第1节  从搜索到推荐：给顾客看他们想买的产品

　　10年前，当销售经理们谈到网络购物时，只不过觉得它是一个稀奇的杂耍：把本来看得见摸得着的产品搬到网上卖，谁会愿意只看一眼图片就掏腰包呢？然而，没过几年，以淘宝为首的电子商务企业让中国数亿消费者领略了网络购物带来的前所未有的体验，从此网络购物不再是天方夜谭，销售经理们反而蜂拥而上，因为这是一项非做不可的生意。他们发现零售网站能为顾客提供新的价值：顾客随时随地都能买到他们想要的任何产品，几乎不受地域和时间的限制。如今，电子商务已经成为全球经济增长的一股重要力量，各种综合的、垂直的电子商务企业不断涌现并迅速发展壮大，传统企业也在纷纷向电子商务企业转型；风险投资领域更是“这边风景独好”，一笔又一笔天文数字般的热钱砸向这个有着无比巨大想象空间的领域。　　

　　然而，要把网络零售的生意做好并不是一件容易的事情。作为网站的销售经理，你可能已经花了大量的时间来优化网页、整理关键词、制定合理的价格策略、在大量相关的网站上发布吸引人的广告、发电子邮件给潜在的顾客……然后，你开始满怀期待地等待顾客的光临。第一位顾客来了，点击了三四个链接就走了；第二位顾客来了，买了个小鼠标，从此就再也没有来过；第三位顾客来了，花了两个多小时浏览你的网站，不但什么都没有买，还在网站上留下了让你伤心的留言：“这是一个糟糕的网站，怎么也找不到我想要的东西，浪费了我两小时的时间”。　　

　　哎，东西很多，却没有我想要的！　　

　　为什么你自己的网站产品齐全、价格公道、网站流量也不少，却没有出现你所期待的购买热潮？问题出在哪里呢？第三位顾客的留言告诉了我们原因：顾客不喜欢你的网站的浏览体验。为了找到他们想要的商品，他们需要浏览很多产品，其中很大一部分是顾客不感兴趣的。随着大同小异的各类电子商务网站越来越多，为了吸引和留住顾客，电子商务网站开始关心如何为顾客创造更好的购物体验——这不仅仅是美观的页面和方便的分类导航。　　

　　顾客想看哪些产品？　　

　　最初，顾客选择网上购物是因为方便，足不出户就可以将任何想买的产品采购齐全。然而，现在面对网站上海量的商品，顾客想省时省力地找到自己需要的产品并不容易。在浏览零售网站时，信息过载已经成为消费者网络购物的一个主要困扰。就像之前例子中第三位顾客所说，他们经常花了很长时间浏览页面，不得不看“一堆无聊的产品”。顾客希望在网站上浏览的时候，能看到更多他们喜欢并需要的产品，而不是大量的不相关产品。　　

　　你能猜得出我想要的是什么吗?　　

　　用鼠标投票：顾客体验有多重要　　

　　购物行为分析提高用户体验　　

　　对于零售网站来说，如果不能准确地为顾客展示他们喜欢的产品，让顾客将时间浪费在浏览自己不感兴趣的商品上，那么最终为顾客糟糕的浏览体验埋单的还是零售网站自己。网络营销解决方案提供商Questus公司的调查显示，在选择网络购物的消费者中，32%的人认为浏览体验非常重要；在决定不再网上购物的消费者中，22%是因为很难找到想要的商品。根据推荐技术服务公司Baynote的调查，如果人们点击了三次之后还无法找到自己想要的商品，95%的人会离开这个网站。　　

　　如何让用户找到他们想买的商品?　　

　　零售网站已经意识到这个问题，大多数网站现在都采用分类导航的办法来帮助顾客快速搜索到自己想要的产品。例如，顾客想买一本针对电子商务企业数据挖掘技术的书，他可以直接在计算机大类电子商务分类中找到相关的书籍。虽然这个分类导航可以帮助顾客把浏览范围从原来的1000本书缩减到100本，但是顾客仍需要逐一浏览这100本书来确定哪一本是他需要的，剩下的仍然有99本不是他想要的。而且，正所谓众口难调，每位顾客的需求都不一样。分类导航可以帮助顾客缩小搜索范围，但是不能从根本上解决信息过载的问题。更为重要的是，很多顾客登陆网站的时候并没有非常明确的购买需求或在购物后还想“随便逛逛”，这时候琳琅满目繁琐冗杂的分类表反而容易使顾客迅速疲倦。此时，如果能把顾客喜欢的书直接推送到顾客面前，他们一定会在微微吃惊后感到亲切和满意。

