Динамічно рекомендовані продукти, які, за прогнозами, спонукатимуть до дії кожної людини, за допомогою вдосконаленого алгоритму глибокого навчання.

Представляючи собою саму вершину воронки продажів у шляху клієнта, GlassesUSA.com вирішив переглянути область трохи нижче згину, де раніше відображався віджет рекомендацій, що демонстрував до шести різних продуктів. Сподіваючись отримати якомога більше користі від такого розміщення на передньому плані, команда електронної комерції висунула гіпотезу, що якби вона могла надавати рекомендації, більш адаптовані до потреб користувача під час переходу на цю сторінку, це могло б не лише покращити показники додавання товарів до кошика, але й збільшити кількість покупок і дохід загалом. Зрештою, класична стратегія спільної фільтрації, яка відображає цікаві елементи на основі того, з чим взаємодіяли інші схожі користувачі, може бути дуже ефективною, але рекомендації не є по-справжньому персоналізованими.

1. Швидко навчайтеся самостійно рекомендувати найточніші товари на основі великого каталогу продукції, а також тенденцій, що спостерігаються на сайті.
   
   
2. Враховуйте не лише історію поведінки, але й активність протягом сеансу, щоб продемонструвати товари, з якими покупці найімовірніше взаємодіятимуть або які купуватимуть.
   
   
3. Продовжуйте навчатися з кожним новим фрагментом даних, що вводиться в модель, щоб забезпечити постійну оптимізацію результатів рекомендацій з часом.