چالشها در نوآوری
زیبایی مبتنی بر داده: چالشها در یکپارچه‌سازی زنجیره تأمین و نوآوری
نوآوری مبتنی بر داده برای آینده صنعت زیبایی نویدبخش است، اما چالش‌هایی – به‌ویژه در زمینه دقت و یکپارچه‌سازی و هم‌راستاسازی کامل زنجیره تأمین – همچنان باقی است. به گفته کارشناسان، صنعت زیبایی به‌دنبال استفاده از داده‌ها در مراحل اولیه‌تر تولید است، به‌ویژه در زمینه فهرست‌بندی ترکیبات، رصد روندهای بازار و توسعه محصولات جدید. اما چه موانعی پیش روی نوآوری داده‌محور در این صنعت قرار دارد؟ و آیا واقعاً داده آینده زنجیره‌های تأمین زیبایی در جهان خواهد بود؟
در نمایشگاه بین‌المللی in-cosmetics 2025 که ماه گذشته در آمستردام برگزار شد، گروهی از کارشناسان صنعتی در این باره بحث کردند.
داده‌های کلان و فضاهای خالی
«یکی از مسائلی که باید به‌خوبی از آن آگاه باشیم این است که اکنون حجم عظیمی از داده‌ها در دسترس است.» این جمله از لورنا رادفورد، بنیان‌گذار و مدیرعامل مرکز تحقیق و توسعه Enkos Developments در بریتانیاست.
به گفته رادفورد، در برخی موارد این وفور داده‌ها می‌تواند اثر منفی بر نوآوری در حوزه زیبایی داشته باشد. بانک‌های اطلاعاتی بزرگ که حجم عظیمی از اطلاعات درباره محصولات زیبایی و مراقبت شخصی جمع‌آوری می‌کنند، کار را برای فرموله‌کنندگان، برندها و شرکت‌ها جهت تولید محصولات کپی یا مشابه بسیار آسان کرده‌اند. علاوه بر این، استفاده فزاینده از ابزارهای هوش مصنوعی مبتنی بر داده، اغلب باعث «همگن‌سازی» همه‌چیز می‌شود؛ حال آنکه نوآوری واقعی نیازمند خلاف این روند است.
او توضیح داد که صنعت باید با «نگاه عینی» به داده‌ها رجوع کند و به‌دنبال «فضاهای خالی» بگردد: «جایی که نوآوری واقعی در آن اتفاق می‌افتد، همان‌جایی است که همه به آن توجه نکرده‌اند، نه جایی که همه در حال تکرار آن هستند. و این کار دشواری است، زیرا مستلزم بررسی داده‌هایی است که هنوز وجود ندارند، نه فقط داده‌هایی که در دسترس هستند.»
وینی آوا، بنیان‌گذار پلتفرم مراقبت از موی بافت‌دار Carra Labs نیز موافق بود: «تا زمانی که یک ناهنجاری یا چیز متفاوت نبینید، نمی‌دانید که دقیقاً به‌دنبال چه هستید.»
او همچنین افزود که پس از شناسایی این ناهنجاری‌ها یا فضاهای خالی، ضروری است که «لایه‌ای از تخصص» به فرآیند افزوده شود تا بتوان با تعصب داده‌ای مقابله کرد و به بینش‌های مرتبط دست یافت.
«اگر با داده‌های غیرساختاریافته مواجه هستید، گاهی لازم است فرایند پاک‌سازی وسیعی طی شود تا به نتایج معنادار برسید. اگرچه درباره داده‌ها هیجان زیادی وجود دارد، اما باید بتوانیم بینش‌های کاربردی را استخراج کنیم، به‌ویژه وقتی که با ترابایت‌ها داده سروکار داریم. بسیار بسیار مهم است که بتوانیم این داده‌ها را تفسیر کنیم و از آن‌ها چیزی هیجان‌انگیز، جادویی یا قدرتمند خلق کنیم که بتواند قواعد بازی را تغییر دهد.»
