Produits recommandés de manière dynamique et prédits pour inciter à l'action par individu grâce à un algorithme avancé d'apprentissage profond.

Représentant le sommet de l'entonnoir dans le parcours du client, GlassesUSA.com a décidé de revisiter une zone située juste en dessous du pli où il affichait historiquement un widget de recommandation présentant jusqu'à six produits différents. Dans l'espoir de tirer le meilleur parti de cette position centrale, l'équipe chargée du commerce électronique a émis l'hypothèse que si elle pouvait fournir des recommandations mieux adaptées à l'individu lorsqu'il accède à cette page, elle pourrait non seulement améliorer le taux d'ajout au panier, mais aussi augmenter les achats et le chiffre d'affaires en général. Après tout, une stratégie classique de filtrage collaboratif qui présente des éléments d'intérêt sur la base des interactions avec d'autres utilisateurs similaires peut être très efficace, mais les recommandations ne sont pas vraiment personnalisées.

1. S'auto-former rapidement pour recommander les articles les plus précis sur la base de son vaste catalogue de produits et des tendances observées sur le site.
   

   
2. Prenez en compte non seulement le comportement historique, mais aussi l'activité au cours de la session pour présenter les articles avec lesquels les acheteurs sont le plus susceptibles de s'engager ou d'acheter.
   
   
3. Continuer à apprendre avec chaque nouvelle donnée introduite dans le modèle afin de garantir que les résultats des recommandations sont continuellement optimisés au fil du temps.