از جمله راه‌های رفع این معضل استفاده از سیستم‌های پیشنهاددهنده است. این سیستم‌ها کمک می‌کنند هم ارتباط بهتری بین فروشنده و کاربر برقرار شود و بازدهی و سود فروش افزایش پیدا کند و هم کاربر راحت‌تر به چیزی که دوست دارد یا به دردش می‌خورد برسد و اعصابش به خاطر جست‌وجوی زیاد خط‌خطی نشود. حتی بعضی اوقات ممکن است سیستم پیشنهاددهنده چیزی را به کاربر پیشنهاد دهد که در آن لحظه در ذهنش نبوده ولی واقعا به آن علاقه داشته و دنبالش بوده است.

سیستم‌های پیشنهاددهنده اطلاعات موردنیاز درباره کالاهای فروشگاه و رفتار و مشخصات کاربر را می‌گیرند و با استفاده از الگوریتم‌های یادگیری ماشین بهترین گزینه‌ها را جلوی چشم کاربر قرار می‌دهند. هرچه اطلاعات ورودی به الگوریتم‌ها بیشتر باشد، دقت کارکردشان هم بیشتر می‌شود و کاربر حس بهتری پیدا می‌کند و در نتیجه فروش و درآمد فروشگاه هم سیر صعودی به خودش می‌گیرد.

استراتژی سیستم‌های پیشنهاددهنده را در سه دسته کلی می‌توان جای داد:

سیستم‌های پیشنهاددهنده عمومی
سیستم‌های پیشنهاددهنده محصول‌محور
سیستم‌های پیشنهاددهنده شخصی‌سازی‌شده (کاربرمحور)

هر استراتژی برای دسته‌ای از کاربران می‌تواند مفید باشد. اول باید دید که کاربر در کجای قیف فروش جا خودش کرده تا براساس آن استراتژی مناسب را تعیین کنید.

از نظر اجرا ساده‌ترین و کم‌هزینه‌ترین استراتژی‌ست و صدالبته انتظار بازدهی بالا هم از آن نباید داشته باشید. کاری به کار ویژگی و رفتار کاربران و مشخصات محصولات ندارد و فقط محصولاتی را که بیشترین فروش یا بازدید را داشته‌اند، یا به دلیلی سر زبان افتاده‌اند و یا اخیرا به فروشگاه اضافه شده‌اند، در نوار پیشنهادی فروشگاه قرار می‌دهد تا جلوی چشم کاربر باشد و کاربر به راحتی به آنها دسترسی داشته باشد.

این استراتژی هم کاری به کار کاربر و سلیقه و رفتار خاص او ندارد و فقط به ویژگی‌ها و مشخصات محصول مثل رنگ و اندازه و نوع و دسته‌بندی و دیگر محصولاتی که همراه با این محصول دیده یا خریده شده نگاه می‌کند. با توجه به این اطلاعات وقتی کاربر محصولی را می‌بیند یا به سبد خریدش اضافه می‌کند، سیستم پیشنهاددهنده محصولات مشابه یا محصولاتی را که همراه این محصول دیده و خریده شده‌اند، به کاربر نشان می‌دهد.

استراتژی کاربرمحرو پیچیده‌ترین استراتژی پیشنهاددهنده است که هم ویژگی‌های محصولات را مد نظر قرار می‌دهد و هم رفتار و سابقه و سلیقه کاربر را تا بتواند مرتبط‌ترین پیشنهادها را به کاربر ارائه بدهد. این استراتژی نیاز به جمع‌آوری سابقه تعامل کاربر با وب‌سایت دارد؛ چه محصولاتی را خریده؟ کدام محصولات را به سبد خرید اضافه کرده؟ از چه صفحه‌ها و محصولاتی بازدید کرده؟ روی کدام لینک‌ها کلیک کرده، سلیقه‌اش چطور است؟ و ...
اگر از سیستم‌های پیشنهاددهنده Collaborative یا مبتنی بر مشارکت استفاده شود، سابقه رفتاری کاربران در کنار یکدیگر دیده می‌شود، به این صورت که به کاربر کالاهایی پیشنهاد می‌شود که دیگر کاربران با سابقه رفتاری شبیه به کاربر موردنظر قبلا آنها را خریده‌اند یا توجه‌شان را جلب کرده. سیستم‌های دیگر براساس اطلاعاتی که از کاربر جمع می‌کنند، سلیقه و ترجیح او را می‌توانند یاد گرفته و براساس آن محصولات مرتبط را به او پیشنهاد دهند.

استراتژی عمومی برای هر کاربری می‌تواند استفاده شود؛ چه کاربرانی که اولین بار قدم به وب‌سایت شما گذاشته‌اند، چه کاربرانی که بعد از مدتی دوباره به شما سر زده‌اند و چه کاربران وفادار و همیشگی شما. استراتژی‌های محصول‌محور و کاربرمحور به شرط وجود داده‌ها و اطلاعات موردنیاز از محصولات و کاربران قابل استفاده خواهد بود و بیشتر به درد کاربران وفادار و پربازدید می‌خورد. البته استفاده ترکیبی از این سه استراتژی نتایج بهینه‌تر و موفقیت‌آمیز‌تری به دنبال دارد.

