Retinol 0 1 Caffeine Revitalizing Eye Cream vs CeraVe Eye Repair Cream
Retinol 0 1 Caffeine Revitalizing Eye Cream — Retinol 0 1 Caffeine Revitalizing Eye Cream을(를) 고르세요 — 이 그룹에서 앞섭니다: 액티브 1
그룹명을 눌러 근거 확인 · 점수 산출 방식은 공개되어 있습니다
요약
Retinol 0 1 Caffeine Revitalizing Eye Cream가 69/100으로 승리합니다(CeraVe Eye Repair Cream 65).
주요 차이: 성분 수 (76 vs 39) · 스타 성분 (3 vs 2) · 피해야 할 성분 (39 vs 24).
점수는 12개 공개 사양에서 계산됩니다. 누락된 값은 미확인으로 표시되고 카테고리 중앙값으로 대체되며 실측으로 가장하지 않습니다.
한눈에 보기
그룹별 0–100, 카테고리 내 정규화 · 그룹명 누르면 상세로
고르는 방법
Retinol 0 1 Caffeine Revitalizing Eye Cream, 중요한 게…
- 스타 성분 3 +1 vs 2
- 레티노이드 ✓ vs —
CeraVe Eye Repair Cream, 중요한 게…
- 성분 수 39 +37 vs 76
- 피해야 할 성분 24 +15 vs 39
최저가
저렴한 대안
Glow Recipe Guava Vitamin C Bright-Eye Gel-Cream
Ole Henriksen Banana Bright Eye Crème
Cetaphil Hydrating Eye Gel-Cream
La Roche-Posay Hyalu B5 Eye Cream
RoC Retinol Correxion Eye Cream
Neutrogena Hydro Boost Eye Gel-Cream
차이점
4 · 실제로 다른 행만, 행마다 판정
| Retinol 0 1 Caffeine Revitalizing Eye Cream | CeraVe Eye Repair Cream | 차이점 | |
|---|---|---|---|
| 성분 수 | 76 | 39 | CeraVe Eye Repair Cream |
| 스타 성분 | 3 | 2 | Retinol 0 1 Caffeine Revitalizing Eye Cream |
| 피해야 할 성분 | 39 | 24 | CeraVe Eye Repair Cream |
| 레티노이드 | ✓ | — | Retinol 0 1 Caffeine Revitalizing Eye Cream |
전체 스펙
그룹별 접기 · 그룹명 눌러 접기
포뮬러4▾
| Retinol 0 1 Caffeine Revitalizing Eye Cream | CeraVe Eye Repair Cream | |
|---|---|---|
| 성분 수 | 76 | 39 |
| 스타 성분 | 3 | 2 |
| 피해야 할 성분 | 39 | 24 |
| 무향 | ✓ | ✓ |
액티브8▾
| Retinol 0 1 Caffeine Revitalizing Eye Cream | CeraVe Eye Repair Cream | |
|---|---|---|
| 나이아신아마이드 | ✓ | ✓ |
| 히알루론산 | ✓ | ✓ |
| 비타민 C | — | — |
| 세라마이드 | ✓ | ✓ |
| 레티노이드 | ✓ | — |
| 살리실산 | — | — |
| AHA 각질 제거제 | — | — |
| 클레이 | — | — |
데이터 출처: INCIDecoder
자주 묻는 질문
Retinol 0 1 Caffeine Revitalizing Eye Cream과(와) CeraVe Eye Repair Cream 중 무엇이 더 좋나요?
Retinol 0 1 Caffeine Revitalizing Eye Cream의 종합 점수가 더 높습니다(69 대 65), 액티브에서 앞섭니다. 성분 수이(가) 더 중요하다면 CeraVe Eye Repair Cream를 선택하세요.
주요 차이점은 무엇인가요?
주요 차이: 성분 수 (76 vs 39) · 스타 성분 (3 vs 2) · 피해야 할 성분 (39 vs 24).
점수는 어떻게 계산되나요?
12개 공개 사양을 카테고리 내에서 정규화하고 그룹별 가중치로 0–100점을 매깁니다. 누락 데이터는 동일 사양 모델에서 상속하거나 카테고리 중앙값으로 대체하므로 사양이 적은 제품이 유리해지지 않습니다. 방법론은 공개되어 있습니다.