SPOT: A Strategic Life-Cycle-Assessment-Based Methodology and Tool for Cosmetic Product Eco-Design
Notice bibliographique
Résumé
The cosmetics industry is facing growing pressure to offer more sustainable products, which can be tackled by applying eco-design. This article aims to present the Sustainable Product Optimization Tool (SPOT) methodology developed by L’Oréal to eco-design its cosmetic products and the strategies adopted for its implementation while presenting the challenges encountered along the way. The SPOT methodology is based on the life cycle assessment (LCA) of a finished product and its subsystems (formula, packaging, manufacturing and distribution). Several environmental indicators are assessed, normalized and weighted based on the planetary boundaries concept, and then aggregated into a single footprint. A product sustainability index (a single rating, easy to interpret) is then obtained by merging the environmental product rating derived from the single environmental footprint with the social rating (not covered here). The use of the SPOT method is shown by two case studies. The implementation of SPOT, based on specific strategic and managerial measures (corporate and brand targets, Key Performance Indicators, and financial incentives) is discussed. These measures have enabled L’Oréal to have 97% of their products stated as eco-designed in 2022. SPOT shows how eco-design can be implemented on a large scale without compromising scientific robustness. Eco-design tools must strike the right balance between the complexity of the LCA and the ease of interpretation of the results, and have a robust implementation plan to ensure a successful eco-design strategy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».