Динамически рекомендуемые продукты, способные стимулировать действия каждого человека с помощью усовершенствованного алгоритма глубокого обучения.

Компания GlassesUSA.com, находясь на самой вершине воронки продаж в пути клиента, решила пересмотреть область, расположенную чуть ниже первого экрана, где исторически размещался виджет рекомендаций, демонстрирующий до шести различных продуктов. В надежде максимально использовать это центральное место, команда по электронной коммерции предположила, что если она сможет предлагать рекомендации, более точно адаптированные под каждого пользователя при входе на эту страницу, это не только улучшит коэффициенты добавления в корзину, но и увеличит количество покупок и общую выручку. В конце концов, классическая стратегия коллаборативной фильтрации, которая демонстрирует товары, представляющие интерес, на основе того, с чем взаимодействовали другие похожие пользователи, может быть очень эффективной, но рекомендации при этом не являются по-настоящему персонализированными.

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

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