Dynamisk anbefalede produkter, der forudsiges at drive handling fra den enkelte person med en avanceret algoritme til dybdegående læring.

GlassesUSA.com repræsenterede toppen af tragten i kunderejsen og besluttede at genoptage et område lige under folden, hvor de historisk set havde vist en anbefalingswidget med op til seks forskellige produkter. I håb om at få så meget værdi som muligt ud af denne fremtrædende placering fremsatte e-handelsteamet en hypotese om, at hvis de kunne give anbefalinger, der var mere skræddersyet til den enkelte ved adgang til denne side, kunne det ikke blot forbedre antallet af tilføjelser til kurven, men også øge køb og omsætning samlet set. En klassisk kollaborativ filtreringsstrategi, der viser interessante elementer baseret på, hvad andre lignende brugere har interageret med, kan trods alt være yderst effektiv, men anbefalingerne er ikke virkelig personlige.

1. Selvtræn hurtigt for at anbefale de mest præcise varer baseret på det omfattende produktkatalog samt tendenser set på tværs af webstedet
   

   
2. Tag ikke kun historisk adfærd i betragtning, men også aktivitet i løbet af sessionen for at fremvise varer, som kunderne mest sandsynligt vil interagere med eller købe
   
   
3. Fortsæt med at lære med hver ny data, der indføres i modellen, for at sikre, at anbefalingsresultaterne løbende optimeres over tid.