Score de confiança na API de análise de pele: como usar o campo que quase ninguém lê

Toda resposta da API de análise de pele da MaIA Scan traz mais do que atributos: traz uma confiança por campo. O score de confiança na API de análise de pele é o dado que informa o quanto aquele atributo específico — tom, subtom, tipo de pele, característica de cabelo — pôde ser descrito com segurança a partir daquela foto. Na maioria das integrações, esse campo é ignorado: o time lê o valor do atributo, monta a recomendação e segue. É justamente aí que nascem as experiências ruins, porque uma leitura feita com pouca informação visual é tratada exatamente como uma leitura feita com muita.

O que o score de confiança realmente diz

A análise acontece sobre uma foto. Luz amarelada, sombra em metade do rosto, maquiagem pesada, cabelo preso para trás, resolução baixa: cada uma dessas condições afeta campos diferentes, em graus diferentes. Uma selfie com boa iluminação frontal pode descrever muito bem o tom de pele e, ao mesmo tempo, dizer pouco sobre o cabelo, porque ele mal aparece no enquadramento.

Por isso a confiança é por campo, e não uma nota única da foto. Tratar a resposta como um bloco monolítico — aceitar tudo ou descartar tudo — joga fora informação boa junto com a incerta.

O que ele não é

O score não é uma medida de "quão correto" o resultado está em termos absolutos, nem uma avaliação clínica. A MaIA Scan descreve atributos visíveis de uma foto; não é uma avaliação médica e não substitui um profissional. O score é um sinal operacional: ele existe para o seu produto decidir o que fazer em seguida.

Três decisões que o score deveria governar

1. Pedir ou não uma nova captura

A pior experiência possível é mostrar uma recomendação de base que a cliente olha e descarta. A segunda pior é pedir uma nova foto sem motivo. O score permite escolher entre as duas com critério: se o campo que sustenta a sua recomendação principal veio com confiança baixa, vale um segundo passo de captura, com orientação explícita — luz natural de frente, rosto sem filtro, cabelo solto se o produto for capilar.

Não vamos sugerir limiares numéricos aqui, porque eles dependem do seu caso. Uma vitrine de batom tolera muito mais incerteza do que um fluxo de escolha de base, onde o subtom define o SKU. Defina o limiar por fluxo, registre o resultado e ajuste.

2. Mudar o tom da interface, não só o conteúdo

Confiança alta permite uma frase afirmativa: "seu subtom aparece como quente — estas três bases combinam". Confiança baixa pede outra construção: "pelo que a foto mostra, seu subtom tende ao quente; compare estas duas opções". O produto recomendado pode até ser o mesmo; o que muda é a promessa feita à cliente, e é a promessa que gera devolução quando não se sustenta.

Esse ajuste de linguagem é barato de implementar e costuma ser o maior ganho de percepção em qualquer integração de análise de pele e cabelo por selfie via API.

3. Escolher o próximo passo do funil

Quando a confiança em um campo decisivo é baixa, o caminho não precisa ser a recomendação automática. Pode ser uma prova visual, com o MaIA Try-On, em que a própria cliente compara tons sobre a foto dela. Pode ser uma conversa com a consultora de beleza virtual integrada ao catálogo, que faz duas ou três perguntas e fecha a lacuna que a foto deixou. O score vira um roteador de experiência.

Como implementar sem transformar o front em árvore de decisão

Centralize as regras fora do componente

As regras de limiar envelhecem: mudam quando você troca o fluxo de captura, quando entra um novo canal, quando a base de SKUs cresce. Mantenha-as em uma camada de configuração — um serviço, uma feature flag, uma tabela — e não espalhadas por componentes de interface. Assim você ajusta o comportamento sem novo deploy do front.

Persista o score junto com o atributo

Se você guarda o perfil de beleza no CRM, guarde também a confiança de cada campo e a data da análise. Seis meses depois, quando o time de CRM for segmentar uma campanha por subtom, a diferença entre um campo seguro e um campo incerto importa — e sem o score armazenado, essa distinção some.

Monitore a distribuição, não só os casos isolados

A confiança média por campo, acompanhada ao longo do tempo, é um dos melhores termômetros de qualidade de captura que você tem. Uma queda concentrada em um canal específico quase sempre aponta para um problema de interface: a câmera abre em modo errado, a instrução sumiu em telas pequenas, o overlay de enquadramento ficou escondido. Esse monitoramento se paga rápido, porque cada análise consome crédito e capturas ruins custam dinheiro duas vezes — na chamada desperdiçada e na recomendação que não converte.

Um cenário concreto

Uma cliente envia uma selfie tirada à noite, sob luz amarela. O retorno descreve tipo de pele com confiança alta e subtom com confiança baixa. Sem usar o score, a loja recomenda uma base específica e arrisca uma devolução. Usando o score, a loja faz três coisas: mostra a leitura de tipo de pele com segurança, apresenta o subtom como hipótese e abre a prova virtual com dois tons vizinhos para comparação. A venda acontece com uma expectativa calibrada — e o time ganha um sinal de que vale reforçar a orientação de luz na tela de captura.

Comece pelo campo que decide a compra

Não tente governar todos os campos de uma vez. Escolha o atributo de que depende a sua recomendação principal, defina o comportamento para confiança alta e para confiança baixa, meça o impacto em conversão e em devolução, e só então expanda. Resultados variam conforme catálogo, tráfego e canal de cada marca.

Quer ver o formato completo da resposta, campo por campo, com a confiança que acompanha cada um? Crie sua conta, compre créditos e gere sua chave na documentação da API — ou fale com o time da B4A para desenhar as regras junto com a gente.