Come gli operatori del settore beauty possono trarre profitto dall'IA generativa (gen AI)

Una delle mosse più importanti che un marchio di bellezza può compiere per sopravvivere nel competitivo settore beauty consiste nello sviluppare una proposta di valore unica. Ma gli operatori del settore beauty devono anche assicurarsi che i prodotti che hanno posizionato con cura raggiungano i consumatori che ne saranno più ricettivi.

Oggi la maggior parte delle aziende del settore beauty può permettersi di rivolgersi soltanto a una manciata di segmenti di consumatori, poiché dispone di capacità limitate per personalizzare i messaggi su più ampia scala. Questo approccio ampio alla segmentazione dei consumatori lascia gran parte del mercato inesplorata. Secondo un'indagine di McKinsey, grazie all'IA generativa i marchi di bellezza possono creare messaggi di marketing iperpersonalizzati, il che potrebbe migliorare i tassi di conversione fino al 40 per cento, in base alle nostre osservazioni.

L'IA può analizzare grandi insiemi di dati sui consumatori, individuare schemi e creare microsegmenti sulla base di algoritmi di riconoscimento di schemi. Da lì, un marchio di bellezza può addestrare la propria piattaforma di IA generativa utilizzando una varietà di input, tra cui dati dei clienti, input che descrivono la voce del marchio e informazioni sui prodotti. Quando entrano in nuovi mercati, i marchi di bellezza possono addestrare i modelli di IA generativa sui dati interni dei prodotti così come su ricerche di mercato esterne, quali i sondaggi tra i clienti. L'IA generativa può quindi creare e testare variazioni di testi e immagini per vedere ciò che risuona meglio con ciascun segmento di consumatori.

Gli specialisti del marketing dovrebbero esaminare i messaggi generati dall'IA prima che vengano inviati, per garantire che riflettano l'etica e la proposta di valore del marchio, evitando al contempo il plagio o connotazioni potenzialmente dannose. Alcuni messaggi che sembrano innocui possono essere deleteri per l'immagine di un marchio. Nell'esempio precedente, il saluto creato dall'IA generativa avrebbe potuto dire «Buonasera, gentile signora» anziché «Bonjour». Un cliente potrebbe trovare il tono di questo messaggio offensivo o inappropriato, oppure il messaggio potrebbe essere in contrasto con l'etica complessiva del marchio. Il team di marketing dovrebbe fornire un riscontro al modello di IA generativa — per esempio valutandone i risultati con un meccanismo di pollice in su o pollice in giù e inserendo commenti dettagliati in campi di testo libero. La piattaforma di IA generativa può quindi elaborare il riscontro e convertirlo in nuovi dati di addestramento.

I marchi di bellezza dovranno inoltre integrare i propri modelli di IA generativa con le risorse provenienti dai loro sistemi di gestione delle risorse digitali (DAM), che fungono da archivio per tutte le risorse creative digitali utilizzate da un marchio, oltre a integrare i modelli con gli strumenti di gestione delle campagne del marchio. L'IA generativa può categorizzare le risorse creative nel sistema DAM — un'attività che altrimenti dovrebbe essere svolta manualmente. Questa automazione libera tempo affinché il team di marketing possa concentrarsi su attività a maggior valore aggiunto.

Pur continuando a collaborare con le agenzie di marketing per sviluppare la propria strategia di marca e realizzare campagne specializzate, le grandi imprese del settore beauty potrebbero valutare di investire in capacità di iperpersonalizzazione interne. Ciò offrirebbe due principali vantaggi: le aziende possono utilizzare i propri dati sui consumatori per addestrare i modelli di IA generativa e possono creare e testare comunicazioni personalizzate con maggiore rapidità e agilità.

Scoperta esperienziale dei prodotti

Nonostante le innovazioni basate sulla tecnologia nella scoperta dei prodotti da parte dei consumatori negli ultimi anni, c'è ampio margine di miglioramento. La prima generazione di chatbot rivolti ai consumatori, per esempio, fornisce risposte relativamente rigide e può risultare frustrante da usare per i consumatori. Quando un consumatore chiede una raccomandazione per un nuovo blush adatto a un incarnato più scuro, per esempio, un chatbot potrebbe fornire un elenco generico di prodotti, anziché personalizzare la conversazione per uno specifico acquirente e coinvolgerlo in un dialogo più approfondito. Le prove virtuali sono utili, ma possono presentare malfunzionamenti o non riflettere con precisione l'aspetto che un prodotto avrebbe su un consumatore. In questi casi, gli acquisti online possono spesso comportare resi costosi, dato che i prodotti di bellezza restituiti in genere non possono essere rivenduti.

I chatbot basati sull'IA generativa possono contribuire a migliorare il percorso d'acquisto e a ridurre la probabilità di resi. Questi chatbot fondati su grandi modelli linguistici (LLM), addestrati su dati di prodotto e preferenze dei consumatori, possono rispondere a una più ampia varietà di domande e offrire raccomandazioni più personalizzate, entrambi elementi in grado di migliorare i tassi di conversione. Un operatore globale del lifestyle ha sviluppato un assistente all'acquisto basato sull'IA generativa e ha visto i propri tassi di conversione aumentare fino al 20 per cento.

