Динамически рекомендуемые товары, спрогнозированные для стимулирования действий каждого человека с помощью усовершенствованного алгоритма глубокого обучения.

Находясь на самой вершине воронки клиентского пути, GlassesUSA.com решили пересмотреть область, расположенную чуть ниже первого экрана, где исторически отображался виджет рекомендаций, демонстрирующий до шести различных продуктов. В надежде извлечь максимум выгоды из этого центрального размещения, команда по электронной коммерции предположила, что если она сможет предлагать рекомендации, более точно соответствующие индивидуальным потребностям пользователя при входе на эту страницу, это позволит не только улучшить показатели добавления товаров в корзину, но и увеличить число покупок и общую выручку. В конце концов, классическая стратегия совместной фильтрации, которая демонстрирует интересующие товары на основе того, с чем взаимодействовали другие похожие пользователи, может быть весьма эффективной, но рекомендации не являются по-настоящему персонализированными.

1. Быстро самообучается, чтобы рекомендовать наиболее точные товары на основе обширного каталога товаров, а также тенденций, наблюдаемых по всему сайту.
   

   
2. Учитывайте не только прошлые действия, но и активность в рамках текущей сессии, чтобы демонстрировать товары, которыми покупатели с наибольшей вероятностью заинтересуются или приобретут.
   
   
3. Продолжайте обучаться с каждым новым объемом данных, поступающим в модель, чтобы результаты рекомендаций постоянно оптимизировались с течением времени.