　　顾客不说，我们也能知道他们的喜好

　　既然顾客的偏好因人而异，零售网站更应该依据顾客的喜好来展示他们需要的商品，从而改善他们的浏览体验。这时候你可能在琢磨一个比较现实的问题：的确应该这么做，但是顾客不说，我们又如何能了解到每位顾客的偏好呢？个性化推荐技术已经给零售网站提供了解决方案。目前很多大型的零售网站，比如Amazon、CDNOW、Netflix等都在采用个性化推荐技术来改善顾客的购物体验。个性化推荐系统能够根据每位顾客在网站上的浏览和访问历史来挖掘顾客的个性化偏好，从而向不同的顾客展示他们各自需要的可能不同的商品。　　

　　美国最大的零售网站Amazon　　

　　Amazon是零售网站中使用个性化推荐技术的先驱。当顾客访问网站的时候，Amazon会记录顾客看了什么、买了什么以及对产品的评价。比如，网站的数据记录显示顾客甲买了一台iPod MP3，作为网站的经理人，你应该进一步想：有哪些与此相关的商品甲也可能会喜欢呢？iPod的汽车充电器可能是一个选择。你可能还从网站的历史记录中发现，之前购买过iPod MP3的顾客，不少人都买了新上市的iPhone，这时你可能会考虑甲是不是也可能会买一台iPhone。因此，对于零售网站来说，不需要把各种汽车充电器，Google Phone或BlackBerry等一股脑地堆到甲的页面上，只要展示iPod汽车充电器和iPhone就可以。对于顾客甲来说，也不需要在所有充电器和手机清单里逐个挑选哪个是自己喜欢的。事实上，在没有看到推荐前，顾客甲可能根本没有意识到他需要一个iPhone——但是“贴心的”推荐本身可能会刺激他的购买欲望。 智能的零售网站能够只展示顾客喜欢的产品，使他们觉得在网站上购物很有效率。通过个性化推荐技术，零售网站能够改善顾客在网站上的浏览体验，不仅让他们买到喜欢的产品，而且买得轻松、买得满意。　　

　　第2节  电子商务网站如何使用“群体的智慧”　　

　　前面的例子只是极简单的一类应用。个性化推荐技术能实现很多在我们看来十分神奇的效果。这时你可能会有一个疑惑：这个听起来有点“玄”的技术，零售网站能实施吗？前面我们已经提到，网站可以根据购买了某一款产品的所有顾客的历史数据来推测购买了这一款产品的用户还会对哪些产品感兴趣，这就是所谓的“群体的智慧”。比如，顾客甲和顾客乙都对电子商务感兴趣，他们都买过很多这方面的书籍，其中甲买过《网站页面设计》，乙买过《数据挖掘》。从用户的角度看，我们通过历史数据看到甲和乙都买过不少同样的书，据此可以判断他们的偏好比较相近，这时候我们称甲和乙这两个顾客比较“相似”。所以，我们可以把乙买的《数据挖掘》推荐给甲，因为乙喜欢的书很可能甲也会感兴趣。从产品的角度看，我们在历史数据中可能发现包括甲和乙在内的很多顾客的购买记录里都有《网站页面设计》和《数据挖掘》这两本书，这两本书的介绍和关键词或许也有重复之处。因此我们可以推测这两本书比较相关，称它们具有比较高的“关联性”。所以，如果发现新来的顾客丙买了其中的一本，我们就可以直接向丙推荐另一本。在接下来的内容中，我们将讨论零售网站是如何来实现这一思想的，包括网站可以利用的数据资源，以及如何使用这些数据资源。　　

　　挖掘网站历史数据的价值　　

　　很多零售网站都有非常丰富的顾客历史数据，包括登录、点击、浏览以及购买等等。这些数据都是零售网站的天然宝藏。如果你把数据放在地下室让它们堆满灰尘，这些数据就是一项负资产，它们需要硬件来存储，需要人员来管理，却没有任何使用价值。通过个性化推荐技术，我们能充分挖掘出这些数据的价值。　　

