Recomendação de produtos por perfil de beleza para cabelo: da selfie ao kit certo

Categoria de cabelo é onde a recomendação genérica mais aparece. O cliente chega na página de um shampoo, lê "para todos os tipos de cabelo" e sai sem saber se aquilo serve para ele. A recomendação de produtos por perfil de beleza para cabelo resolve esse ponto de outra forma: em vez de perguntar, o sistema lê atributos visíveis em uma selfie — e usa esse dado para filtrar o catálogo antes de mostrar qualquer coisa.

Este artigo é sobre como montar essa camada: o que o perfil entrega, como mapear o catálogo contra ele e onde a recomendação entra no fluxo.

O que um perfil de beleza traz sobre cabelo

O MaIA Scan recebe uma foto e devolve um perfil de beleza em JSON. Além dos campos de pele — tom, subtom, tipo e condição —, o retorno inclui atributos de cabelo, cada um acompanhado de um grau de confiança.

Dois pontos importam para quem vai construir a recomendação:

É leitura visual, não diagnóstico. O perfil descreve o que aparece na foto. Ele não avalia saúde do couro cabeludo, não identifica causa de queda e não substitui um profissional. Toda a lógica de recomendação precisa ser construída dentro desse limite — tanto pelo lado técnico quanto pelo texto que o cliente lê.

Cada campo vem com confiança. Esse é o campo que mais muda a arquitetura da recomendação, e o que a maioria dos times ignora na primeira integração. Confiança alta em um atributo e baixa em outro não significa resposta ruim: significa que a regra de negócio precisa tratar os dois casos de forma diferente.

Por que a recomendação de produtos por perfil de beleza para cabelo erra sem dado visual

A alternativa clássica é o quiz. Ele funciona até certo ponto, mas carrega dois problemas conhecidos em cabelo.

O primeiro é a autodeclaração. O cliente responde o que acredita sobre o próprio cabelo, não o que se observa. Quem alisa há anos pode se declarar com um tipo de curvatura que não corresponde ao que está na foto. Quem usa coloração frequente nem sempre marca isso como relevante.

O segundo é o abandono. Cada pergunta a mais derruba uma parte do público. Um quiz de dez perguntas para recomendar um shampoo custa caro em conversão, e o dado que sobra no fim ainda é declarado.

A selfie inverte a ordem: o atributo observável vem primeiro, o quiz — se existir — fica curto e cobre só o que a foto não vê, como rotina de lavagem, uso de química ou preferência de fragrância.

Como mapear o catálogo antes de integrar

A recomendação não nasce da API. Ela nasce do seu catálogo. Antes de escrever a primeira chamada, o trabalho é de planilha.

Traduza o catálogo para os mesmos eixos do perfil

Pegue cada SKU de cabelo e marque, com o time de produto, para quais atributos ele faz sentido e para quais não faz. O importante é que a planilha use os mesmos eixos do perfil retornado pela API — não as categorias internas de marketing. "Linha Hidratação" não é um eixo; curvatura, condição visível e presença de coloração são.

O resultado dessa etapa é uma matriz: atributo do perfil de um lado, SKU do outro, com um sinal de adequação entre eles. É essa matriz, e não o modelo, que define a qualidade da recomendação.

Decida o que acontece com confiança baixa

Quando a confiança de um campo não atinge o limiar que você definir, a regra precisa ter um plano B. As três saídas mais usadas:

• recomendar pelos campos restantes, ignorando o campo incerto;
• fazer uma única pergunta de confirmação ao cliente sobre aquele atributo;
• cair para uma recomendação de linha ampla, sem especificidade falsa.

Qualquer uma funciona. O que não funciona é tratar confiança baixa como se fosse alta e entregar uma recomendação cirúrgica sobre um dado frágil.

Defina o formato da entrega: produto único ou kit

Cabelo vende bem em combinação — shampoo, condicionador, tratamento. Defina desde o começo se a resposta é um produto, um kit de dois ou três itens ou uma rotina com ordem de uso. Isso muda a matriz: um kit exige regras de compatibilidade entre SKUs, não só de adequação ao perfil.

Onde a recomendação entra no fluxo

Página de produto e página de categoria

Na PDP, o perfil vira um bloco de resposta direta: "este produto é indicado para o seu cabelo" ou "veja a opção da linha X mais próxima do seu perfil". Na categoria, ele vira ordenação — o catálogo inteiro reordenado pelo perfil, em vez de pelo mais vendido.

Conversa

Quando a recomendação precisa explicar a si mesma, o formato conversacional ganha. O MaIA Beauty Advisor é entregue como projeto junto com o time da B4A, integrado ao seu catálogo: ele lê o perfil de beleza e recomenda os seus produtos no WhatsApp, na página ou no chat, com o motivo da indicação em linguagem de cliente.

CRM e recompra

Cabelo é categoria de reposição. O perfil salvo no cadastro permite montar o disparo de recompra com o produto certo, não com o último item do histórico. E permite segmentar lançamentos por atributo real da base, não por suposição de persona.

O que medir

Não existe número de mercado que diga o que a sua operação vai colher — o resultado varia com catálogo, tráfego e canal. Então meça o seu: taxa de conclusão da selfie, proporção de sessões com confiança alta por campo, clique no produto recomendado, conversão da sessão com perfil contra a sessão sem perfil e, em cabelo especificamente, taxa de recompra no ciclo seguinte.

Rode isso em uma linha só antes de abrir para o catálogo inteiro. A matriz de mapeamento é o ativo; ela melhora com dado real de uso.

Crie sua conta, gere a chave e teste o retorno com fotos reais na documentação da API — ou fale com o time da B4A se a sua recomendação de cabelo precisar de conversa e catálogo integrados.