Comment les acteurs de la beauté peuvent tirer profit de l'IA générative (IA gén)

L'une des démarches les plus importantes qu'une marque de beauté puisse entreprendre pour survivre dans le secteur concurrentiel de la beauté consiste à développer une proposition de valeur unique. Mais les acteurs de la beauté doivent également veiller à ce que les produits qu'ils ont soigneusement positionnés atteignent les consommateurs qui y seront le plus réceptifs.

Aujourd'hui, la plupart des entreprises de beauté ne peuvent se permettre de cibler qu'une poignée de segments de consommateurs, car elles disposent de capacités limitées pour personnaliser les messages à plus grande échelle. Cette approche large de la segmentation des consommateurs laisse une grande partie du marché inexploitée. Selon une enquête de McKinsey, grâce à l'IA générative, les marques de beauté peuvent créer des messages marketing hyperpersonnalisés, ce qui pourrait améliorer les taux de conversion jusqu'à 40 pour cent, d'après nos observations.

L'IA peut analyser de vastes ensembles de données sur les consommateurs, détecter des tendances et créer des microsegments à partir d'algorithmes de reconnaissance de motifs. À partir de là, une marque de beauté peut entraîner sa plateforme d'IA générative à l'aide de diverses entrées, notamment des données clients, des éléments décrivant la voix de la marque et des informations sur les produits. Lorsqu'elles pénètrent de nouveaux marchés, les marques de beauté peuvent entraîner les modèles d'IA générative sur des données produits internes ainsi que sur des études de marché externes, telles que des enquêtes auprès des clients. L'IA générative peut ensuite créer et tester des variantes de textes et d'images afin de voir ce qui résonne le mieux auprès de chaque segment de consommateurs.

Les spécialistes du marketing devraient examiner les messages générés par l'IA avant qu'ils ne soient envoyés afin de s'assurer qu'ils reflètent l'éthique et la proposition de valeur de la marque, tout en évitant le plagiat ou des connotations potentiellement préjudiciables. Certains messages qui semblent anodins peuvent nuire à l'image d'une marque. Dans l'exemple précédent, le message d'accueil créé par l'IA générative aurait pu dire « Bonsoir, charmante dame » au lieu de « Bonjour ». Un client pourrait trouver le ton de ce message offensant ou inapproprié, ou bien le message pourrait être en contradiction avec l'éthique globale de la marque. L'équipe marketing devrait fournir un retour au modèle d'IA générative — par exemple en notant ses productions avec un mécanisme de pouce levé ou de pouce baissé et en saisissant des commentaires détaillés dans des champs de texte libre. La plateforme d'IA générative peut alors traiter ce retour et le convertir en nouvelles données d'entraînement.

Les marques de beauté devront également intégrer leurs modèles d'IA générative aux ressources de leurs systèmes de gestion des actifs numériques (DAM), qui servent de référentiel pour tous les actifs créatifs numériques utilisés par une marque, ainsi qu'intégrer les modèles aux outils de gestion de campagnes de la marque. L'IA générative peut catégoriser les actifs créatifs du système DAM — une tâche qui devrait autrement être effectuée manuellement. Cette automatisation libère du temps pour que l'équipe marketing se concentre sur des tâches à plus forte valeur ajoutée.

Tout en continuant à collaborer avec des agences marketing pour développer leur stratégie de marque et mener des campagnes spécialisées, les grandes entreprises de beauté pourraient envisager d'investir dans des capacités d'hyperpersonnalisation internes. Cela offrirait deux principaux avantages : les entreprises peuvent utiliser leurs propres données consommateurs pour entraîner les modèles d'IA générative, et elles peuvent créer et tester des communications personnalisées avec une plus grande rapidité et agilité.

Découverte expérientielle des produits

Malgré les innovations technologiques en matière de découverte des produits par les consommateurs au cours des dernières années, il existe encore une large marge d'amélioration. La première génération de chatbots destinés aux consommateurs, par exemple, fournit des réponses relativement rigides et peut être frustrante à utiliser pour les consommateurs. Lorsqu'un consommateur demande une recommandation pour un nouveau blush adapté à un teint plus foncé, par exemple, un chatbot pourrait fournir une liste générique de produits, plutôt que de personnaliser la conversation pour un acheteur spécifique et de l'engager dans un échange plus approfondi. Les essais virtuels sont utiles, mais peuvent présenter des dysfonctionnements ou ne pas refléter avec précision l'apparence qu'aurait un produit sur un consommateur. Dans ces cas, les achats en ligne peuvent souvent entraîner des retours coûteux, étant donné que les produits de beauté retournés ne peuvent généralement pas être revendus.

Les chatbots dotés d'IA générative peuvent contribuer à améliorer le parcours d'achat et à réduire la probabilité de retours. Ces chatbots fondés sur de grands modèles de langage (LLM), entraînés sur des données produits et les préférences des consommateurs, peuvent répondre à une plus grande variété de questions et proposer des recommandations plus personnalisées, ce qui peut améliorer les taux de conversion. Un acteur mondial du lifestyle a développé un assistant d'achat doté d'IA générative et a vu ses taux de conversion augmenter de jusqu'à 20 pour cent.

