Produtos recomendados dinamicamente, com previsão de maior probabilidade de gerar ações para cada indivíduo, utilizando um algoritmo avançado de aprendizado profundo.

Representando o topo do funil na jornada do cliente, o GlassesUSA.com decidiu revisitar uma área logo abaixo da dobra, onde historicamente exibia um widget de recomendação mostrando até seis produtos diferentes. Na esperança de extrair o máximo valor possível dessa posição de destaque, a equipe de comércio eletrônico formulou a hipótese de que, se pudesse fornecer recomendações mais personalizadas para cada indivíduo ao acessar essa página, poderia não apenas melhorar as taxas de adição ao carrinho, mas também aumentar as compras e a receita em geral. Afinal, uma estratégia clássica de filtragem colaborativa que exibe itens de interesse com base nas interações de outros usuários semelhantes pode ser bastante eficaz, mas as recomendações não são verdadeiramente personalizadas.

1. Treine rapidamente para que ele recomende os itens mais adequados com base em seu extenso catálogo de produtos e nas tendências observadas em todo o site.
   
   
2. Leve em consideração não apenas o comportamento histórico, mas também a atividade durante a sessão para exibir itens com os quais os compradores têm maior probabilidade de interagir ou comprar.
   
   
3. Continue aprendendo com cada novo dado inserido no modelo para garantir que os resultados das recomendações sejam continuamente otimizados ao longo do tempo.