Recomendação de produtos por perfil de beleza em clube de assinatura: como montar o kit certo

Clube de assinatura de beleza é um negócio de curadoria recorrente: todo mês a marca precisa acertar de novo. E o custo do erro é alto, porque uma caixa com o tom errado de base ou um produto incompatível com o cabelo da assinante não gera só uma troca — gera cancelamento. A recomendação de produtos por perfil de beleza em clube de assinatura resolve exatamente esse ponto: em vez de segmentar por categoria genérica ("pele", "cabelo", "maquiagem"), a montagem do kit passa a usar atributos observáveis da própria assinante, captados por uma selfie e devolvidos como dado estruturado.

Por que a curadoria por formulário trava

A maioria dos clubes começa com um quiz de cadastro. Funciona no primeiro mês e degrada depois, por três motivos práticos.

Primeiro, a assinante responde o que acha que é, não o que se vê na foto. Tom de base é o caso clássico: muita gente se classifica um ou dois tons acima ou abaixo, e subtom quase ninguém sabe informar. Segundo, o formulário é um retrato congelado — ele foi respondido na adesão e ninguém volta para atualizar. Terceiro, campo aberto não vira regra: "pele mista, às vezes oleosa na zona T" é uma frase, não um critério que o time de curadoria consegue aplicar sobre dez mil caixas.

O resultado é uma curadoria que, na prática, roda em cima de dois ou três clusters largos e de histórico de compra. Para quem acabou de assinar, não há histórico nenhum.

Recomendação de produtos por perfil de beleza em clube de assinatura: as três camadas

1. Captar o perfil com uma foto

A entrada é uma selfie. O MaIA Scan recebe a imagem por API e devolve um perfil em JSON: tom e subtom de pele, tipo e condição de pele, atributos de cabelo e um grau de confiança por campo. É descrição do que é visível na imagem — não é diagnóstico, não substitui avaliação profissional e não deve ser comunicado como tal para a assinante.

O campo de confiança é o que torna isso operacionalizável em escala. Numa base grande, nem toda foto chega bem iluminada. Com a confiança por campo, o seu motor de curadoria decide: acima de um limiar que você define, usa o atributo como regra dura; abaixo, trata como preferência fraca ou pede nova foto antes do fechamento do ciclo.

2. Mapear o catálogo para os mesmos eixos

O perfil só vira recomendação se os produtos estiverem descritos nos mesmos eixos. Isso significa etiquetar cada SKU do portfólio — e dos parceiros, no caso de clubes multimarca — com os atributos que o perfil retorna: faixa de tom e subtom para base, corretivo e pó; tipo e condição de pele para skincare; atributos de cabelo para tratamento e finalização.

Esse trabalho é chato e é onde a maioria dos projetos emperra. Vale fazer em ondas: comece pelas categorias em que o erro dói mais (base, corretivo, tratamento capilar) e deixe as categorias tolerantes a variação (máscara de cílios, lip balm) para depois.

3. Transformar perfil em regras de montagem

Com perfil e catálogo nos mesmos eixos, a montagem vira lógica explícita. Alguns exemplos de regra que um time de curadoria consegue escrever e auditar:

• Nenhuma caixa sai com base fora da faixa de tom do perfil; se não houver SKU na faixa, substitui por outra categoria.
• Se a condição de pele indicar oleosidade visível, prioriza finalizações matte e evita produtos de acabamento muito emoliente.
• Produto de cabelo segue o atributo capilar do perfil, não a preferência declarada no quiz, quando os dois divergem.
• Nenhum SKU se repete para a mesma assinante dentro de uma janela de ciclos definida.

A regra fica no seu motor, não na API. A API entrega o dado; a política de curadoria continua sendo decisão da marca.

Onde o perfil entra no ciclo do clube

Onboarding. Pedir a selfie na adesão encurta o cadastro e já dá à primeira caixa um nível de personalização que nenhum quiz entrega. Comunique com clareza o que é captado, para quê e por quanto tempo fica armazenado.

Re-perfilamento. Pele e cabelo mudam com estação, rotina e tratamento. Oferecer uma nova análise a cada alguns ciclos — amarrada a um benefício, como escolher um item da próxima caixa — mantém o dado vivo e dá ao CRM um motivo legítimo de contato.

Retenção. Assinante que marca "não gostei" num item costuma dar um motivo vago. Cruzar esse feedback com o perfil mostra padrões: se a rejeição se concentra em um atributo específico, a regra de montagem está errada, não o produto.

Upsell fora da caixa. O mesmo perfil alimenta a vitrine do e-commerce e a conversa pós-entrega. A MaIA Beauty Advisor lê o perfil e recomenda os produtos do seu próprio catálogo no WhatsApp ou na página de produto — útil para transformar o item que a assinante amou em recompra de tamanho cheio. É um projeto conduzido com o time da B4A, integrado ao seu catálogo.

Para categorias de cor, a prova virtual ajuda a confirmar a escolha antes da recompra: o MaIA Try-On renderiza batom e base por foto, com paletas calibradas nos produtos reais da marca.

O que medir

Defina as métricas antes de integrar, com grupo de controle. As mais úteis em clube de assinatura: taxa de troca e devolução por categoria, nota de satisfação do kit, churn no terceiro e no sexto ciclo, e taxa de recompra em tamanho cheio dos itens enviados. Compare caixas montadas com perfil contra caixas montadas pela regra antiga, no mesmo mês. Qualquer número publicado por terceiros serve de referência de direção, nunca de promessa: o resultado varia com catálogo, base e canal de cada marca.

Comece pequeno: uma coorte, duas categorias críticas, três ciclos. É suficiente para saber se a regra melhora o acerto antes de reescrever toda a operação de curadoria.

Crie sua conta, gere a chave de API e teste o perfil em JSON com fotos reais da sua base em maiascan.ai — ou fale com o time para desenhar a curadoria do seu clube.