À propos du projet

INCIDB est une base de données multi-sources de formulations de soins de la peau et de cosmétiques qui transforme le texte brut des étiquettes d'ingrédients cosmétiques en un jeu de données relationnel normalisé. Elle combine des données sur les produits, les marques et la composition provenant d'Open Beauty Facts (ODbL) avec un enrichissement des ingrédients issu de l'inventaire CosIng de la Commission européenne, joint sur le nom INCI canonique exact. Le jeu de données contient sept tables : products (19 764 lignes), brands (6 412), ingredients (45 327 noms INCI canoniques distincts), product_ingredients (367 785 liens de composition ordonnés préservant la position sur l'étiquette), ingredient_name_map (77 367 lignes associant les jetons bruts des étiquettes aux noms canoniques avec la méthode de résolution et le niveau de confiance), fragrance_allergens (274 entrées de l'Annexe III de l'UE) et regulatory_status (637 lignes des Annexes II à VI de l'UE). Les données sont fournies en CSV UTF-8 délimité par des barres verticales et en Apache Parquet. Une caractéristique clé est ingredient_name_map, qui enregistre comment chaque jeton brut d'étiquette a été résolu en un nom INCI canonique à l'aide de méthodes explicites (correspondance exacte, nettoyage, mappage de fautes de frappe, suppression de pourcentages, suppression de parenthèses, mappage de synonymes, gestion des variantes avec barre oblique, découpage et signalement des cas non résolus). Cela permet une auditabilité complète du pipeline de normalisation plutôt que de faire confiance à une résolution en boîte noire. La couverture de l'enrichissement est rapportée de deux manières : par nom distinct (12,2 % de correspondance CosIng) et par occurrence sur les étiquettes (85,1 % de correspondance), ce qui reflète la nature à longue traîne de la dénomination des ingrédients. Le jeu de données inclut les indicateurs d'allergènes de parfum de l'UE (120 noms signalés, 47,2 % des produits contiennent au moins un allergène), le statut réglementaire des Annexes II à VI de l'UE, les indices de comédogénicité pour 142 ingrédients (transcrits de Fulton 1989) et les indicateurs de déclenchement de l'acné fongique pour 275 ingrédients (heuristique dérivée de règles). Un échantillon gratuit (200 produits, 1 123 ingrédients) est disponible, le jeu de données complet étant proposé à l'achat pour 79 $ en paiement unique. Les données sur les produits restent sous licence ODbL. Les cas d'usage incluent les applications de scan d'ingrédients, les modèles de formulation et de recommandation, l'enrichissement de places de marché de détail et la recherche réglementaire. Un portail en ligne avec schéma interactif et statistiques agrégées est disponible à l'adresse incidb.dataengineered.io.