من المتوقع أن تؤدي المنتجات الموصى بها ديناميكيًا إلى تحفيز العمل لكل فرد باستخدام خوارزمية التعلم العميق المتقدمة.

نظرًا لأن موقع Glassesusa.com يمثل الجزء العلوي من مسار التحويل في رحلة العميل، فقد قرر إعادة النظر في منطقة أسفل الحظيرة مباشرةً حيث عرض تاريخيًا أداة توصية تعرض ما يصل إلى ستة منتجات مختلفة. على أمل استخلاص أكبر قدر من القيمة من هذا الموضع الأمامي والمركزي، افترض فريق التجارة الإلكترونية أنه إذا كان بإمكانه تقديم توصيات مصممة بشكل أكبر للفرد عند الدخول إلى هذه الصفحة، فلن يؤدي ذلك إلى تحسين معدلات الإضافة إلى عربة التسوق فحسب، بل زيادة المشتريات والإيرادات بشكل عام. بعد كل شيء، يمكن أن تكون استراتيجية التصفية التعاونية الكلاسيكية التي تعرض عناصر الاهتمام بناءً على ما تفاعل معه المستخدمون المماثلون الآخرون فعالة للغاية، ولكن التوصيات ليست مخصصة حقًا.

1. تدرب ذاتيًا بسرعة للتوصية بالعناصر الأكثر دقة استنادًا إلى كتالوج المنتجات الشامل بالإضافة إلى الاتجاهات التي تظهر عبر الموقع
   

   
2. ضع في اعتبارك ليس فقط السلوك التاريخي، ولكن أيضًا النشاط داخل الجلسة لعرض العناصر التي من المرجح أن يتفاعل معها المتسوقون أو يشترونها
   
   
3. استمر في التعلم مع كل جزء من البيانات الجديدة التي يتم استيعابها في النموذج لضمان تحسين نتائج التوصيات باستمرار بمرور الوقت