Problema
Un brand luxury aveva bisogno di un sistema di raccomandazione, ma il collaborative filtering standard si rompe sul luxury — la frequenza di acquisto è bassa, la co-occurrence statistica tra clienti è sparsa, e l'estetica del brand conta molto più del clustering di prezzo. Un cliente che compra un pezzo non segue lo stesso pattern del successivo.
Approccio
Raccomandazione multimodale che combina embedding di immagini di prodotto, metadata strutturati di catalogo (collezione, stagione, tag estetici) e descrizioni in linguaggio naturale. Layer LLM che genera la motivazione della raccomandazione ("questo complementa il tuo pezzo precedente portando la stessa famiglia cromatica della collezione autunnale"), così i clienti vedono perché la raccomandazione è stata fatta — importante per una categoria dove fiducia e storytelling contano quanto il suggerimento stesso.
Stack
Multimodal embeddings · vector index · Claude / GPT-4 for rationale · structured catalogue API · Python service layer
Risultato
Raccomandazioni che rispettano il DNA estetico del brand piuttosto che inseguire pura co-occurrence statistica. Il layer di motivazione in linguaggio naturale ha superato le raccomandazioni silenti sull'engagement — i clienti luxury si aspettano una storia, non un suggerimento black-box.