Olay
diagnostic peau IA sur selfie menant a une reco produit
Olay (P&G) a lance en 2016 Skin Advisor, un diagnostic peau par deep learning sur selfie qui a double le taux de conversion, reduit le rebond d'un tiers, fait monter le panier moyen de 40 pour cent en Chine et engage plus de 4 millions de consommateurs.
Objectif
Reduire la friction et l'incertitude a l'achat de skincare en ligne en remplacant le catalogue par un diagnostic personnalise, pour convertir mieux et faire monter le panier.
Le déploiement
Olay Skin Advisor demande un selfie et quelques reponses, puis estime un age de la peau et pointe les zones a traiter par deep learning. A partir de la, l'outil propose une routine et des produits Olay adaptes. Lance en 2016 apres deux ans de developpement et l'analyse de millions de selfies, il a d'abord tourne en beta en Amerique du Nord avant un deploiement mondial, dont la Chine. P&G rapporte que la plateforme a double le taux de conversion des ventes, reduit d'un tiers le taux de rebond des visiteurs en ligne et fait monter le panier moyen. En Chine, le panier moyen a progresse de 40 pour cent. L'outil a engage plus de 4 millions de consommateurs et sert des recommandations a des dizaines de milliers d'utilisateurs chaque semaine, 94 pour cent d'entre eux recevant des suggestions personnalisees. Le moteur de recommandation a ete developpe avec Nara Logics, l'analyse d'image s'appuyant sur la plateforme GPU de NVIDIA.
Résultats Preuve C
Chiffres attribues a P&G et repris par plusieurs titres presse (VentureBeat, Marketing Dive, The Drum) citant nommement Olay ; pas de detail isole dans les resultats financiers du groupe, donc C plutot que A.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- llm Modele de vision deep learning P&G Modele d'analyse d'image developpe pour Olay, entraine sur des millions de selfies : estimation de l'age de la peau et detection des zones a traiter.
- outil Nara Logics Moteur de recommandation IA qui associe le profil de peau et les reponses au questionnaire aux produits et routines Olay.
- infra NVIDIA (plateforme GPU / deep learning) Plateforme GPU utilisee pour l'entrainement et l'inference des modeles d'analyse d'image.
- outil Skin Advisor (web app Olay) Web app grand public qui porte le parcours selfie, questionnaire, diagnostic et recommandation, reliee a l'e-commerce Olay.
Comment ça tourne, concrètement
Pour les équipes ops-
1Capture et analyse du selfie IA
Estimation de l'age de la peau et detection des zones a traiter par vision et deep learning.
-
2Questionnaire complementaire utilisateur
Quelques questions sur les preoccupations et les habitudes affinent le profil.
-
3Recommandation de routine IA (moteur Nara Logics)
Le moteur associe le profil aux produits Olay et propose une routine.
-
4Passage a l'achat e-commerce
Les produits recommandes sont pousses vers le panier e-commerce, mesure sur conversion et panier.
La qualite du selfie et la coherence entre le score de peau et la reco. Un cadrage ou un eclairage mauvais degrade le diagnostic et fait chuter la confiance dans la reco.
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
- corpus d'images de peau labellisees pour entrainer ou calibrer le modele
- catalogue produit structure avec attributs peau
- consentement biometrique conforme RGPD
Prérequis orga
- equipe data science ou partenaire vision
- gouvernance sur le caractere non medical de la sortie
Stack possible
- API de skin analysis tierce (type Haut.AI, Perfect Corp, ModiFace)
- moteur de recommandation produit
- integration au CMS / e-commerce
Le plan, étape par étape
- Étape 1Choisir une categorie a forte hesitation d'achat et cadrer le diagnostic : quels attributs de peau menent a quels produits du catalogue.Livrable : Mapping profil de peau vers catalogue, valide par les equipes produit
- Étape 2Integrer une API de skin analysis du marche (Haut.AI, Perfect Corp, ModiFace) avec le questionnaire complementaire, en marque blanche sur le site.Livrable : Prototype de diagnostic fonctionnel de bout en bout
- Étape 3Securiser le volet biometrique : consentement explicite, minimisation, mention claire que la sortie est indicative et non medicale.Livrable : Parcours de consentement valide juridiquement
- Étape 4Lancer un A/B test diagnostic vs page catalogue standard et mesurer conversion, panier et rebond.Livrable : Read de test avec decision go/no-go
- Étape 5Industrialiser : integration CRM, routine complete multi-produits, boucle de retour d'usage pour affiner les recommandations.Livrable : Feature en production avec suivi continu
Première étape : Tester un diagnostic peau sur une categorie a forte hesitation et mesurer conversion et panier contre la page catalogue standard.
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 How Olay used AI to double its conversion rate Presse établie archive à générer
- S2 VentureBeat: Olay doubles conversion rates with AI-powered skincare advisor Presse établie archive à générer
- S3 How P&G harnessed AI to create 'first of its kind' Olay Skin Advisor Presse établie 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.