L'esperienza di prova virtuale — che si è già dimostrata efficace in altre categorie di prodotti di consumo, quali gli accessori e gli occhiali — potrebbe inoltre essere arricchita dall'IA generativa. Utilizzando la stessa tecnologia che alimenta gli strumenti di IA generativa per la generazione di immagini, i consumatori possono vedere l'aspetto di diversi prodotti sulla loro pelle in contesti differenti oppure vedere i potenziali benefici che un prodotto potrebbe avere sul loro aspetto nel tempo. Un acquirente online che desidera schiarire le macchie scure, per esempio, potrebbe provare virtualmente il siero schiarente per macchie di un marchio caricando una foto sul sito web di un operatore del settore beauty ed eseguendo una simulazione del possibile effetto del siero sulla propria pelle nell'arco di diversi mesi.

L'IA generativa potrebbe inoltre arricchire la scoperta esperienziale dei prodotti nei negozi fisici. Oggi i monitor touchscreen interattivi nei negozi possono mostrare i prodotti disponibili sia in negozio sia online, consentendo ai clienti di sfogliare le referenze (SKU), selezionare gli articoli che desiderano vedere di persona o scansionare codici QR per offerte esclusive. Anche con la loro funzionalità limitata, è stato dimostrato che questi schermi migliorano l'esperienza d'acquisto in negozio e i tassi di conversione. L'IA generativa può aumentare l'efficacia di questi schermi. Per esempio, quando un acquirente che ha attivato i servizi di localizzazione sull'app di un operatore del settore beauty entra nel negozio dell'azienda, l'IA generativa potrebbe generare contenuti personalizzati per quel consumatore in base al profilo cliente e alla cronologia degli acquisti. Considerato ciò che sappiamo sull'efficacia dei contenuti personalizzati, questi principi potrebbero trasferirsi al contesto del negozio, sebbene un'implementazione su larga scala non sia ancora avvenuta.

Sviluppo rapido di concept di packaging

Quando valutano un prodotto di bellezza, i consumatori considerano sia il prodotto in sé sia il suo branding e il suo packaging. I marchi di bellezza dedicano in genere mesi allo sviluppo di nuovi concept di branding e packaging — un processo che richiede solitamente designer, redattori, strateghi ed esperti di packaging che iterano sulle idee.

L'IA generativa non eliminerebbe necessariamente questo processo, ma potrebbe accelerarlo drasticamente. Ecco come potrebbe funzionare. Un designer di packaging sottopone a una piattaforma di IA generativa il seguente prompt: «Mostrami cinque opzioni di packaging per una crema idratante notte, ponendo l'accento sui benefici per la cura della pelle e su materiali di packaging sostenibili.» Il designer modifica quindi il risultato della piattaforma di IA generativa sulla base di informazioni sulle preferenze dei clienti, che potrebbero provenire da focus group e sondaggi tra i clienti. Successivamente, un designer pubblicitario utilizza mockup del nuovo packaging in annunci digitali per testare se le immagini attraggono i consumatori, sulla base del coinvolgimento online con i nuovi annunci. Tali dati vengono poi utilizzati per affinare ulteriormente la creazione di concept e la prototipazione basate sull'IA generativa. Con questo approccio di base, un'azienda di bevande ha ridotto il proprio tempo di sviluppo dei concept del 60 per cento.

Qual è l'approccio migliore all'IA generativa: acquistare, prendere in prestito o costruire?

Nel valutare uno strumento o una piattaforma di IA generativa, gli operatori del settore beauty dovrebbero porsi domande quali le seguenti: Quali sono i protocolli di riservatezza e di cifratura dei dati adottati presso il fornitore? Il fornitore utilizzerà i dati dei marchi per addestrare modelli proprietari di terze parti o di prima parte? A chi appartengono i diritti d'autore sui risultati? Quanto è agevole l'integrazione con i sistemi interni dell'operatore del settore beauty? Il fornitore dispone di un'interfaccia di programmazione delle applicazioni o è integrato con operatori come Google Analytics per abilitare casi d'uso più ampi?

Il primo approccio comporta l'integrazione di soluzioni di IA generativa di terze parti già pronte all'uso nei flussi di lavoro di un'azienda, con poca o nessuna personalizzazione. È il meno costoso e il meno intensivo in termini di risorse dei tre approcci, pertanto rappresenta un'opzione interessante per i marchi di bellezza che dipendono dai rivenditori per la distribuzione (e che dispongono quindi di meno dati sui consumatori con cui personalizzare i modelli), che hanno meno talenti tecnologici o meno liquidità per gli investimenti.

Il secondo approccio richiede di addestrare modelli di IA generativa di terze parti sui dati e sulle analisi proprie dell'azienda relativi a specifiche esigenze geografiche, settoriali, organizzative e di business case. Per esempio, per un targeting iperpersonalizzato, i dati possono includere informazioni sulla voce di un marchio, sui dati demografici e sulle preferenze dei clienti o sulle campagne di successo. Per uno sviluppo di prodotti innovativo, dati grezzi provenienti dai risultati di test clinici potrebbero contribuire ad addestrare i modelli.

