La sfida
I fondatori vedevano un mercato saturo di affermazioni di marketing e con pochissimo segnale oggettivo. Le app esistenti tendevano a valutare i prodotti tramite regole opache che trattavano ogni ingrediente allo stesso modo a prescindere da contesto, ruolo o concentrazione. Il risultato era che due prodotti con formulazioni molto simili venivano valutati in modo radicalmente diverso da servizi diversi, erodendo la fiducia del consumatore in qualsiasi voto.
Il brief era costruire qualcosa che il team potesse difendere sulla scienza: un database di ingredienti curato con valutazioni con fonti, un modello di scoring che tenesse conto del ruolo dell'ingrediente e della concentrazione tipica nella formulazione, e un livello di prodotto che lo trasformasse in un voto chiaro per il consumatore senza nascondere il ragionamento.
Il nostro approccio
Abbiamo costruito la piattaforma come prodotto SaaS multi-tenant attraverso la nostra pratica sviluppo SaaS su misura, con la pipeline di analisi inquadrata dal nostro team machine learning. La fondazione di dati è stata la prima priorità — un database di ingredienti con valutazioni versionate, citazioni a fonti primarie dove esistono, e un percorso di escalation chiaro per gli ingredienti segnalati come ambigui.
Il modello di scoring combina un nucleo deterministico e un'assistenza IA. Regole deterministiche governano le valutazioni di sicurezza critica e gli effetti di interazione noti, in modo che lo stesso input produca sempre lo stesso output. L'IA è usata in due punti: l'ingestione dei dati di etichetta in una rappresentazione normalizzata su cui le regole possano operare, e la spiegazione in linguaggio naturale che aiuta il consumatore a capire perché un prodotto ha ricevuto quel voto. Ogni passaggio IA è rilasciato con dati di valutazione e code di revisione umana.
La roadmap è stata sequenziata con il nostro approccio di consulenza per l'integrazione IA in modo che il team potesse rilasciare in fretta una v1 credibile, per poi sovrapporre personalizzazione e analytics lato brand sulla stessa spina dorsale di dati.
Risultato
La piattaforma è stata lanciata con un database abbastanza ampio da valutare la grande maggioranza dei prodotti mainstream nella regione obiettivo, e con un modello di scoring che il team può spiegare in dettaglio a un giornalista scettico o a un brand owner. I primi feedback dei consumatori hanno costantemente evidenziato la trasparenza del razionale del voto piuttosto che il voto in sé, esattamente il segnale di fiducia che i fondatori avevano fissato come criterio di successo.
La piattaforma è ora posizionata per estendersi verso analytics B2B per i brand che vogliono capire come le proprie formulazioni si confrontino sullo stesso modello.
Stack utilizzato
Durata
circa 7 mesi per la v1