Há 6 meses, todo aluno via a mesma home: bestsellers do mês, novidades, produtos físicos. Hoje, cada usuário vê uma seleção pensada para ele — e a conversão subiu 38% sem mudar uma vírgula no checkout.
O modelo (e o que ele não é)
Não usamos um LLM gigante. Usamos um modelo de embeddings vector próprio, treinado nos sinais de comportamento dentro da plataforma: o que o aluno assiste até o fim, o que ele dropa no minuto 3, o que ele compra depois de avaliar.
- Embeddings de produto: descrição + transcrição das primeiras aulas + histórico de avaliações.
- Embeddings de aluno: cursos comprados, tempo médio assistido, áreas de interesse declaradas.
- Recall via similarity search; ranking final via gradient boosting com 22 features adicionais.
O que mudou na conversão
Antes: home convertia 2.1% dos visitantes em compra na primeira visita. Hoje: 2.9%. Pode parecer pouco, mas em volume isso é ~R$ 1.2M de receita incremental por mês — sem custo adicional de tráfego.
O que vem a seguir
Próximo passo é levar o mesmo modelo para a busca: quando você procura "ia para marketing", queremos ranquear primeiro os cursos que pessoas com perfil parecido com o seu de fato concluíram. Esperamos +20% de cliques nos resultados.