Applications of Artificial Intelligence and Machine Learning in Lens E‑Commerce: A Lightweight Recommendation System Prototype for Eyewear Companies

The thesis investigates how a lightweight, explainable recommender system can support online decisions in the prescription-eyewear sector. In a category characterized by high involvement, technical constraints and professional regulation, many customers still struggle to choose lenses autonomously, while firms look for ways to guide them without compromising trust or clinical responsibility. The research addresses three questions: whether a recommender can generate economic benefits in real contexts, through which mechanisms, and how such an approach can be adapted to optics starting from a “light” prototype. After reviewing the literature on recommender systems, their economic effects and trust-related issues, the thesis proposes a process tailored to the optical domain and implements an optional, rule-based prototype. The guide consists of four high-decision-content questions (use scenario, light sensitivity, prescription strength, budget) and returns one or two lens options accompanied by a short, transparent explanation. The prototype is tested through an online pilot with 33 respondents, who experience the guided journey and then evaluate clarity, perceived usefulness, intention to use, preference for guidance versus autonomous search, and serendipity. The analysis relies on descriptive statistics, Wilson confidence intervals for proportions, and synthetic proxies that link perceptions to conversion rate, average order value and, prudently, customer lifetime value. Results show high levels of clarity and usefulness, strong stated intention to reuse the guide and serendipity for more than half of respondents, especially among those without a strong initial preference. Conservative what-if scenarios suggest that even modest improvements in conversion and basket value could have non-negligible revenue and CLV effects, justifying subsequent A/B testing on real traffic. The work concludes that a simple, explainable recommender is consistent with optical-sector constraints and can serve as a low-risk stepping stone toward more advanced AI-based personalization, while also outlining the limitations of the small, non-probabilistic sample and directions for future research.

La tesi analizza come un sistema di raccomandazione “leggero” e spiegabile possa supportare le decisioni online nel settore delle lenti da vista. In una categoria ad alto coinvolgimento, con vincoli tecnici e regolamentazione professionale, molti clienti faticano a scegliere in autonomia, mentre le imprese cercano strumenti per guidarli senza intaccare la fiducia o sconfinare nella sfera clinica. Il lavoro risponde a tre domande: se un sistema di raccomandazione possa generare benefici economici in contesti reali, attraverso quali meccanismi e in che modo questo approccio possa essere adattato all’ottica partendo da un prototipo “light”. Dopo un inquadramento teorico sui recommender systems, sui loro effetti economici e sui temi di fiducia e trasparenza, la tesi propone un processo specifico per il settore ottico e implementa un prototipo opzionale basato su regole. La guida si compone di quattro domande ad alto contenuto decisionale (scenario d’uso, sensibilità alla luce, entità della correzione, budget) e restituisce una o due opzioni di lente accompagnate da una breve spiegazione comprensibile. Il prototipo viene testato tramite un pilota online su 33 rispondenti, che sperimentano il percorso guidato e valutano chiarezza, utilità percepita, intenzione d’uso futura, preferenza per la guida rispetto alla ricerca autonoma e serendipity. L’analisi utilizza statistiche descrittive, intervalli di confidenza di Wilson per le proporzioni e proxy sintetici che collegano le percezioni a tasso di conversione, valore medio dell’ordine e, in modo prudente, customer lifetime value. I risultati mostrano elevati livelli di chiarezza e utilità, una forte intenzione dichiarata di riutilizzare la guida e serendipity per oltre metà del campione, soprattutto tra chi non ha una preferenza iniziale definita. Scenari what-if conservativi indicano che anche incrementi modesti di conversione e valore del carrello possono produrre effetti economici non trascurabili, rendendo sensato un successivo A/B test su traffico reale. Il lavoro conclude che un recommender semplice e spiegabile è coerente con i vincoli del dominio ottico e può fungere da base a basso rischio per un’evoluzione verso forme più avanzate di personalizzazione basata su AI, evidenziando al contempo i limiti del campione ridotto e non probabilistico e le direzioni per future ricerche.