Почему AI-подбор косметики ошибается на реальных данных
Анкета описывает кожу на момент заполнения: тип, чувствительность, есть ли шелушение. Через месяц на ретиноиде барьер меняется — тот же профиль даёт уже неверную рекомендацию, а модель уверенно повторяет прошлый вывод. Состояние кожи зависит от сезона, влажности, гормонального фона и приёма лекарств: статичный профиль не содержит этих переменных, поэтому AI-подбор косметики спотыкается на первом же шаге.
Вторая ловушка — состав. Название средства живёт годами, а формула меняется: производитель переставляет ингредиенты в списке, меняет концентрацию активного вещества и консерванты. Сверка идёт по карточке товара, а не по текущей маркировке, поэтому точность рекомендаций ухода падает там, где пользователь ничего не менял. Мы сопоставляем состав по ингредиентной базе CosIng и маркировке партии, а не по описанию с витрины.
Третья — логика «похожие покупали». История покупок не равна потребности: подарки, повторная покупка по инерции, средство, купленное один раз и отменённое из-за раздражения. Модель читает эти сигналы как предпочтение и закрепляет уже совершённую ошибку рекомендаций.
Совместимость ингредиентов — отдельный слой. Ретиноид и кислота в одном уходе, бензоилпероксид рядом с витамином C, медь-пептиды при кислом pH: по отдельности безобидны, вместе дают раздражение и откат результата. Если каждый продукт оценивается сам по себе, несовместимые ингредиенты спокойно попадают в одну схему.
Ниже разбираем, как это закрывается: динамический профиль кожи, версионирование формул и проверка конфликтов до выдачи.
Что меняется после внедрения: точность, возвраты, поддержка
Первый измеримый эффект — доля попаданий в потребность кожи. До внедрения рекомендация опиралась на заявленный в анкете тип кожи и не учитывала чувствительность к активам, концентрации и порядок нанесения. Подбор сопоставляет состав с профилем кожи, образом жизни и уже используемыми средствами, поэтому доля покупателей, которые остаются на подобранной линейке через месяц, растёт, а не падает к третьей неделе.
Возвраты — вторая метрика, которую видно в цифрах. Основная причина возврата в уходе — реакция кожи: раздражение, сухость, обострение. Когда подбор отсекает несовместимые сочетания (кислоты вместе с ретиноидами, спирт в базе при куперозе) и ограничивает концентрацию для тех, кто только начинает, доля возвратов по причине «не подошло» снижается — считается по кодам причин возврата, а не по общей выручке.
Повторные покупки растут за счёт того, что рекомендация закрывает не один продукт, а всю схему ухода: очищение, актив, увлажнение, защита. Покупатель возвращается за следующим шагом, и метрика считается честно — доля повторных заказов в группе, получившей подбор, в сравнении с группой без него.
Нагрузка на консультантов меняется качественно, а не только количественно. Типовые вопросы о совместимости и порядке нанесения закрываются автоматически, консультанту остаются сложные случаи — реакции, сочетания с лекарствами, беременность. Скорость ответа при этом падает с минут ожидания в чате до секунд, и это заметно по доле обращений, брошенных до получения ответа.
Все четыре метрики снимаются на одном срезе: эффект внедрения рекомендаций, возвраты, повторные покупки, нагрузка на поддержку и скорость ответа. Так видно, что именно дало сдвиг, а не «стало лучше в целом».
Сравнение подходов к рекомендациям: анкета, история, состав
Анкета описывает кожу на момент заполнения, история покупок — прошлое поведение, разбор состава — сам продукт. Ни один из этих источников не даёт корректной рекомендации в одиночку, и разница между подходами проявляется на краевых сценариях: чувствительная кожа, аллергия на конкретный компонент, одновременный приём активов.
| Подход | Когда подходит | Ограничения |
|---|---|---|
| Правила по анкете | Первый запуск, нет истории заказов | Не видит реакций кожи, ответы приблизительны |
| Подбор по истории покупок | Постоянный клиент, повторные заказы | Закрепляет прежние ошибки, не знает причин отказа |
| Разбор состава и противопоказаний | Чувствительная кожа, аллергии, конфликт активов | Нужна полная разметка состава в карточке товара |
| Гибридная схема с проверкой ограничений | Широкая линейка средств и активов | Связанные справочники компонентов и ограничений |
В гибридной схеме правила и разбор состава работают как жёсткий фильтр: средство с неподходящим компонентом не попадает в выдачу независимо от того, как высоко его оценила модель. История покупок применяется уже к прошедшим отбор — она задаёт порядок, а не право быть показанным. Это снимает главный риск: рекомендацию, которая подходит по типу кожи, но противоречит ограничению по здоровью.
Связка держится на справочнике составов в формате INCI и на правилах «компонент — противопоказание — состояние кожи». Ограничения хранятся отдельно от ранжирования: их можно пересматривать, не переписывая логику подбора, а каждое исключение объяснимо — видно, какой именно фильтр сработал.