　　顾客历史数据中蕴含着巨大的价值！　　

　　个性化推荐技术主要关心顾客在零售网站上的三个方面的行为数据：首先是购买数据，比如我们在Amazon和Netflix上经常看到的“购买了该商品的人还购买了......”，这些推荐就是来自于购买数据；其次是对产品的评分，比如Levis的Style Finder网站可以让顾客给衣服打分，用1~7的数字表示你有多喜欢它；最后一种是浏览数据，比如顾客看过什么产品以及看了几次，看了多长时间等。现在这种数据还不常用，但是其中蕴含的信息量很大，因此是很有前景的待开发对象。　　

　　顾客喜欢什么产品？从数据中找答案　　

　　读到这里大家可能已经注意到一个问题：我们一直在强调借助相似的人或相关的产品来推测顾客可能喜欢哪些产品。作为零售网站，如何判断哪些顾客比较相似，或者哪些产品关联度高呢？既然需要运用“群体的智慧”，为什么甲和乙是相似的，《网站页面设计》和《数据挖掘》是相关的呢？这个问题的答案，就藏在零售网站的数据中。　　

　　在探讨如何从历史数据中挖掘出顾客之间的相似性和产品之间的关联度之前，先想想我们自己是如何判断这个问题的。用人工来判断两个人的相似性或产品的关联度很大程度上是靠直觉。对于顾客相似性的判断：如果两个人喜欢同样的一些产品，他们就比较相似。比如我们经常去图书大厦里看各种电子商务的书，同时发现有另外一个人也喜欢在电子商务的书架前晃悠，我们就会认为自己和这个人兴趣相近。对于产品关联度的判断：如果很多顾客的购买记录里都同时出现某两个产品，这两个产品的关联度就比较高。比如一些买过朗道的《统计物理学：卷Ⅰ》的顾客，他们的购买记录里都有《统计物理学：卷Ⅱ》。对于人来说，这是个非常容易的判断。个性化推荐系统就是要训练机器来学习人工判断的过程，主要方法也是通过分析哪些顾客喜欢同样一些产品，或哪两个产品会一起出现在大量顾客的购买记录里。　　

　　正如前面提到的，现在的零售网站在挖掘顾客的偏好时主要采取以下两种思路：一种是基于用户（user-based）来判断顾客之间的相似性，即判断某位顾客与哪群人更相似，于是把这群人买过的产品推荐给他。另一种是基于产品（item-based）来判断产品之间的关联度。对于第一种思路，业内现在常使用的一种技术就是基于用户的协同过滤。虽然名字听起来很高深，但是背后的道理却非常简单：人以群分，经常买同样商品的人，也有相似的偏好。虽然我们不知道顾客具体看上了产品的哪一点，但我们能知道都喜欢这个产品的人还可能会喜欢哪些其他的产品。比如我们不能知道甲和乙在买iPod的时候具体喜欢它的什么特征，但是我们能知道甲和乙在电子产品上的偏好相似，于是我们就能把乙购买过的，但是甲没有买过，甚至不知道的商品推荐给他。　　

　　使用基于用户的协同过滤技术的一个著名零售网站是CDNOW。它是一个出售音乐专辑的零售网站，网站有一个个性化的推荐模块：My CDNOW。My CDNOW其实是一个个性化的商店，每个人的My CDNOW里面展示的都是他们喜欢的专辑。这个个性化系统正体现了亚马逊总裁杰夫·贝佐斯的话：“如果我的网站上有一百万个顾客，我就应该有一百万个商店”。CDNOW主要是通过消费者的评分数据进行推荐，网站知道用户A买了哪些专辑以及给专辑的打分，根据这些数据，CDNOW就能用协同过滤的方法去寻找与用户A打分相似的“邻居”。然后，把“邻居们”评分很高，但是A还没买的专辑展示在A的My CDNOW页面上。　　

　　著名的音乐零售网站CDNOW　　

　　同时，也有一些专注于推荐技术的公司在使用协同过滤技术帮助用户解决问题。比如Baynote公司开发了“群体智慧平台”来帮助网站提高消费者的点击率以及购买转换率。Baynote的解决方案是：把消费者和与他们相似的人联系起来，让一个群体内的成员来做“导购”。例如，当我们看到自己的朋友购买了一本新书，我们也会更愿意去购买它。现在，公司正在为媒体和电子商务企业提供个性化的推荐服务——网络零售500强公司中有14家选择了Baynote的服务。　　