L'expérience d'essai virtuel — qui a déjà fait ses preuves dans d'autres catégories de produits de consommation, telles que les accessoires et les lunettes — pourrait également être enrichie par l'IA générative. En utilisant la même technologie qui alimente les outils d'IA générative de génération d'images, les consommateurs peuvent voir le rendu de différents produits sur leur peau dans divers contextes ou voir les bénéfices potentiels qu'un produit pourrait avoir sur leur apparence au fil du temps. Un acheteur en ligne souhaitant atténuer des taches brunes, par exemple, pourrait essayer virtuellement le sérum anti-taches d'une marque en téléchargeant une photo sur le site web d'un acteur de la beauté et en exécutant une simulation de l'effet possible du sérum sur sa peau sur plusieurs mois.

L'IA générative pourrait également enrichir la découverte expérientielle des produits dans les magasins physiques. Aujourd'hui, les écrans tactiles interactifs en magasin peuvent présenter les produits disponibles à la fois en boutique et en ligne, permettant aux clients de parcourir les références (SKU), de sélectionner les articles qu'ils souhaitent voir en personne ou de scanner des codes QR pour bénéficier d'offres exclusives. Même avec leur fonctionnalité limitée, ces écrans se sont révélés capables d'améliorer l'expérience d'achat en magasin et les taux de conversion. L'IA générative peut accroître l'efficacité de ces écrans. Par exemple, lorsqu'un acheteur ayant activé les services de localisation sur l'application d'un acteur de la beauté entre dans le magasin de l'entreprise, l'IA générative pourrait générer un contenu personnalisé pour ce consommateur en fonction de son profil client et de son historique d'achats. Compte tenu de ce que nous savons sur l'efficacité du contenu personnalisé, ces principes pourraient se transposer au cadre du magasin, bien qu'une mise en œuvre à grande échelle n'ait pas encore eu lieu.

Développement rapide de concepts d'emballage

Lorsqu'ils évaluent un produit de beauté, les consommateurs prennent en compte à la fois le produit lui-même ainsi que son image de marque et son emballage. Les marques de beauté consacrent généralement des mois à développer de nouveaux concepts d'image de marque et d'emballage — un processus qui requiert habituellement des designers, des rédacteurs-correcteurs, des stratèges et des experts en emballage pour itérer sur des idées.

L'IA générative n'éliminerait pas nécessairement ce processus, mais elle pourrait l'accélérer considérablement. Voici comment cela pourrait fonctionner. Un designer d'emballage soumet à une plateforme d'IA générative la requête suivante : « Montre-moi cinq options d'emballage pour une crème hydratante de nuit, en mettant l'accent sur les bienfaits pour le soin de la peau et sur des matériaux d'emballage durables. » Le designer modifie ensuite la production de la plateforme d'IA générative en fonction d'informations sur les préférences des clients, qui pourraient provenir de groupes de discussion et d'enquêtes auprès des clients. Ensuite, un designer publicitaire utilise des maquettes du nouvel emballage dans des publicités numériques pour tester si les images séduisent les consommateurs, sur la base de l'engagement en ligne avec les nouvelles publicités. Ces données sont ensuite utilisées pour affiner davantage la création de concepts et le prototypage assistés par l'IA générative. Avec cette approche de base, une entreprise de boissons a réduit son temps de développement de concepts de 60 pour cent.

Quelle est la meilleure approche de l'IA générative : acheter, emprunter ou construire ?

Lorsqu'ils évaluent un outil ou une plateforme d'IA générative, les acteurs de la beauté devraient poser des questions telles que les suivantes : Quels sont les protocoles de confidentialité et de chiffrement des données mis en place chez le fournisseur ? Le fournisseur utilisera-t-il les données des marques pour entraîner des modèles propriétaires tiers ou internes ? À qui appartiennent les droits d'auteur sur les productions ? Quelle est la facilité d'intégration avec les systèmes internes de l'acteur de la beauté ? Le fournisseur dispose-t-il d'une interface de programmation d'application ou est-il intégré à des acteurs comme Google Analytics afin de permettre des cas d'usage plus larges ?

La première approche consiste à intégrer des solutions d'IA générative tierces prêtes à l'emploi dans les flux de travail d'une entreprise, avec peu ou pas de personnalisation. C'est la moins coûteuse et la moins gourmande en ressources des trois approches, elle constitue donc une option intéressante pour les marques de beauté qui dépendent de détaillants pour la distribution (et qui disposent par conséquent de moins de données consommateurs pour personnaliser les modèles), qui disposent de moins de talents technologiques ou de moins de liquidités pour les investissements.

La deuxième approche nécessite d'entraîner des modèles d'IA générative tiers sur les données et les analyses propres à l'entreprise liées à des besoins géographiques, sectoriels, organisationnels et de cas d'affaires spécifiques. Par exemple, pour un ciblage hyperpersonnalisé, les données peuvent inclure des informations sur la voix d'une marque, les caractéristiques démographiques et les préférences des clients, ou des campagnes réussies. Pour un développement de produits innovant, des données brutes issues de résultats de tests cliniques pourraient aider à entraîner les modèles.

