那么在電商網站上，顧客買尿片時，你應該推薦什么呢?

　　這就要靠個性化推薦技術。它的一個基本思想是：通過所有顧客在網站上的歷史數據，使用“群體的智慧”來推測顧客還喜歡什么產品。

　　目前有兩大思路：

　　1.基于用戶的推薦

　　這是基于顧客的相似性，就是某個顧客和哪群人更相似?把這群人買的推薦給他。

　　業內現在最常使用的一個熱門技術，就是基于用戶的協同過濾。名字很高深，但是背后的道理非常簡單：人以群分。經常買同樣商品的人，也有相似的偏好。

　　比如，顧客甲買過《比爾·蓋茨傳》，乙買過《喬布斯傳》。通過數據看到，甲和乙都買過不少同樣的書，判斷他們的偏好比較相近，稱甲和乙這兩個顧客比較“相似”，可以把乙買的《喬布斯傳》推薦給甲。

　　基于用戶協同過濾的一個著名零售網站是CDNOW。這是一個音樂專輯的零售網站，網站有一個個性化推薦模塊：MyCDNOW。MyCDNOW其實是一個個性化的商店，每個人的MyCDNOW里面展示的都是他們喜歡的專輯。

　　這個個性化系統正體現了亞馬遜創始人杰夫 · 貝佐斯的話：“如果我有1百萬給顧客，我就應該有1百萬個商店。”CDNOW根據消費者評分的數據進行推薦，網站知道用戶A買了什么專輯，以及對專輯的打分。根據這些數據，CDNOW用協同過濾去尋找用戶A的鄰居。然后，把鄰居喜歡的但是A還沒買的專輯展示在A的MyCDNOW頁面上。

　　而Baynote應用協同過濾的技術，幫助網站解決問題。Baynote開發了“群體智慧平臺”，幫助網站提高消費者點擊率以及購買轉換率。它的解決方案是：把顧客和與他們相似的人聯系起來，讓一個群體內的成員來做“導購”。

　　2.基于產品的推薦

　　這個思路主要是判斷哪些產品之間更加相關。如果在網站的記錄中，很多用戶都同時擁有iPhone和配件，那么這兩個商品就比較相關。

　　再如，很多顧客的購買記錄里都有《比爾·蓋茨傳》和《喬布斯傳》這兩本書，可以推測這兩本書比較相關，有比較高的“關聯性”。如果發現新來的顧客丙買了其中一本，我們也可以向丙推薦另一本。

　　如果買了產品A的人從來不買產品B，買產品B的人也不會買產品A，那么這兩個商品距離很遠，關聯度比較低。

　　這種關聯的好處在于，對于大型零售網站來說，他們的用戶數量遠遠大于產品的數量，算用戶之間誰更相似可能要算1000萬次，但是算產品之間算10萬次就可以了。

　　有趣的是，現在不少零售網站把基于產品的推薦方法和其他的技術混合應用，取得了很好的效果。最熱門的混合應用就是將推薦和社會網絡結合起來。移動應用服務公司Goodrec最近把社會網絡加入個性化推薦系統，主要是借助于顧客的朋友、家人的評分信息來進行產品推薦。它讓顧客的朋友和家人做“導購”，把他們買的產品推薦給顧客。比如你的朋友最近買了一本書，他對這本書的評價不錯，Goodrec就把這本書推薦給你。Goodrec還可以幫助顧客選購禮物，你最近經常看一些MP3，你的朋友會收到推薦：“如果你想送禮物給他的話，送個MP3吧”。

　　個性化推薦技術能獲得顧客的忠誠。零售網站為顧客提供了有價值的購物體驗，對于顧客來說，他們購物過程更有效率了，也不需要為看一些無關的商品煩心。隨著顧客訪問網站次數的增加，我們對他的偏好也預測得越準確，從而給顧客帶來更高的價值。

　　未來，個性化電子商務將會因為社交媒體和移動互聯網而變得更加精準。比如在SNS和微博上，你無需離開Facebook等社交網站的頁面就可以下單購買商品。更重要的是，社交網站上的用戶網絡、訪問歷史和購物歷史為個性化商品推薦提供了更加豐富的數據。

　　未來的零售網站可能在你登錄的時候，開始與你對話：“今天你的心情好像不太好，你剛看了一篇‘如何減輕工作壓力’的文章，我們有一些相關的書，要不要看一下?”