Динамически рекомендуемые продукты, которые, как ожидается, будут стимулировать действия индивидуально, на основе передового алгоритма глубокого обучения.

Будучи самой верхней частью воронки на пути клиента, GlassesUSA.com решил пересмотреть область чуть ниже первого экрана, где исторически отображался виджет рекомендаций, демонстрирующий до шести различных продуктов. Надеясь извлечь максимальную пользу из этого центрального размещения, команда электронной коммерции выдвинула гипотезу, что если бы она могла предоставлять рекомендации, более тщательно адаптированные для каждого пользователя при входе на эту страницу, это могло бы не только улучшить показатели добавления в корзину, но и увеличить количество покупок и общий доход. В конце концов, классическая стратегия коллаборативной фильтрации, которая демонстрирует интересующие товары на основе того, с чем взаимодействовали другие похожие пользователи, может быть очень эффективной, но рекомендации не являются по-настоящему персонализированными.

1. Быстро самообучается, чтобы рекомендовать наиболее точные товары на основе обширного каталога продукции, а также тенденций, наблюдаемых на сайте
   

   
2. Принимайте во внимание не только историческое поведение, но и активность в рамках сеанса, чтобы демонстрировать товары, с которыми покупатели, скорее всего, будут взаимодействовать или покупать
   
   
3. Продолжайте обучаться с каждым новым фрагментом данных, поступающих в модель, чтобы гарантировать непрерывную оптимизацию результатов рекомендаций с течением времени.