　　Baynote: 美国的推荐技术服务公司　　

　　群体的智慧　　

　　对于第二种思路（基于产品的推荐），主要是判断哪些产品之间更加相关。比如消费者对iPhone感兴趣，他对iPhone的各种配件也会有兴趣。判断iPhone和配件之间关系的依据是它们被共同购买的频率，有时也可利用商品的描述和分类信息。在网站的记录中，如果有很多用户都同时拥有iPhone和配件，那么这两个商品就比较相关。当然，基于产品的推荐不仅能发现互补的商品（就像手机和配件），而且还能发现一些有潜在联系的商品。　　

　　最简单的挖掘产品关联性的方法是购物篮分析，它主要分析顾客过去的每一次交易里，哪些产品会一起出现。以前，有不少大型超市根据购物篮分析来优化货架的位置，最广为人知的例子是，上世纪九十年代初期，美国中西部的一家零售商通过分析消费者的购物篮发现了著名的“啤酒-尿布综合症”：年轻男顾客的购物篮中，尿布和啤酒经常会同时出现。一个潜在的联系是：这些年轻的男顾客被老婆打发出来买尿布之后，都会自己拎一罐啤酒回去。那么，对于年轻的男顾客，每次他们出来买尿布的时候，我们都可以向他推荐啤酒；而年轻的女顾客出来买尿布的时候，再推荐啤酒对就没有意义了。　　

　　现在，使用得比较多的方法是基于产品的协同过滤，前面提到的零售网站Amazon也采用了相关的技术。与基于用户的协同过滤相类似，基于产品的协同过滤是看哪些产品与另外的产品更相近。如果买了产品A的人从来不买产品B，买产品B的人也不会买产品A，这两个商品的距离很远，关联度比较低。基于产品的协同过滤有一个明显的优点，对于大型零售网站来说，他们的用户数量远远大于产品的数量。计算用户之间的相似性可能要算1000万次，但是产品之间的相似性只需要计算10万次就可以了。　　

　　有趣的是，现在不少零售网站把基于产品的推荐方法与其他技术结合起来使用，取得了很好的效果。最热门的混合应用就是将推荐技术和社会化网络结合起来。Goodrec[1]最近把社会化网络加入到了个性化推荐系统中，主要是借助于顾客的朋友、家人的评分信息来进行产品的推荐。它让顾客的朋友和家人做“导购”，把他们买的产品推荐给顾客。比如你的朋友最近买了一本书，他对这本书的评价不错，Goodrec就会把这本书推荐给你。Goodrec还可以帮助顾客选购礼物，比如你最近经常看iPad，你的朋友会收到推荐：“如果你想送礼物给他，就送个iPad吧”。　　

　　Goodrec 的个性化推荐系统　　

　　[1] Goodrec是一个在2008年Techcrunch 50会议上推出的移动应用服务公司，后更名为Mob.ly。2009年Goodrec 推出了适用于手机浏览器的推荐引擎，基于用户在手机上对不同产品浏览时的评分。由于用户是在手机上进行评价，Goodrec采取了简单的评价方式：用户对浏览过的餐厅、酒吧等评价对象，只需评价“好”、“不好”或“不知道”或简单短信。2010年5月，该公司被美国著名团购网站Groupon收购。

　　第3节  个性化推荐技术能为网站带来什么

　　在了解了个性化推荐技术如何学习顾客偏好并创造他们更满意的体验之后，零售网站的经理们都忍不住会问一句：然后呢？到底个性化推荐技术能给我的网站带来什么？　　

　　回到在本章最初提到的经理人的困惑，他们最关心的是如何将顾客的浏览转化为更多的销售额。对于第一个顾客和第三个顾客，他们在网站上点击了一通后就离开了，是因为他们没有找到想买的产品。针对这种顾客，个性化推荐技术能够帮助他们找到想买的产品。对于第二位顾客，他只买了一个鼠标，而且之后再也没有光顾过。一方面可能是由于买了鼠标之后，网站没有向他推荐其他相关的产品；另外一方面可能是因为他找到了购物体验更好的网站。针对这种购买者，一方面，个性化推荐技术能够根据他购买的产品来推荐一些相关的产品，从而提高交叉销售额。如果他买了个鼠标，我们再问问他要不要键盘。使用这样的方法，Baynote曾帮助Urban Outfitters网站带来了三位数的销售额增长。另一方面，也是更重要的一点，个性化推荐技术能提高顾客的忠诚度。零售网站为顾客提供了有价值的购物体验，提高了顾客的购物效率，使他不再需要为浏览一些无关的商品烦心。随着顾客访问网站的次数的增加，我们对他的偏好的预测也会更准确，从而给顾客带来更多的价值。这时候，零售网站获得了独特的优势：我们对顾客的偏好了如指掌，顾客要是去了另一个零售网站，新网站不会像我们这么了解他。即使其他网站也采取了同样的个性化推荐技术，哪个顾客愿意去重新训练一个新的网站，让它知道一些我们已经很清楚的偏好呢。在竞争激烈的网上零售商战中，个性化推荐技术能通过积累顾客行为数据和更好把握顾客选择偏好而增加顾客的忠诚，因为顾客转换网上零售店的成本不再是点击两下鼠标了，而是要花很长时间在新网站的数据库上打上自己的烙印。　　