کاربران را براساس میل و قصدشان برای خرید می‌توان در سه دسته زیر جای داد:

کاربرانی که قصد اندکی برای خرید دارند و عموما برای اولین بار پایشان به فروشگاه باز شده؛ معمولا این دسته از کاربران از طریق جست‌وجو یا شبکه‌های اجتماعی و با گوشی موبایل وارد وب‌سایت می‌شوند.

کاربرانی که قصد متوسطی برای خرید دارند و عموما آنهایی هستند که بعد از مدتی دوباره سراغ فروشگاه آمده‌اند؛ این کاربران معمولا از طریق پویش‌های ایمیلی یا به صورت مستقیم و با رایانه‌های خانگی وارد وب‌سایت می‌شوند.

کاربرانی که قصد زیادی برای خرید دارند و در گذشته از فروشگاه خرید داشته‌اند یا کالاهایی را به سبد خریدشان اضافه کرده‌اند و معمولا کالاها را به صورت مستقیم در وب‌سایت جست‌وجو کرده‌اند.

برای کاربران دسته اول نمایش کالاهایی که قبلا همراه با کالایی که الآن می‌بینند، از سوی کاربرهای دیگر دیده شده می‌تواند آنها را تشویق کند که کالاهای بیشتری را ببینند و جست‌وجو کنند ولی برای کاربران دسته سوم نمایش و پیشنهاد کالاهایی که قبلا همراه با کالایی که الآن در حال خرید آن هستند، از سوی کاربران دیگر خریداری شده می‌تواند آنها را به خرید هر دو کالا در کنار هم تشویق کند.

کالاهایی که اخیرا از سوی کاربر دیده شده است؛
کالاهایی که شهرت زیادی بین کاربران دارند، زیاد دیده و خریده می‌شوند؛
کالاهای مشابه به کالایی که در حال حاضر کاربر آن را می‌بیند؛
کالاهایی که براساس سابقه چرخیدن و جست‌وجوی کاربر انتخاب شده است؛
کالاهایی که کاربران دیگر همراه با کالایی که در حال حاضر کاربر مشاهده می‌کند، دیده‌اند.

البته بازاریاب‌ها براساس تجربه‌شان می‌توانند قوانین و محدودکننده‌هایی را برای نمایش کالاها در نوار پیشنهاد اتخاذ کنند؛ مثلا کالاهایی که قیمت‌شان حداکثر ۵۰ هزار تومان باشد نمایش داده شود یا کالاهایی که اخیرا خریداری شده است.

هر صفحه از وب‌سایت یا هر مرحله از فروش می‌تواند استراتژی متفاوتی داشته باشد؛ مثلا پیشنهاد کالاهایی که همراه با کالای موردنظر کاربر دیده شده، برای صفحه محصول انتخاب مناسبی است یا پیشنهاد کالاهایی که همراه با کالای اضافه‌شده به سبد خرید قبلا خریداری شده، در صفحه سبد خرید می‌تواند مناسب باشد. پیشنهاد کالاهای محبوب و پربازدید و پرفروش هم در صفحه اصلی وب‌سایت گزینه خوبی‌ست.

جمع‌آوری اطلاعات از کاربران و سابقه رفتاری آنها اولین قدم برای سیستم‌های پیشنهاددهنده کاربرمحور است؛ هرچه اطلاعات بیشتر باشد و بهتر تحلیل شود، کالاها بهتر و دقیق‌تر پیشنهاد خواهند شد و بازدهی پیشنهاد بالاتر می‌رود.

محل زندگی
نوع دستگاه، مرورگر و سیستم عاملی که کاربر استفاده می‌کند
جنسیت، سن، وضعیت تأهل و ...
سابقه رفتاری کاربر در وب‌سایت: کلیک‌ها، بازدید از صفحات، اضافه کردن محصولات به سبد خرید، توقف در صفحات و ...
سلیقه و ترجیحی که کاربر در نمایش وب‌سایت انتخاب می‌کند
سابقه خریدهای قبلی کاربر
نحوه ورود کاربر به وب‌سایت: مستقیم، از طریق شبکه‌های اجتماعی، از طریق تبلیغات، از طریق لینک‌های معرفی سایر کاربران

اطلاعات مرتبط با محصولات نیز مثل اطلاعات کاربران مهم است. اطلاعاتی مثل:
SKU یا شناسه کالا
اسم کالا
URL مرتبط با کالا
قیمت
موجود بودن یا نبودن
تصاویر
کلمات کلیدی
رنگ
اندازه
دسته‌بندی
نوع