美妆品牌和零售商已经开始探索生成式人工智能（Gen AI）的应用。为了加速这些实验的规模化，美妆企业应聚焦于高价值的应用场景，并根据自身需求定制生成式人工智能工具。
如今，美不再仅仅是旁观者眼中的主观感受，而是被生成式人工智能（Gen AI）的使用者所掌控。仅从其对美妆行业的推动作用来看，生成式人工智能有望为全球经济贡献90亿至100亿美元的增长。早期的行业先锋已经开始测试这项技术。然而，鉴于生成式人工智能的快速创新，将这些实验规模化并非易事。
一旦行业领导者成功实现生成式人工智能的大规模应用，美妆行业的差距将进一步拉大。领先者将变得更敏捷、更具响应性，能够更精准地预测并满足消费者的需求；而那些未能跟上步伐的企业可能会发现，保住市场份额变得愈发困难。
专注于优先用例并定制生成式人工智能以满足自身需求的美妆企业，将能够充分释放这项技术的潜力。本文将介绍美妆企业可以优先考虑的四个生成式人工智能用例，阐述如何将生成式人工智能融入企业运营，并提出一系列关键举措，以支持生成式人工智能在美妆行业的长期发展。
一、生成式人工智能在美妆行业的四大应用场景
在确定优先应用场景时，我们考虑到美妆行业对快速将产品推向市场以及快速响应消费者反馈的高度依赖。基于此，以下四大生成式人工智能用例有望带来最大价值：超个性化营销、体验式产品发现、快速包装概念开发以及创新产品开发。
这些应用处于不同的应用阶段。例如，生成式人工智能客服聊天机器人已经在美妆行业得到广泛应用，而其他一些应用虽然处于起步阶段，但展现出巨大潜力。
1、超个性化定位：精准触达目标客户
在竞争激烈的美妆行业中，美妆品牌若想脱颖而出，打造独特的价值主张至关重要。然而，品牌还需要确保其精心定位的产品能够精准触达最有可能接受这些产品的消费者群体。
目前，大多数美妆公司只能针对少数消费者群体进行营销，因为它们在更大规模上实现个性化信息推送的能力有限。这种宽泛的消费者细分方式，使得大量潜在市场仍未被充分开发。然而，借助生成式人工智能（Gen AI），美妆品牌能够创建超个性化的营销信息，从而显著提升营销效果。根据我们的观察，这种技术有望将转化率提高多达40%。
生成式人工智能能够分析海量消费者数据，识别其中的模式，并基于这些模式创建微细分群体。在此基础上，美妆品牌可以通过多种输入内容训练其生成式人工智能平台，包括客户数据、品牌调性描述以及产品信息。当品牌进入新市场时，可以结合内部产品数据和外部市场研究（例如客户调研）来训练生成式人工智能模型。随后，该技术可以生成并测试不同的文本和图像版本，以确定哪些内容最能引起每个消费者群体的共鸣。
假设向一位名为卡米尔（Camille）的虚构客户发送自动短信。品牌知道卡米尔居住在法国，年消费额较低，最近购买了一款面部防晒霜，并且对之前的促销活动反应积极。
在生成式人工智能出现之前，发送给卡米尔的短信内容可能是：“激动人心的消息！新品已上线，购物即享低至8折优惠。”而在生成式人工智能的助力下，短信内容可能会变得更加贴心和个性化：“Bonjour, Camille! 你知道吗？我们专为面部防晒霜设计的洁面泡沫现在打8折，与你最近购买的防晒霜完美搭配。”
在发送之前，营销团队需要审核人工智能生成的信息，确保其符合品牌的核心价值和价值主张，同时避免抄袭或可能带有负面含义的内容。有些看似无害的表述可能会对品牌形象造成损害。
例如，生成式人工智能可能会生成“Good evening, lovely lady”这样的问候语，而不是“Bonjour”。客户可能会觉得这种语气过于亲昵或与品牌的整体调性不符。因此，营销团队需要对生成式人工智能的输出结果进行反馈，例如通过点赞或点踩机制进行评价，并在自由文本字段中提供详细意见。生成式人工智能平台随后可以将这些反馈转化为新的训练数据，持续优化输出内容。
此外，美妆品牌还需要将生成式人工智能模型与其数字资产管理（DAM）系统中的资产进行整合。DAM系统是品牌所有数字创意资产的存储库，而生成式人工智能可以自动对这些资产进行分类——这项任务原本需要手动完成。通过自动化处理，营销团队可以节省时间，专注于更高价值的任务。
即使在继续与营销机构合作以制定品牌战略并开展专业活动的同时，大型美妆企业也可能会考虑投资建立内部的超个性化能力。这将带来两大主要优势：企业可以利用自己的消费者数据来训练生成式人工智能模型，并且能够以更快的速度和更高的敏捷性创建和测试个性化沟通内容。
2、体验式产品发现