Как строится подбор ухода: этапы и контроль качества
Подбор ухода — это не «модель, которая советует крем», а справочник ингредиентов, схема признаков и правила совместимости, проверенные практикующими консультантами. Поэтому работы идут от данных к правилам и только потом к расчётной части: если этот порядок нарушить, система уверенно рекомендует кислоты поверх ретиноида, а заказчик получает поток возвратов и недоверия к сервису.
- Аудит данных. Разбираем, что уже есть: карточки продуктов, составы по INCI, концентрации активов, назначение, ограничения по возрасту и состоянию кожи. Фиксируем, каких полей не хватает и откуда их брать — карточки производителей, описания, разметка консультантов.
- Словарь ингредиентов. Сводим разные написания одного вещества к одному идентификатору и группируем по действию: увлажнение, отшелушивание, антиоксиданты, защита барьера. Без нормализации «ниацинамид» и его синонимы в разных карточках остаются разными веществами, и правила совместимости перестают работать.
- Схема признаков. Описываем профиль пользователя и профиль средства в сопоставимых признаках: тип кожи, чувствительность, склонность к реакциям, фотоповреждения, формат текстуры. Схема задаёт, какие вопросы вообще имеет смысл задавать, а какие ответы не меняют рекомендацию.
- Настройка правил и расчётной части. Правила совместимости и противопоказаний прописываем явно и версионируемо — они важнее любых весов. Расчётная часть ранжирует допустимые варианты внутри безопасного коридора, а не заменяет его.
- Проверка на разметке консультантов. Прогоняем набор профилей через систему и сверяем с решениями практикующих специалистов. Расхождения разбираем по причинам: неполный словарь, спорное правило, слабый признак.
- Приёмка качества. Согласуем метрики до запуска: доля рекомендаций без конфликтов составов, совпадение с консультантом на контрольной выборке, доля профилей, для которых система честно просит уточнение вместо угадывания.
- Передача. Отдаём документацию по словарю и правилам, порядок их обновления при появлении новых активов и отчёт о том, где система уступает консультанту.
Приёмка идёт не по «нравится — не нравится», а по заранее согласованным проверкам: если правило конфликтует с разметкой специалистов, оно не уходит в работу до разбора. Дальше опишем, что именно остаётся у заказчика после запуска.
Что передаём на руки: правила совместимости и регламенты
Модель без зафиксированных правил быстро расходится с каталогом: появился новый ингредиент или марка — и выдача начинает советовать сочетания, которые косметолог не одобрил бы. Поэтому вместе с работающим подбором мы передаём набор артефактов, по которым решение можно развивать и проверять без нас.
- Схема данных — какие поля описывают продукт, тип кожи и ограничения, как они связаны, какие обязательны при добавлении позиции.
- Словарь ингредиентов — канонические названия и синонимы торговых формулировок, группы веществ (кислоты, ретиноиды, отшелушивающие), пороги концентраций, после которых меняется вывод.
- Правила совместимости — матрицы «ингредиент × ингредиент» и «ингредиент × состояние кожи» с тремя уровнями: подходит, с осторожностью, не сочетать, и обоснованием каждого запрета.
- Политика доступа к истории покупателей — что храним, сколько, в каком виде обезличиваем, кто из сотрудников видит персональные записи.
- Документация решения — как формируется рекомендация, откуда берутся данные, где границы применимости и какие случаи система сознательно не берёт.
- Регламент обновления — кто добавляет новый ингредиент, за какой срок, как правило проверяется и как откатывается, если ошибка уже попала в выдачу.
- Набор эталонных сценариев — контрольные профили кожи и составы, по которым сверяем результат после каждой правки правил.
- Инструкция для вашей команды — как вносить изменения без разработчика и что делать при спорном сочетании.
Правила лежат отдельно от кода: новое ограничение добавляет ваш техспециалист, а не разработчик, и это не требует пересборки модели. На приёмке проходим артефакты вместе с вашей командой, разбираем два-три спорных сценария и фиксируем, кто отвечает за обновления дальше.
Кейс: как сеть магазинов ухода сократила возвраты
Сеть магазинов ухода: консультанты подбирали средства по типу кожи и составу вручную, опираясь на память и бумажные памятки. Вопрос «подойдёт ли крем с кислотами, если в вечернем уходе уже есть ретинол» уходил в чат к технологу, а покупатель в зале оставался выбирать по упаковке. Такой подбор давал возвраты по причине «не подошло» и слабую повторную покупку у тех, кто пришёл впервые.
Что изменили
Собрали базу средств с разметкой составов по INCI, типу кожи и жёсткими ограничениями совместимости активных ингредиентов. Подборщик сопоставляет профиль покупателя — тип кожи, чувствительность, реакции, что уже стоит на полке — с карточками средств и отдаёт 2-3 варианта с объяснением: почему подходит именно этот и что с ним не стоит смешивать. Консультант видит в интерфейсе то же объяснение, поэтому ответы перестали расходиться между сменами и точками.
Метрики до и после
- доля возвратов по причине «не подошло» — с 12% до 4%;
- повторные покупки в первый квартал после первой — с 21% до 34%;
- время ответа на подбор — с 4 минут до 20 секунд, включая проверку совместимости;
- доля обращений к консультанту по базовому подбору — с 68% до 25%, консультанты заняты сложными случаями;
- доля корзин с конфликтом активных ингредиентов — с 9% до 1%.
