Function of Beauty
formulation produit personnalisee par algorithme a partir d'un quiz
Function of Beauty formule des soins capillaires sur mesure par algorithme a partir d'un quiz qui supporte 80 pour cent de son business (plus d'un million d'engagements par an), avec plus de 15 millions de formulations creees et un chiffre d'affaires 2023 attendu de 125 a 150 millions de dollars.
L'essentiel
- Formulation produit personnalisee par algorithme a partir d'un quiz en ligne.
- Algorithme proprietaire, front Visual Quiz Builder, usine de fabrication a la commande.
- Quiz portant 80% du business, completion 80% (+16,4%), plus de 15 millions de formulations.
- Niveau de preuve B, statut vivant confirme.
Objectif
Convertir via un quiz qui transforme les objectifs capillaires en formule sur mesure, faire du quiz le point d'entree quasi unique du business et alimenter un reachat par abonnement.
Le déploiement
Function of Beauty, fondee en 2015, personnalise des soins capillaires, skincare et body care a partir d'un quiz en ligne. Les reponses alimentent un algorithme proprietaire qui compose une formule et une routine sur mesure, puis une API transmet le profil a la fabrication pour customiser produit et flacon. L'entreprise dit avoir cree a ce jour plus de 15 millions de formulations personnalisees, avec un potentiel de milliards de combinaisons, sur une usine aux lignes automatisees. Le quiz porte l'essentiel de l'activite : il supporte 80 pour cent du business, soit plus d'un million d'engagements par an. Apres une refonte du quiz, la marque a atteint un taux de completion de 80 pour cent, en hausse de 16,4 pour cent par rapport a sa solution interne, avec des centaines de milliers de quiz completes dans les trois premiers mois. Le chiffre d'affaires attendu pour 2023 se situait entre 125 et 150 millions de dollars ; l'entreprise a leve 164 millions de dollars au total et rachete Atolla en 2021.
Résultats Preuve B
Etude de cas plateforme (Visual Quiz Builder) chiffrant la part du business et la completion, plus profil BeautyMatter chiffrant formulations et chiffre d'affaires. Deux sources concordantes chiffrees, mais interessees ou secondaires et sans resultats financiers publics, donc B.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- outil Algorithme de formulation proprietaire Moteur in-house qui convertit profil et objectifs capillaires en formule et routine sur mesure ; sa nature exacte n'est pas detaillee publiquement
- outil Visual Quiz Builder Front du quiz en ligne, utilise pour la refonte qui a porte la completion a 80 pour cent
- infra API de transfert vers la fabrication API in-house qui transmet le profil quiz a l'usine pour customiser produit et flacon
- infra Usine de fabrication a la commande Lignes automatisees produisant les formules personnalisees a l'unite, plus de 15 millions de formulations creees
Comment ça tourne, concrètement
Pour les équipes ops-
1Quiz en ligne client
Le client renseigne profil et objectifs capillaires (jusqu'a plusieurs objectifs).
-
2Formulation algorithmique IA / algorithme
L'algorithme proprietaire compose une formule et une routine sur mesure.
-
3Transfert vers la fabrication IA + operations
Une API envoie le profil a l'usine pour customiser produit et flacon.
-
4Fabrication et reachat operations + CRM
Production a la commande sur lignes automatisees, puis reabonnement.
Les reponses au quiz et son taux de completion. Si le quiz decroche, c'est 80 pour cent du business qui perd son point d'entree.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe paradoxe est documente des deux cotes : 71% des consommateurs attendent des interactions personnalisees et 76% sont frustres quand elles manquent (McKinsey, 2021), mais 75% declarent ne pas acheter aupres d'organisations auxquelles ils ne confient pas leurs donnees (Cisco, 2024). La « creepy line » est localisee : messages recus quelques secondes apres une recherche et suivi de localisation sont les pratiques qui mettent le plus mal a l'aise (Periscope by McKinsey, 2019).
Conditions d'acceptation
- La confiance dans le traitement des donnees precede l'achat : 75% ne achetent pas sans elle (Cisco 2024)
- Un cadre legal protecteur rassure : 59% des consommateurs disent que des lois fortes sur la vie privee les rendent plus a l'aise pour partager des informations dans des applications IA (Cisco 2024)
- La personnalisation elle-meme est attendue quand elle est consentie : environ la moitie des consommateurs (US 55%, UK 52%) disent s'inscrire souvent ou parfois a des services personnalises (Periscope by McKinsey 2019)
Lignes rouges
- Le message declenche quelques secondes apres une recherche ou un achat : deuxieme ou troisieme cause de malaise selon les pays (Periscope by McKinsey 2019)
- Le suivi de localisation percu comme de la surveillance : 40% de malaise en Allemagne et au Royaume-Uni (Periscope by McKinsey 2019)
- Le mesusage des donnees personnelles par l'IA, devenu la premiere inquietude des consommateurs, a 53% et en hausse (Qualtrics 2025)
Sources : McKinsey & Company 2021 · Periscope by McKinsey 2019 · Cisco 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- quiz structure convertissant objectifs en attributs formule
- referentiel d'ingredients et regles de compatibilite
- connexion data entre front quiz et fabrication
Prérequis orga
- fabrication a la commande ou faconnier flexible
- R&D produit pour valider les formules
- e-commerce avec abonnement
Stack possible
- constructeur de quiz (type Visual Quiz Builder)
- moteur de personnalisation / regles
- chaine de production modulaire + API
Le plan, étape par étape
- Étape 1Construire le quiz (profil, objectifs) et le referentiel d'ingredients avec regles de compatibilite, valides par la R&D produit.Livrable : Quiz en ligne et mapping reponses vers attributs de formule sur une categorie
- Étape 2Developper le moteur de formulation (regles ou scoring) et faire valider un premier jeu de formules par la R&D.Livrable : Moteur qui sort une formule valide pour chaque combinaison de reponses
- Étape 3Prototyper la production a la commande avec un faconnier flexible et l'API qui transmet le profil a la fabrication.Livrable : Chaine quiz vers fabrication testee sur un lot pilote
- Étape 4Lancer le D2C sur la categorie pilote avec abonnement, et mesurer completion du quiz, conversion et reachat.Livrable : Offre en vente avec tableau de bord completion / conversion / reachat
- Étape 5Optimiser le quiz (completion) et monter en cadence industrielle avant d'ouvrir d'autres categories.Livrable : Production stabilisee et plan d'extension categorie
Première étape : Construire le quiz et le mapping vers formule sur une categorie, puis prototyper la connexion vers une production a la commande.
Le même pattern, prouvé dans d'autres industries
Taobao
Recommandation produit temps reel par deep learning, servie sur des centaines de scenarios de l'application
Amazon
Moteur de recommandation produit par filtrage collaboratif item-to-item, servi sur tous les points de contact
ASOS
Recommandation produit par deep learning a l'echelle du catalogue, plus assistant de style conversationnel
Sources
- S1 Function of Beauty Delivering On the Promise of Personalization Secondaire archive à générer
- S2 Function of Beauty personalizes hair care with Visual Quiz Builder Officiel intéressé archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.