尽管近年来消费产品发现领域已经经历了技术驱动的创新，但仍有巨大的改进空间。以第一代消费者聊天机器人为例，它们提供的回答往往死板且缺乏灵活性，容易让消费者感到沮丧。例如，当消费者询问适合深色肤色的腮红推荐时，聊天机器人往往会列出一份通用的产品清单，而不是根据消费者的个人需求展开深入对话并提供个性化建议。
虚拟试用功能虽然有一定帮助，但可能因技术故障或无法准确呈现产品效果而大打折扣。在这种情况下，消费者购买后因不满意而退货的情况较为常见，而美容产品一旦退回，通常无法再次销售，这无疑增加了企业的成本。
生成式人工智能（Gen AI）驱动的聊天机器人能够有效改善这一局面，降低退货率。这些基于大型语言模型（LLM）的聊天机器人经过产品数据和消费者偏好的训练，能够回答更广泛的问题，并提供更具个性化的建议，从而显著提升转化率。例如，一家全球生活方式品牌开发了一款基于生成式人工智能的购物助手，其转化率因此提升了20%。
虚拟试用体验——已经在配饰和眼镜等其他消费品类中取得成功的模式——也有望通过生成式人工智能进一步优化。借助与图像生成式人工智能工具相同的底层技术，消费者可以在不同场景下预览产品在自己皮肤上的效果，甚至可以模拟产品随时间推移对其外观的潜在改善效果。例如，希望淡化黑斑的消费者可以通过上传照片到美妆品牌的网站，虚拟试用一款淡斑精华液，并查看其在几个月内对皮肤的潜在改善效果。
生成式人工智能还可以为实体店内的体验式产品发现注入新的活力。目前，店内的互动触摸屏已经能够展示店内和线上可购买的产品，让消费者浏览不同的SKU（库存进出计量的基本单元），选择他们想要亲自查看的商品，或者扫描二维码获取独家优惠。即便这些屏幕的功能相对有限，它们已被证明能够显著提升店内购物体验和转化率。生成式人工智能可以进一步提升这些屏幕的效果。
例如，当一位在美妆品牌应用程序上开启了位置服务的消费者走进门店时，生成式人工智能可以根据其客户档案和购买历史为其生成个性化的内容。鉴于个性化内容在提升消费者参与度方面的有效性，这一模式完全可以应用于线下门店，尽管目前尚未实现大规模推广。
3、快速包装概念开发
在评估美容产品时，消费者不仅关注产品本身，还会考虑其品牌和包装。通常情况下，美容品牌开发新的品牌和包装概念需要耗费数月时间。这一过程涉及设计师、文案编辑、策略师和包装专家的紧密协作，他们需要反复讨论和修改创意，以确保最终方案能够精准触达目标消费者。
生成式人工智能（Gen AI）不会取代这一过程，但可以显著加速其进度。以下是其运作方式：一位包装设计师向生成式人工智能平台发出提示：“为一款夜间保湿霜生成五种包装概念，强调护肤功效和可持续包装材料。”随后，设计师根据客户偏好信息（可能来自焦点小组和客户调研）对平台的输出结果进行调整。
接下来，广告设计师利用新包装的模拟图制作数字广告，通过在线互动数据测试这些图像是否对消费者具有吸引力。这些数据随后被用于进一步完善由生成式人工智能驱动的概念创作和原型设计。通过这种方法，一家饮料公司成功将其概念开发时间缩短了60%。
4、创新产品开发
开发新的美容产品配方是一个漫长的过程，通常需要数年时间。美容企业需要与实验室合作，研究成分并试验配方，以确保新产品的安全性、稳定性和功效。
生成式人工智能可以大幅缩短这一周期。经过对美容产品的物料清单、原材料使用、工艺参数、内部研究数据以及其他相关数据（如产品专利或过往产品试验）的训练后，生成式人工智能模型能够识别最适合新产品的成分，预测产品的功效，并推荐配方。
以夜间保湿霜为例，假设配方科学家可以利用生成式人工智能工具创建一种新配方，强调神经肽（一种流行的护肤成分），优先考虑抗衰老功效，同时降低配方成本。一旦工具生成了潜在配方，科学家将进行实验室测试，以评估配方中成分的兼容性和稳定性，以及额外的安全性测试、消费者测试和临床试验（如果适用）。配方迭代将根据消费者反馈持续优化。
尽管物理测试过程仍然需要时间，但麦肯锡的分析发现，生成式人工智能工具可以将新产品研究的时间从数周缩短到数天，从而节省高达5%的原材料成本。
二、购买、借用还是建造？
随着生成式人工智能企业平台市场的蓬勃发展，美妆企业面临着一个关键问题：哪种方法最适合它们？
企业可以通过三种方式引入生成式人工智能工具——我们将其称为“接受者”“塑造者”和“制造者”方法。然而，对于大多数美妆企业而言，“制造者”方法——即从零开始构建自己的大型语言模型（LLM）——可能并不现实。这种方法需要巨大的资本投入和人才储备，超出了大多数美妆企业的承受能力，同时也可能分散它们对核心竞争力的专注。不过，美妆企业仍可通过“接受者”和“塑造者”方法，充分挖掘生成式人工智能的价值。
