Belleza impulsada por datos: Los desafíos en la integración y la innovación de la cadena de suministro

A medida que la captura y el análisis de datos continuaron en auge en todo el mundo, la industria de la belleza estaba comenzando a pivotar en torno a los datos más adelante en el proceso, para ayudar en la catalogación de ingredientes, el seguimiento de tendencias y el desarrollo de nuevos productos. Pero, ¿qué obstáculos enfrentaba la industria al innovar en torno a los datos? ¿Y era realmente el dato el futuro de las cadenas de suministro de belleza a nivel global?

En un panel de expertos de la industria, discutieron sobre estos desafíos.

Grandes datos y espacios en blanco

“Uno de los aspectos a tener muy en cuenta es que hay tantos datos disponibles en la actualidad”, comentó Lorna Radford, fundadora y Directora General del centro de I+D Enkos Developments en el Reino Unido.

MakeUp in Paris prepara el regreso de la innovación en belleza El estudio de belleza de IMCD en París: donde la innovación cosmética se encuentra con la co-creación

Radford mencionó que en ocasiones, esto podría ser contraproducente para la innovación en belleza. Por ejemplo, las grandes bases de datos que recopilan enormes cantidades de información sobre productos de belleza y cuidado personal facilitan a los formuladores, marcas y empresas la creación de copias y duplicados. Además, el creciente uso de herramientas de inteligencia artificial (IA) respaldadas por datos tendía a “promediar todo”, lo que era lo opuesto a lo que se necesitaba para una verdadera innovación, dijo.

Por lo tanto, la industria debía abordar los datos “objetivamente” y buscar los “espacios en blanco”, explicó. “Ahí es donde va a venir la verdadera innovación, en lugar de intentar copiar lo que todos los demás están haciendo. Y eso es más difícil porque casi se trata de mirar los datos que no están allí frente a los datos que sí están”.

Winnie Awa, fundadora de la plataforma de cabello texturizado Carra Labs, estuvo de acuerdo: “No sabes lo que estás buscando hasta que ves una anomalía”.

Awa agregó que tan pronto como se identificaban esos huecos o anomalías, era crucial agregar una “capa de experiencia” para deshacer cualquier sesgo de datos y encontrar información relevante. “Si tienes muchos datos no estructurados, a veces tienes que pasar por mucho procesamiento de datos antes de llegar a algo significativo”, explicó.

Futuro de la IA - ChatGPT y modelos de lenguaje grandes

Sobre el tema de la IA y las herramientas emergentes como ChatGPT y los modelos de lenguaje grandes, los expertos coincidieron en que aún quedaba mucho por hacer antes de que estas herramientas fueran lo suficientemente confiables para las cadenas de suministro de belleza.

Timo Von Bargen, cofundador y co-CEO de la plataforma de datos de ingredientes B2B Covalo, dijo que la IA era excelente para trabajar con “datos no estructurados”, particularmente información en documentos como informes de ensayos clínicos, hojas técnicas y listas de ingredientes. Covalo, por ejemplo, utilizó IA para ayudar a los usuarios a localizar información dentro de estos documentos como una especie de herramienta de “apuntado”, lo que ayudó a reducir los tiempos iniciales de búsqueda.

Sin embargo, más allá de esto, Von Bargen señaló que el uso de la IA seguía siendo limitado. “Todavía es una disciplina muy incipiente y estamos aprendiendo mucho”. ChatGPT, por ejemplo, entrelazaba “miles de fuentes” que resultaban en niveles de precisión de información finales de 40-50% a veces y requería “mucho procesamiento de datos”.

Radford comentó que Enkos Developments no podía confiar en ChatGPT en la etapa de I+D todavía porque al experimentar con datos in vivo en el sistema de la empresa, la herramienta solo era 85% precisa, “lo que aún no es suficiente”.

“Estoy muy interesada en ver cómo podemos usar estos modelos, pero en este momento, simplemente no es suficiente comparado con el uso de un químico calificado que sabe lo que está haciendo”, dijo.

Retroalimentación del cliente y necesidades del consumidor

Por el lado de las marcas, Radford mencionó que las empresas de belleza habían comenzado a utilizar herramientas de IA para agregar datos de reseñas de productos de clientes e identificar problemas o comentarios comunes, lo que ayudó en la etapa de iteración del producto. “Con el desarrollo de productos, no es estático”, explicó, por lo que los datos en tiempo real eran “realmente poderosos” al trabajar en cómo mejorar un producto.

Awa estuvo de acuerdo en que los datos eran poderosos al intentar comprender mejor y responder a las necesidades del consumidor. Las plataformas de datos inteligentes, por ejemplo, podrían agrupar datos relevantes y proporcionar diagnósticos sobre las preocupaciones de los consumidores, ayudando a identificar productos relevantes o influir en la innovación para individuos o grupos, dijo. Sin embargo, agregó que dentro de esta personalización debía permanecer una prioridad. “Sí, los datos son geniales, la agregación es genial, pero realmente necesitamos asegurarnos de que la personalización exista en todo momento.”

“...Lo que defendemos es entender al consumidor, dentro de sus necesidades y rutinas, para que podamos formular mejor y crear marcas que hablen directamente a ellos”, concluyó Awa.