Optimizing product recommendations for a try-before-you-buy fashion e-commerce sit

Resumo

O mercado de e-commerce de moda experimentou um crescimento significativo e cada vez mais os clientes tendem a comprar produtos online, em vez de em lojas físicas. No entanto, muitos itens são devolvidos ao vendedor após a compra online, pois os clientes têm dificuldade em encontrar o produto certo adequado às suas preferências pessoais devido à falta de exame físico e às descrições de produtos enganosas. A categoria de lingerie feminina sofre muito com as altas taxas de devolução. Diferentes fontes relatam que entre 70% e 100% das mulheres usam sutiãs do tamanho errado. As recomendações personalizadas através dos chamados sistemas de recomendação desempenham um papel essencial no e-commerce. Esta tese visa otimizar as atuais recomendações de produtos de uma start-up belga chamada CurveCatch que vende artigos de lingerie feminina online e depende de um conceito de experimente antes de comprar. Para prever quais produtos um cliente é mais propenso a comprar, foram introduzidos dois diferentes abordagens de aprendizadoprofundo personalizadas. A escassez de dados foi abordada rotulando cada produto único por cliente e as classes minoritárias foram sobreamostradas sinteticamente. Os resultados demonstraram que os sistemas de recomendação também podem ser uma fonte valiosa de recomendação de produtos para start-ups com dados escassos. No entanto, os resultados também sublinharam as bem conhecidas limitações dos sistemas de recomendação. Ambos os modelos lutaram especialmente ao identificar os produtos que um cliente é mais propenso a comprar, enquanto era relativamente fácil identificar os produtos que um cliente não é propenso a comprar.

Data do prémio	3 fev. 2023
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Joren Gijsbrechts (Supervisor)