Ушёл целый класс отказов: покупка, где состав несовместим с тем, что человек уже использует, больше не проходит молча. Возвраты перестали быть вопросом вежливости продавца — каждое расхождение становится правкой в карточке средства, и подбор улучшается для всех покупателей сразу.
Чем отличается рекомендация по типу кожи от проверки состава?
Тип кожи — это описание состояния: жирность, склонность к сухости, реактивность, забитые поры. По анкете и фото модель строит профиль и подбирает базу ухода — очищение, увлажнение, текстуру. Это отвечает на вопрос «что подходит по состоянию кожи», но ничего не говорит о том, что произойдёт, если собрать несколько средств в одну схему.
Проверка состава работает на уровне ингредиентов: ретинол и кислоты в одной схеме, бензоилпероксид с ретиноидами, витамин C и ниацинамид в высоких концентрациях, спирты и эфирные масла на реактивной коже. Совместимость компонентов не видна в карточке отдельного продукта — она проявляется только на собранном наборе, поэтому проверять нужно не средство, а комбинацию.
Отдельный слой — накопительный эффект. Активные вещества складываются между продуктами: кислота в тонике утром плюс сыворотка вечером, ретиноид из крема и из маски. Суммарная доза за неделю растёт, кожа уходит в раздражение, и человек винит «неподходящий крем» вместо схемы.
Поэтому в AI-подборе косметики проверки идут последовательно. Сначала отсекаются средства, не подходящие по типу кожи и цели. Затем внутри отобранного набора считаем совместимость компонентов и суммарную нагрузку активных веществ, разносим их по времени суток и дням, закладываем период адаптации кожи. Без второго этапа рекомендация по типу кожи выглядит аккуратной, но остаётся небезопасной.
Технические сомнения: данные, разметка, чувствительность кожи
На разборе задач заказчики задают одни и те же пять вопросов, и почти все они не про модель, а про данные и правила. Ниже — короткие ответы: откуда берутся противоречивые рекомендации, что делать с неполным составом, как учитывать аллергии из прошлого, как менять правила без пересборки и как удерживать качество после запуска.
Почему система даёт противоречивые рекомендации?
Подбор — это цепочка правил: тип кожи, ограничения по здоровью, совместимость активных компонентов. Каждый вывод хранит ссылку на источник и сработавшее правило. При конфликте приоритет задан явно и виден в логе проверки — вместо «модель так решила».
Что делать, если данные о составе неполные?
Неполнота — норма, а не сбой: часть производителей не публикует полную рецептуру. Тогда ответ строится по известным компонентам, а неизвестные помечаются как непроверенные и честно показываются пользователю. Пробелы в каталоге закрываются по мере появления данных.
Учитываются ли аллергии в прошлом?
Да, как жёсткое ограничение, а не пожелание. Стоп-лист компонентов собирается из анкеты и истории реакций, применяется до ранжирования и перекрывает любую рекомендацию — даже если продукт идеален по типу кожи. В спорных случаях система предлагает более простой состав.
Можно ли обновить правила, не пересобирая модель?
Да. Правила совместимости и стоп-листы живут отдельно от модели, в виде справочников. Обновление состава или медицинской рекомендации — это правка справочника, а не переобучение: изменение вступает в силу сразу, повторная сборка не нужна.
Как проверяют качество после запуска?
Держим набор эталонных анкет с заранее известным правильным ответом и прогоняем его после каждой правки правил. Расхождение с эталоном — сигнал остановить выкладку. Плюс разбор реальных обращений: оспоренные ответы попадают в эталоны.
Обсудим задачу: какие данные нужны для начала
Разговор о подборе ухода переходит в практическую плоскость, когда появляются данные: без реального ассортимента и фактического поведения покупателей рекомендация по типу кожи и составу остаётся гипотезой. Собирать всё под первый разговор не нужно — достаточно понять, что уже есть в системе, а что придётся готовить. Ниже — что принести, чтобы мы вернулись с оценкой и планом, а не с общими вопросами.
- Выгрузка каталога в табличном виде: категории, назначение, тип кожи, объём позиции — и главное, насколько полно заполнены свойства.
- Составы ингредиентов по каждой позиции; если их нет или они хранятся у поставщиков, разбор составов станет отдельным этапом.
- История заказов за несколько сезонов: что покупают вместе, что возвращают, как часто приходят повторно.
- Обращения покупателей: вопросы в поддержку, отзывы, причины возвратов «не подошло» — честный источник ограничений.
- Ваши правила совместимости, если они уже описаны: какие компоненты не стоит сочетать в одной рутине.
- Запреты и требования: что нельзя рекомендовать по медицинским и юридическим причинам.
- Точки контакта, где появится подбор: сайт, приложение, чат, консультант в зале.
В ответ вы получите схему данных, порядок обогащения каталога, логику совместимости и план внедрения с метриками проверки. Опишите задачу и то, что уже лежит под рукой, — обсудим задачу предметно и вернёмся с оценкой и планом.
