Prose
formulation produit personnalisee par algorithme a partir d'un questionnaire
Prose formule par algorithme des soins capillaires sur mesure a partir d'un questionnaire, avec un espace de 79 000 milliards de formulations, un reachat de 55 pour cent sur douze mois (vs ~30 pour cent dans le secteur) et 75 pour cent du chiffre d'affaires en abonnement.
Objectif
Remplacer la formule generique par une formule faite pour chaque client, pour battre les produits standards sur la performance percue et installer un reachat par abonnement.
Le déploiement
Prose fait remplir un questionnaire en ligne (25 questions sur le type de cheveux, l'etat du cuir chevelu, le mode de vie, jusqu'au code postal pour l'environnement local), puis son algorithme compose une formule sur mesure. Le systeme peut generer jusqu'a 79 000 milliards de formulations a partir de plus de 160 ingredients, et les produits sont fabriques a la commande sur une chaine automatisee capable de sortir jusqu'a 30 000 flacons par jour. En 2020, Prose etait en route pour 50 millions de dollars de chiffre d'affaires, plus du triple de l'annee precedente ; plus de 2 millions de clients avaient rempli le questionnaire et 55 pour cent d'entre eux avaient rachete sur les douze derniers mois, contre une moyenne sectorielle plus proche de 30 pour cent. Le fonds Forerunner Ventures indique qu'aujourd'hui 75 pour cent du chiffre d'affaires de Prose vient des abonnements. Une etude clinique en double aveugle menee par l'organisme independant Intertek sur 206 participants pendant 28 jours a compare les produits Prose a six references du commerce.
Résultats Preuve C
Chiffres de croissance, reachat et volume rapportes par Forbes citant nommement l'entreprise et son CEO, complementes par la fiche investisseur Forerunner Ventures sur la part d'abonnement. Presse etablie plus source investisseur concordantes, mais pas de resultats financiers publics, donc C.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- outil Algorithme de formulation Prose Moteur in-house (regles + machine learning) qui convertit les reponses au questionnaire en formule, sur plus de 160 ingredients et jusqu'a 79 000 milliards de combinaisons.
- outil Quiz de consultation en ligne Questionnaire de 25 questions (cheveux, cuir chevelu, mode de vie, code postal) qui alimente l'algorithme.
- infra Chaine de fabrication a la commande Ligne automatisee capable de produire jusqu'a 30 000 flacons sur mesure par jour.
- outil Boucle Review & Refine Retours d'usage structures qui ajustent la formule au reachat suivant.
Comment ça tourne, concrètement
Pour les équipes ops-
1Consultation en ligne client
25 questions sur cheveux, cuir chevelu, mode de vie et environnement (code postal).
-
2Formulation algorithmique IA / algorithme
L'algorithme compose une formule parmi un espace de dizaines de milliers de milliards de possibilites.
-
3Fabrication a la commande operations
La chaine automatisee produit le flacon sur mesure (jusqu'a 30 000 par jour).
-
4Retour et raffinage client + algorithme
Le client note le produit, la formule s'ajuste au reachat suivant.
Les reponses au questionnaire et les retours d'usage (fonction Review & Refine). Sans feedback structure, la formule ne s'ameliore pas et le reachat s'effondre.
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
- questionnaire structure convertissant des reponses en attributs formule
- referentiel d'ingredients et regles de compatibilite
- boucle de feedback produit
Prérequis orga
- capacite de fabrication a la commande ou faconnier flexible
- chimistes / R&D pour valider les formules
- moteur d'abonnement et CRM
Stack possible
- moteur de personnalisation / regles + ML
- chaine de production modulaire
- plateforme e-commerce avec abonnement
Le plan, étape par étape
- Étape 1Modeliser le passage reponses vers formule sur une categorie simple, avec les chimistes / R&D.Livrable : Matrice attributs client vers ingredients validee par la R&D.
- Étape 2Construire le questionnaire en ligne et le moteur de formulation v1 (regles + ML), avec regles de compatibilite d'ingredients.Livrable : Prototype quiz vers formule testable en interne.
- Étape 3En parallele, valider la faisabilite industrielle : faconnier flexible ou mini-ligne de fabrication a la commande.Livrable : Capacite pilote de production a la demande.
- Étape 4Lancer un pilote D2C sur un segment, avec abonnement et CRM.Livrable : Premiere cohorte de clients avec mesure du reachat.
- Étape 5Brancher la boucle de feedback produit (type Review & Refine) et monter en capacite.Livrable : Reachat mesure vs benchmark secteur et plan de capacite industrielle.
Première étape : Modeliser le passage reponses vers formule sur une categorie simple, puis tester la faisabilite industrielle de la fabrication 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 Why One Entrepreneur Thinks Millions Of Americans Will Spend $25 On His Personalized Shampoo Presse établie archive à générer
- S2 Prose - Forerunner Ventures 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.