico. Para cada SKU de cor você precisa, no mínimo: tom (claro, médio, profundo, com a granularidade que sua régua usar), subtom (quente, frio, neutro, oliva) e acabamento. Se sua linha tem vinte tons mas o cadastro só traz nomes comerciais como "Amêndoa" ou "Sand 3", o motor não tem como decidir. O nome é para a cliente; o atributo é para o sistema.

Vale também registrar o valor de cor aproximado em hexadecimal de cada tom. Isso serve tanto para ordenar a vitrine quanto para alimentar pré-visualização visual depois.

Cor decorativa: batom, blush, sombra

Aqui a relação com o perfil é menos determinística e mais estética. Trate subtom como um peso, não como uma regra rígida: ele ajuda a ordenar a vitrine, mas a cliente pode querer qualquer cor. Classifique cada SKU por família de cor, intensidade e acabamento, e aceite que a recomendação vai ser uma curadoria, não uma resposta única.

Cabelo

Para produtos capilares, mapeie cada SKU por necessidade declarada na embalagem (hidratação, controle de frizz, definição de cachos, limpeza) e por tipo de fio ou curvatura indicados. Esse mapeamento quase sempre já existe na área de marketing de produto — o trabalho é trazê-lo para um campo estruturado no PIM, não deixá-lo apenas no texto descritivo.

Como montar o motor de recomendação por perfil de beleza

Com catálogo e perfil no mesmo vocabulário, o motor em si é mais simples do que parece.

Regras explícitas primeiro

Comece com regras determinísticas, escritas junto com o time de produto e maquiadores da marca: se o subtom é quente e o tom é médio, estes seis SKUs entram no conjunto elegível. Regras são auditáveis, explicáveis para a cliente e fáceis de corrigir quando o time de produto discorda. Modelos estatísticos entram depois, para ordenar o que as regras já selecionaram, usando sinais de comportamento e de venda.

Use a confiança por campo

Cada campo do perfil vem com um grau de confiança. Use isso. Quando a confiança do subtom está baixa — foto com luz amarela, por exemplo —, não finja certeza: amplie o conjunto de tons sugeridos, mostre tons vizinhos ou peça outra foto. Uma recomendação que admite dúvida gera menos troca e menos atrito do que uma que erra com convicção.

Tenha sempre um fallback

Produto esgotado, tom fora de linha, perfil incompleto: defina antes o que acontece. O pior resultado de um motor de recomendação é a tela vazia.

Onde a recomendação aparece

O mesmo motor deve servir vários canais, com formatos diferentes.

Na página de produto, a recomendação responde "qual tom é o meu?". Em um quiz ou landing de campanha, ela monta uma rotina completa. No WhatsApp e no CRM, ela vira conversa e base de segmentação para fluxos futuros. É exatamente esse papel que a MaIA Beauty Advisor cumpre: ela lê o perfil de beleza e recomenda os produtos do seu próprio catálogo, como projeto feito junto com o time da B4A — não como uma API de autoatendimento.

Feche o ciclo com uma prova visual

Recomendar um tom é meio caminho. Ver o tom no próprio rosto é o que destrava a decisão. Por isso vale conectar a saída do motor à prova virtual de maquiagem: a API renderiza batom ou base sobre a foto enviada, com paletas calibradas para os produtos reais da marca, e o SDK de navegador — em acesso antecipado — permite modo ao vivo pela câmera, com o processamento local, para treze produtos e um Full Look.

O que medir

Sem inventar metas, defina a linha de base antes de ligar o motor e acompanhe: taxa de uso da recomendação, taxa de clique no SKU sugerido, conversão da sessão com recomendação versus sem, taxa de troca e devolução por cor, e recompra no mesmo tom. Resultados variam conforme catálogo, tráfego e canal de cada marca — por isso a comparação que importa é com a sua própria linha de base, não com números de terceiros.

Erros comuns

Três se repetem: recomendar o catálogo inteiro (curadoria sem corte não é curadoria); não explicar o porquê da sugestão; e deixar o mapeamento congelado, sem revisá-lo a cada lançamento de coleção. O mapeamento é um ativo vivo, com dono definido dentro da marca.

Quer testar com o seu catálogo? Crie uma conta, gere sua chave de API e rode as primeiras análises na documentação da API — ou fale com o time da B4A para desenhar o projeto de recomendação ponta a ponta.