　　我们还需要提示零售网站使用个性化推荐技术的风险。前面我们讨论了如何推荐消费者喜欢的产品，以及这样做带来的好处。然而，技术不是完美无缺的，即使这项技术帮助我们挖掘出了一些可以推荐的产品，但是否需要推荐给顾客还要考虑他们的感受。如果不加选择的把通过推荐技术挖掘出来的产品放在页面上，就可能会产生一些不合适的推荐，这可能会给零售网站带来麻烦。2006年，沃尔玛被迫为他们的“种族歧视”的DVD推荐公开道歉：顾客发现在浏览DVD的时候，点击了科幻影片《决战猩球》之后，沃尔玛向他们推荐了《马丁·路德金》。顾客对“把黑人领袖当猿人”这件事情十分愤慨！虽然沃尔玛不断解释这个推荐的错误完全没有任何恶意，但顾客仍觉得沃尔玛的推荐伤害了他们的感情。所以，当技术挖掘出可以推荐的产品之后，我们还要看看把这些产品放在顾客的页面上是不是合适，这是技术以外的一个问题。　　

　　沃尔玛的不恰当推荐　　

　　除了不合适推荐以外，顾客比较敏感的另一个问题是个人隐私。有些时候，顾客的购买记录、购物习惯以及对产品的评价不一定愿意让别人知道。比如你最近在一个零售网站上购买了一些减肥药，第二天你所有的朋友都收到了以下的推荐：“您的好朋友××最近购买了一些减肥药，他（她）说效果不错，你要不要也来一些？”这可能会给你带来不少尴尬。从零售网站的角度看，收集更详细的数据是保证推荐准确率的一种方法，但是可能会让消费者觉得个人的隐私受到了侵犯。　　 

　　保护用户的隐私　　

　　无论展示的结果如何，零售网站首先应该保证消费者能够接受网站上的推荐系统。亚马逊解决这个冲突的方法是允许消费者自己修改浏览记录，如果消费者觉得网站记录的太多，他们有权利删除所有的记录。　　

　　在顾及消费者隐私感受方面，ZAPPOS[1]是一个值得借鉴的榜样。ZAPPOS现在的个性化推荐由ChoiceStream团队负责，他们采取简单的基于用户的推荐思路。有些人提出如果ZAPPOS选择更复杂、更有效的推荐技术，销售额和浏览量可以更大。然而，ZAPPOS决定暂不采用这些更有效的新技术，因为他们认为：“这些技术现在让消费者感到ZAPPOS过度侵入了自己的生活。虽然采用新技术在短期能提高销售额，但是如果一旦让消费者产生反感，从长期来看反而得不偿失，会伤害到零售网站本身”。　　

　　[1] Zappos是一家美国卖鞋的B2C网站，自1999年开站来，如今已成长为网上卖鞋的最大网站, 2009年被亚马逊以8.47亿美元收购。

　　第4节 个性化电子商务的未来

　　从1997年12月中国化工网作为国内首家B2B网站上线开始，中国电子商务过去14年的发展经历了萌芽期（1997-1999）、调整期（2000-2002）、回暖期（2003-2005）、高速发展期（2006-2007）、转型期（2008-2010）共5个阶段。从交易方式上看来，以B2B开始，接着C2C壮大，发展到以B2C为主导的整体趋势。从2011年开始，我们看到电子商务行业的竞争越发激烈：不仅平台如京东、淘宝和当当之间竞争白热化，在每一个细分领域都形成了多家有规律的电商企业。依赖风投资本烧钱式的跑马圈地决非电商企业健康成长的正确战略，只有采用精细化管理，从外部流量的导入到站内转化再到交叉销售的每一个环节的精耕细作，采用个性化推荐和营销手段，才能够极大提升用户体验与用户转化率，在激烈的战役中取得关键优势。　　

