Le défi
Les fondateurs voyaient un marché saturé d'allégations marketing et très peu de signal objectif. Les applications existantes notaient les produits via des règles opaques traitant chaque ingrédient de la même manière, indépendamment du contexte, du rôle ou de la concentration. Résultat: deux produits aux formulations très proches recevaient des notes radicalement différentes selon les services, ce qui érodait la confiance du consommateur dans toute notation.
Le brief était de bâtir quelque chose que l'équipe puisse défendre sur la science: une base d'ingrédients curée avec évaluations sourcées, un modèle de scoring tenant compte du rôle d'un ingrédient et de sa concentration typique dans la formulation, et une couche produit transformant cela en une note claire pour le consommateur sans masquer le raisonnement.
Notre approche
Nous avons construit la plateforme comme un produit SaaS multi-tenant via notre pratique développement SaaS sur mesure, avec le pipeline d'analyse cadré par notre équipe machine learning. La fondation de données fut la première priorité — une base d'ingrédients avec évaluations versionnées, citations vers des sources primaires lorsqu'elles existent, et un chemin d'escalade clair pour les ingrédients marqués comme ambigus.
Le modèle de scoring combine un noyau déterministe et une assistance IA. Des règles déterministes régissent les évaluations critiques de sécurité et les effets d'interaction connus, de sorte que le même intrant produise toujours le même résultat. L'IA est utilisée à deux endroits: l'ingestion des données d'étiquette produit dans une représentation normalisée que les règles peuvent traiter, et l'explication en langage naturel qui aide le consommateur à comprendre pourquoi un produit a reçu sa note. Chaque étape IA est livrée avec données d'évaluation et files de revue humaine.
La feuille de route a été séquencée selon notre approche conseil en intégration IA pour que l'équipe livre rapidement un v1 crédible, puis ajoute la personnalisation et l'analytique côté marque sur la même colonne vertébrale de données.
Résultat
La plateforme a été lancée avec une base assez large pour noter la grande majorité des produits grand public dans la région cible, et avec un modèle de notation que l'équipe peut expliquer en détail à un journaliste sceptique ou à un propriétaire de marque. Les premiers retours consommateurs ont régulièrement souligné la transparence du raisonnement de la note plutôt que la note elle-même, ce qui correspond exactement au signal de confiance que les fondateurs visaient.
La plateforme se positionne désormais pour s'étendre vers une analytique B2B destinée aux marques voulant comprendre comment leurs formulations se comparent sur le même modèle.
Stack utilisé
Durée
environ 7 mois pour la v1