Utilizzare il nodo SLRM (Self-Learning Response Model) per creare un modello che è possibile aggiornare continuamente o stimare nuovamente con l'aumentare delle dimensioni del dataset senza dovere ricreare ogni volta il modello utilizzando il dataset completo. Ad esempio, questo modello è utile quando si dispone di numerosi prodotti e si desidera identificare quale prodotto è più probabile che un cliente acquisti se gli viene offerto. Questo modello consente di prevedere quali sono le offerte più adatte per i clienti e qual è la probabilità che vengano accettate.

All'inizio, il modello può essere creato a partire da un piccolo dataset con proposte casuali e risposte a tali offerte. Con l'aumentare delle dimensioni del dataset, il modello può essere aggiornato e quindi migliora la sua capacità di prevedere quali sono le offerte più adatte per i clienti e qual è la probabilità che vengano accettate in base ad altri campi di input quali età, sesso, occupazione e reddito. È possibile modificare le offerte disponibili aggiungendole o eliminandole dall'interno del nodo, invece di dover modificare il campo di destinazione del dataset.

Prima di eseguire un nodo SLRM, è necessario specificare sia i campi di risposta di destinazione che di destinazione nelle proprietà del nodo. Il campo di destinazione deve avere un'archiviazione di tipo stringa e non numerica. Il campo di risposta di destinazione deve essere un indicatore. Il valore true dell'indicatore indica l'accettazione dell'offerta, mentre false ne indica il rifiuto.

Esempio. Una società finanziaria desidera ottenere risultati più redditizi nelle campagne future, inviando offerte mirate ai singoli clienti. È possibile utilizzare un modello di autoapprendimento per individuare le caratteristiche dei clienti che hanno le maggiori probabilità di rispondere in modo favorevole in base alle precedenti promozioni e per aggiornare il modello in tempo reale in base alle ultime risposte dei clienti.