　　未来的几年里，基于社会化网络的电子商务会蓬勃发展，既包括新兴网站美丽说和蘑菇街等，也包括基于新浪、腾讯、搜狐微博的电商化应用。同时，线上到线下（Online to Offline,O2O）的个性化整合也将引领更多传统品牌和商家进入电商领域。从国美收购库巴网和苏宁易购的发展，再到李宁和百丽等传统商家网络销售渠道的成功拓展，这些例子都暗示传统销售巨头们也将对电商行业产生巨大的冲击。　　

　　基于社会化网络的电子商务　　

　　在SNS和微博成为焦点的互联网时代，你无需离开Facebook等社交网站的页面就可以下单购买商品。更重要的是，社交网站上的用户网络、访问历史和购物历史为个性化商品推荐提供了更加丰富的数据。作为一个铁杆的网球迷，你登陆社交网站时可能会发现网站向你推荐了新款的威尔逊BLX球拍。该推荐可能是基于你在留言中提到的想买一个网球拍，也可能是由于你在Facebook上的球友买了这款球拍，还可能是因为你在六个月之前买了一个威尔逊网球拍。在不久的将来，社交网络+电子商务将为商家提供向上销售（up-selling）的重要渠道。　　

　　位于旧金山的初创公司Storenvy（storenvy.com）为消费者免费提供交易平台，让他们建立自己的网上商店，消费者们可以轻松地在Twitter和Facebook等社交网站或Storenvy自己的网络市场上开展促销活动。Storenvy的首席执行官乔恩·克劳福德（Jon Crawford）将Storenvy定位为“电子商务的Tumblr”，即一个更加易用、更加社会化的电子商务网站。2011年5月，淘宝也推出了“淘江湖”这一社交网络产品，并添加了“好友分享”功能。此外，今年火爆的微博上也不乏凡客等B2C商家的身影。在未来，社交网络将成为在线零售和电子商务的重要平台。　　

　　Storenvy：社交网络+电子商务　　

　　电子商务应用：整合线上线下购物　　

　　当你在书店看到《吃饭、祈祷、爱情》的原版图书时，你可能会犹豫网上的价格是不是更便宜。你掏出智能手机，扫描一下图书的条码，立即就可以查看网上同样商品的价格。Amazon已经推出了适用于Android平台的掌上Amazon应用。除了比较价格以外，电子商务网站的手机应用还将结合基于位置的个性化技术。当你走进书店的畅销书区的时候，书店的电子商务应用会向你推荐你可能喜欢的图书的优惠券。现在，京东、麦考林和凡客等都已经推出了手机应用，进军移动电子商务领域。而作为Web2.0概念下的佼佼者，大众点评网通过手机下载优惠券，迅速打通了线上与线下营销产业链。2011年8月，大众点评网发布了移动互联网新战略并对外公布其手机客户端独立用户数突破千万大关 ，目前其手机优惠券的使用量已是PC优惠券的两倍。毫无疑问，智能手机未来将整合线上和线下的购物平台。　　

　　Amazon基于Android平台的移动应用　　

　　当所有零售网站都采用个性化之后　　

　　在本章的最后，我们试图来考虑一个未来的问题：当所有的零售网站都采用了个性化推荐之后，新的竞争点在哪里？以前我们只关心哪个企业开了网上零售店，而现在已经开始关心哪些企业采用了个性化推荐技术，如何才能让顾客在网站上买得轻松、满意。在这之后，我们又该用什么方法来创造更好的顾客体验呢？　　

　　个性化推荐技术主要是挖掘顾客的偏好。为了创造更好的购物体验，下一个竞争点在于零售网站能不能更快速地挖掘消费者的偏好。也就是说，网站要了解顾客喜欢什么，而且还要快，从而能更好地应对顾客喜好的变化。现在的情况是，所有零售网站采用的技术都差不多，所以挖掘顾客偏好的速度也一样。那么，更早吸引消费者的网站会收集到更多的用户数据，把后来的竞争者阻挡在外。但是，如果后来者能够更快速地去了解用户偏好，给出更准确的推荐，顾客就会逐渐开始考虑换地方了。虽然前期顾客们需要投入一段时间来“训练”新的零售网站，但是后期这个网站能对偏好转换做出更快速的反应，更好地满足自己的需求的变化。未来的零售网站可能在你登录的时候就开始和你的对话：“今天你的心情好像不太好，我们注意到你看了一篇‘如何减轻工作压力’的文章，我们有一些关于如何应对工作压力的书，你要不要看一下？”