1、Taker approach接受者方法
“接受者”方法的核心是将现成的第三方生成式人工智能解决方案无缝集成到企业的工作流程中，几乎无需定制。这种方法成本最低、资源消耗最少，特别适合那些依赖零售商进行分销的美妆品牌——它们可用于定制模型的消费者数据有限，技术人才不足，或投资预算紧张。
在评估生成式人工智能工具或平台时，美妆企业应重点关注以下问题：供应商的数据隐私和加密协议是什么？供应商是否会使用品牌数据来训练第三方或第一方专有模型？输出内容的版权归属如何？该工具是否易于与企业内部系统集成？例如，供应商是否提供应用程序编程接口（API）？是否与Google Analytics等工具兼容，以拓展应用场景？
当然，试用是必不可少的一步。大多数信誉良好的生成式人工智能供应商都会提供为期一个月左右的低成本试点项目，助力企业深入探索其工具的潜力。
2、Shaper approach塑造者方法
“塑造者”方法则更进一步，企业通过自身的数据和针对特定地理区域、行业、组织以及业务需求的洞察，来训练第三方生成式人工智能模型。例如，在超个性化营销中，数据可能涵盖品牌调性、客户人口统计信息、偏好，以及过往成功的营销活动；而在创新产品开发中，临床测试结果的原始数据则可用于优化模型。
对于拥有丰富消费者数据的大型美妆品牌或零售商来说，“塑造者”方法或许是更优选择。这需要一支技术团队，能够为生成式人工智能工具添加新组件，将其融入现有工作流程，并在组织内广泛部署。
美妆企业可以根据自身需求和具体用例，灵活组合“接受者”和“塑造者”方法。在美妆行业，速度至关重要——无论是快速将产品推向市场，还是迅速响应消费者需求。因此，企业应考虑采用模块化的生成式人工智能组件，以便更轻松地切换大型语言模型（LLM）供应商，从而实现更高效的规模化扩展。
尽管生成式人工智能有望为美妆行业带来流程优化和自动化，但这个行业本质上既是一门科学，也是一门艺术。因此，保持人类的参与至关重要——通过检查潜在风险，并将独特的人类创造力注入营销和包装设计中，确保技术与艺术的完美融合。
三、如何大规模实施生成式人工智能
为了在数字和人工智能领域脱颖而出，消费品企业必须回答一些关键问题：“价值在哪里？”“业务部门的领导者是否积极参与转型？”在此基础上，美妆企业可以采取以下四个步骤，将生成式人工智能（Gen AI）真正融入业务核心：
1、统一领导层的愿景、价值和路线图
从试验迈向规模化的过程中，美妆企业需要明确：在本文提到的四大用例中，哪一个能带来最大的收入增长、时间和成本节约以及客户体验提升。为了精准评估这种潜力并制定相应的路线图，企业高管必须召集来自营销、客户服务和产品开发等关键部门的领导者，共同探讨并达成共识。
2、强化能力支撑
尽管生成式人工智能前景广阔，但要长期有效地利用它，美妆企业必须评估其如何融入现有的组织能力体系，并获得运营模式、数据和技术实践以及人才方面的支持。企业应组建跨职能团队，全面评估当前的能力水平和未来的能力需求，并通过技能提升计划填补团队内部的能力缺口。
3、测试、学习、完善、再测试
美妆企业应在受控环境中对生成式人工智能的输出进行测试，以确定哪些功能真正有效。例如，在营销场景中，企业可以选择一个渠道（如电子邮件、短信或付费媒体），并运用A/B测试来衡量由生成式人工智能创建的广告效果。这种评估应涵盖定量指标（如销售影响或点击率）和定性分析（例如“广告是否契合品牌调性？”）。随后，生成式人工智能平台可根据这些反馈进行优化，以在后续测试中实现更好的结果。
4、构建风险框架
美妆产品往往在情感层面上与消费者产生共鸣，而该行业的高度社交性也意味着任何技术应用都需格外谨慎。因此，美妆企业必须建立严格的风险防控机制，以预防和控制生成式人工智能带来的潜在风险。这一框架应涵盖生成式人工智能输出的可解释性和可靠性、安全威胁、公平性或偏见问题、知识产权侵权、使用第三方人工智能工具的风险以及隐私问题。生成式人工智能应作为工具增强而非取代美妆企业营销或产品开发团队的工作。
尽管美妆行业的大部分产品属于化妆品范畴，但生成式人工智能在美妆领域的应用远不止表面功夫。将这一技术与其他数字和人工智能工具相结合，并持续提升组织能力，将助力美妆行业的领导者在未来几年脱颖而出，持续引领行业潮流。
文章来源：【DigitalFrontier首席数字官】公众号
【声明】该内容为作者个人观点，大数跨境仅提供信息存储空间服务，不代表大数跨境观点或立场。版权归原作者所有，未经允许不得转载。如发现本站文章存在版权问题，请联系：
contact@10100.com