Gli operatori del settore beauty possono utilizzare un mix dei due approcci all'IA generativa, a seconda delle loro specifiche esigenze e dei loro casi d'uso. La rapidità — nel raggiungere il mercato e nel rispondere alla domanda dei consumatori — è particolarmente importante per gli operatori del settore beauty. Per questo motivo, le organizzazioni del settore beauty dovrebbero prendere in considerazione componenti modulari di IA generativa, che rendono più semplice il passaggio tra fornitori di LLM (grandi modelli linguistici), facilitando così la scalabilità.

Sviluppo di prodotti innovativo

La creazione di nuove formule di prodotti di bellezza è un processo che dura più anni. Richiede agli operatori del settore beauty di collaborare con i laboratori per ricercare ingredienti e sperimentare formule al fine di determinare la sicurezza, la stabilità e l'efficacia di un nuovo prodotto.

L'IA generativa può accelerare questo processo. Un modello di IA generativa — una volta addestrato sulla distinta base di un prodotto di bellezza, sull'utilizzo delle materie prime, sui parametri di processo, sui dati di ricerca interni e su altri dati (quali brevetti di prodotti o precedenti prove di prodotto) — può individuare gli ingredienti che potrebbero essere più adatti a un nuovo prodotto, prevedere i benefici del prodotto e raccomandare ricette di formule.

Tornando all'esempio di una crema idratante notte, si supponga che uno scienziato della formulazione possa chiedere allo strumento di IA generativa di creare una nuova formula che ponga l'accento sui neuropeptidi, un popolare ingrediente per la cura della pelle, e privilegi i benefici anti-età riducendo al contempo i costi di formulazione. Una volta che lo strumento ha creato una ricetta potenziale, lo scienziato eseguirebbe test di laboratorio per valutare la compatibilità e la stabilità degli ingredienti nella formulazione, oltre a ulteriori test di sicurezza e di consumo e a sperimentazioni cliniche, ove applicabile. L'iterazione della formula proseguirebbe sulla base dei riscontri dei consumatori.

Sebbene il processo di test fisici richieda ancora tempo, gli analisti hanno rilevato che gli strumenti di IA generativa possono ridurre il tempo necessario per ricercare nuovi prodotti da settimane a giorni. Ciò può contribuire a risparmiare fino al 5 per cento sulle materie prime nello sviluppo di tali prodotti.

In conclusione, come implementare l'IA generativa

Gli operatori del settore beauty possono compiere quattro passi per integrare davvero l'IA generativa nell'attività.

Gli operatori del settore beauty dovrebbero individuare quale dei quattro casi d'uso descritti in questo articolo produrrà il maggiore incremento di ricavi, i maggiori risparmi di tempo e di costi e il maggiore impatto sull'esperienza del cliente. Per calcolare questo potenziale e dare quindi forma alla road map di conseguenza, i dirigenti devono riunire i responsabili di varie funzioni, quali il marketing, il servizio clienti e lo sviluppo dei prodotti.

Nel lungo periodo i leader del settore beauty dovrebbero valutare in che modo l'IA generativa si inserisce nella loro organizzazione ed è sostenuta da capacità, tra cui il suo modello operativo, le sue pratiche in materia di dati e tecnologia e i suoi talenti. Le aziende dovrebbero costituire team interfunzionali per valutare le capacità esistenti dell'organizzazione e i requisiti per capacità aggiuntive. Questi team dovrebbero attuare programmi di upskilling che aiutino a colmare le lacune di capacità all'interno dei propri ranghi.

Gli operatori del settore beauty dovrebbero testare i risultati dell'IA generativa in contesti controllati per determinare ciò che funziona. Per esempio, nei casi d'uso di marketing, un operatore del settore beauty selezionerebbe un canale — quale l'e-mail, gli SMS o i media a pagamento — e utilizzerebbe test A/B per misurare l'efficacia di un annuncio creato dall'IA generativa, sia in modo quantitativo (utilizzando metriche quali l'impatto sulle vendite o i tassi di clic) sia in modo qualitativo (ponendo domande quali «L'annuncio era fedele al marchio?»). La piattaforma di IA generativa potrebbe quindi essere addestrata su questi apprendimenti per produrre risultati migliori nei test successivi.

I prodotti di bellezza risuonano spesso con i consumatori a livello emotivo. Per questo motivo e per la natura altamente sociale della categoria, gli operatori del settore beauty devono istituire solidi presidi di sicurezza per prevenire e contenere i rischi connessi all'uso dell'IA generativa. Questo quadro di gestione del rischio dovrebbe considerare l'interpretabilità e l'affidabilità dei risultati dell'IA generativa, le minacce alla sicurezza, la compromissione dell'equità o i bias, la violazione della proprietà intellettuale, i rischi associati all'uso di strumenti di IA di terze parti e le preoccupazioni relative alla riservatezza. L'IA generativa dovrebbe potenziare — e non sostituire — il lavoro svolto dai team di marketing o di sviluppo dei prodotti di un operatore del settore beauty.

Di: Massimiliano Morpurgo, Partner