Les acteurs de la beauté peuvent recourir à une combinaison des deux approches de l'IA générative, en fonction de leurs besoins spécifiques et de leurs cas d'usage. La rapidité — pour accéder au marché et répondre à la demande des consommateurs — est particulièrement importante pour les acteurs de la beauté. Pour cette raison, les organisations de la beauté devraient envisager des composants d'IA générative modulaires, qui facilitent le passage d'un fournisseur de LLM (grands modèles de langage) à un autre, rendant ainsi la mise à l'échelle plus aisée.

Développement de produits innovant

La création de nouvelles formules de produits de beauté est un processus qui s'étend sur plusieurs années. Il exige des acteurs de la beauté qu'ils s'associent à des laboratoires pour rechercher des ingrédients et expérimenter des formules afin de déterminer la sécurité, la stabilité et l'efficacité d'un nouveau produit.

L'IA générative peut accélérer ce processus. Un modèle d'IA générative — une fois qu'il a été entraîné sur la nomenclature d'un produit de beauté, l'utilisation des matières premières, les paramètres de processus, les données de recherche internes et d'autres données (telles que les brevets de produits ou les essais de produits antérieurs) — peut identifier les ingrédients les mieux adaptés à un nouveau produit, prédire les bienfaits du produit et recommander des recettes de formules.

Pour en revenir à l'exemple d'une crème hydratante de nuit, supposons qu'un scientifique en formulation puisse demander à l'outil d'IA générative de créer une nouvelle formule mettant l'accent sur les neuropeptides, un ingrédient de soin de la peau populaire, et privilégiant les bienfaits anti-âge tout en réduisant les coûts de formulation. Une fois que l'outil a créé une recette potentielle, le scientifique procéderait à des tests en laboratoire pour évaluer la compatibilité et la stabilité des ingrédients dans la formulation, ainsi qu'à des tests de sécurité et de consommation supplémentaires et à des essais cliniques, le cas échéant. L'itération de la formule se poursuivrait sur la base des retours des consommateurs.

Bien que le processus de tests physiques prenne encore du temps, les analystes ont constaté que les outils d'IA générative peuvent réduire le temps nécessaire à la recherche de nouveaux produits de plusieurs semaines à quelques jours. Cela peut contribuer à économiser jusqu'à 5 pour cent sur les matières premières lors du développement de ces produits.

En conclusion, comment mettre en œuvre l'IA générative

Les acteurs de la beauté peuvent suivre quatre étapes pour intégrer véritablement l'IA générative dans leur activité.

Les acteurs de la beauté devraient identifier lequel des quatre cas d'usage décrits dans cet article produira le plus grand gain de revenus, les économies de temps et de coûts les plus importantes ainsi que l'impact le plus fort sur l'expérience client. Pour évaluer ce potentiel et façonner ensuite la feuille de route en conséquence, les dirigeants doivent réunir des responsables issus de diverses fonctions, telles que le marketing, le service client et le développement de produits.

À long terme, les dirigeants de la beauté devraient évaluer comment l'IA générative s'inscrit dans leur organisation et est soutenue par des capacités, notamment son modèle opérationnel, ses pratiques en matière de données et de technologie, et ses talents. Les entreprises devraient mettre en place des équipes transversales pour évaluer les capacités existantes de l'organisation et les besoins en capacités supplémentaires. Ces équipes devraient déployer des programmes de montée en compétences qui contribuent à combler les lacunes de capacités au sein de leurs rangs.

Les acteurs de la beauté devraient tester la production de l'IA générative dans des environnements contrôlés afin de déterminer ce qui fonctionne. Par exemple, dans les cas d'usage marketing, un acteur de la beauté sélectionnerait un canal — tel que l'e-mail, le SMS ou les médias payants — et utiliserait des tests A/B pour mesurer l'efficacité d'une publicité créée par l'IA générative, à la fois de manière quantitative (à l'aide de mesures telles que l'impact sur les ventes ou les taux de clics) et qualitative (en posant des questions telles que « La publicité était-elle fidèle à la marque ? »). La plateforme d'IA générative pourrait ensuite être entraînée sur ces enseignements afin de produire de meilleurs résultats lors des tests ultérieurs.

Les produits de beauté résonnent souvent avec les consommateurs sur un plan émotionnel. Pour cette raison, et en raison de la nature très sociale de la catégorie, les acteurs de la beauté doivent instaurer des garde-fous solides afin de prévenir et de contenir les risques liés à l'utilisation de l'IA générative. Ce cadre de gestion des risques devrait prendre en compte l'interprétabilité et la fiabilité des productions de l'IA générative, les menaces de sécurité, l'altération de l'équité ou les biais, l'atteinte à la propriété intellectuelle, les risques associés à l'utilisation d'outils d'IA tiers et les préoccupations relatives à la confidentialité. L'IA générative devrait compléter — et non remplacer — le travail effectué par les équipes marketing ou de développement de produits d'un acteur de la beauté.

Par : Massimiliano Morpurgo, Partner