آینده هوش مصنوعی – ChatGPT و مدل‌های زبانی بزرگ
در موضوع هوش مصنوعی و ابزارهایی مانند ChatGPT و مدل‌های زبانی بزرگ، کارشناسان متفق‌القول بودند که این ابزارها هنوز نیاز به پیشرفت دارند تا بتوان به‌صورت قابل اتکا در زنجیره‌های تأمین صنعت زیبایی به کار گرفته شوند.
تیمو فون بارگن، هم‌بنیان‌گذار و مدیرعامل پلتفرم داده‌های B2B با نام Covalo، گفت که هوش مصنوعی در کار با «داده‌های غیرساختاریافته»، به‌ویژه اسناد فنی مانند مقالات کارآزمایی بالینی، برگه‌های فنی، بروشورها، فهرست ترکیبات و اطلاعات پایداری، بسیار مفید است. Covalo از هوش مصنوعی برای تسهیل جستجوی سریع اطلاعات در این اسناد بهره می‌برد، به‌عنوان نوعی ابزار «راهنما».
با این حال، فون بارگن تأکید کرد که فراتر از این کاربردها، استفاده از هوش مصنوعی همچنان محدود است. «این حوزه هنوز بسیار نوپا است و ما در حال یادگیری هستیم.» به‌عنوان مثال، ChatGPT با ترکیب «هزاران منبع» گاهی تنها به دقت ۴۰ تا ۵۰ درصدی می‌رسد و نیازمند «پاک‌سازی شدید داده» است.
رادفورد نیز توضیح داد که شرکت Enkos Developments هنوز نمی‌تواند در مرحله تحقیق و توسعه به ChatGPT تکیه کند، چرا که در آزمایش داده‌های درون‌تنی (in vivo)، این ابزار تنها به دقت ۸۵ درصد رسید که «هنوز کافی نیست.»
او گفت: «واقعاً مشتاقم ببینم چطور می‌توانیم از این مدل‌ها استفاده کنیم، اما در حال حاضر، جایگزین یک شیمیدان متخصص که واقعاً می‌داند چه می‌کند نیستند. وقتی مدل‌ها به اندازه کافی خاص و برای هدف مشخصی طراحی شده باشند، می‌توانند مفید واقع شوند. اما استفاده از ابزارهای عمومی موجود، وقتی نهایتاً خودمان باید همه چیز را بازبینی کنیم، واقعاً باعث صرفه‌جویی در زمان نمی‌شود.»
با این حال، به‌واسطه سطح نوآوری در حوزه هوش مصنوعی، او معتقد است که صنعت زیبایی «در چند سال آینده، بحث کاملاً متفاوتی خواهد داشت.»
بازخورد مشتری و نیازهای مصرف‌کننده
از دیدگاه برندها، رادفورد گفت که شرکت‌های زیبایی با موفقیت از ابزارهای هوش مصنوعی برای جمع‌آوری و تحلیل بازخورد مشتریان از طریق نقدهای آنلاین استفاده کرده‌اند تا مشکلات یا الگوهای رایج را شناسایی و در مراحل بعدی توسعه محصول از آن بهره ببرند. «توسعه محصول یک فرایند ایستا نیست.» او توضیح داد که داده‌های زنده «قدرت بسیار زیادی دارند» هنگام بهبود فرمولاسیون محصولات.
آوا نیز تأیید کرد که داده‌ها در فهم بهتر و پاسخگویی مؤثرتر به نیازهای مصرف‌کنندگان بسیار قدرتمند هستند. پلتفرم‌های هوشمند می‌توانند داده‌های مرتبط را تجمیع کرده و تشخیص‌های دقیقی درباره دغدغه‌های مصرف‌کننده ارائه دهند، که به شناسایی محصولات مناسب یا تأثیرگذاری بر نوآوری‌های شخصی‌سازی‌شده کمک می‌کند.
او افزود: «بله، داده‌ها عالی هستند، تجمیع داده‌ها نیز عالی است، اما باید مطمئن شویم که شخصی‌سازی در تمام مراحل حفظ می‌شود.»
او در پایان گفت: «چیزی که ما برایش تلاش می‌کنیم، درک عمیق مصرف‌کننده است؛ در چارچوب نیازها و روتین‌هایش، تا بتوانیم محصولات و برندهایی بسازیم که مستقیماً با او ارتباط برقرار کنند.»