我们的美国同行很早就发现，超市的尿片边上放上啤酒，能提升销量。因为在美国，负责买尿片的是爸爸，他们被差遣到超市购物时，都会顺手捎回几瓶啤酒。
那么在电商网站上，顾客买尿片时，你应该推荐什么呢？
这就要靠个性化推荐技术。它的一个基本思想是：通过所有顾客在网站上的历史数据，使用“群体的智慧”来推测顾客还喜欢什么产品。
目前有两大思路：
1.基于用户的推荐
这是基于顾客的相似性，就是某个顾客和哪群人更相似？把这群人买的推荐给他。网博站导锐购：管该向理买尿在片的线推荐啤酒吗?。
业内现在最常使用的一个热门技术，就是基于用户的协同过滤。名字很高深，但是背后的道理非常简单：人以群分。经常买同样商品的人，也有相似的偏好。
比如，顾客甲买过《比尔•盖茨传》，乙买过《乔布斯传》。通过数据看到，甲和乙都买过不少同样的书，判断他们的偏好比较相近，称甲和乙这两个顾客比较“相似”，可以把乙买的《乔布斯传》推荐给甲。
基于用户协同过滤的一个著名零售网站是CDNOW。这是一个音乐专辑的零售网站，网站有一个个性化推荐模块：MyCDNOW。MyCDNOW其实是一个个性化的商店，每个人的MyCDNOW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创始人杰夫 • 贝佐斯的话：“如果我有1百万给顾客，我就应该有1百万个商店。”CDNOW根据消费者评分的数据进行推荐，网站知道用户A买了什么专辑，以及对专辑的打分。根据这些数据，CDNOW用协同过滤去寻找用户A的邻居。然后，把邻居喜欢的但是A还没买的专辑展示在A的MyCDNOW页面上。
而Baynote应用协同过滤的技术，帮助网站解决问题。Baynote开发了“群体智慧平台”，帮助网站提高消费者点击率以及购买转换率。它的解决方案是：把顾客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”。
2.基于产品的推荐
这个思路主要是判断哪些产品之间更加相关。如果在网站的记录中，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。
再如，很多顾客的购买记录里都有《比尔•盖茨传》和《乔布斯传》这两本书，可以推测这两本书比较相关，有比较高的“关联性”。如果发现新来的顾客丙买了其中一本，我们也可以向丙推荐另一本。
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，那么这两个商品距离很远，关联度比较低。
这种关联的好处在于，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，算用户之间谁更相似可能要算1000万次，但是算产品之间算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和其他的技术混合应用，取得了很好的效果。最热门的混合应用就是将推荐和社会网络结合起来。移动应用服务公司Goodrec最近把社会网络加入个性化推荐系统，主要是借助于顾客的朋友、家人的评分信息来进行产品推荐。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就把这本书推荐给你。Goodrec还可以帮助顾客选购礼物，你最近经常看一些MP3，你的朋友会收到推荐：“如果你想送礼物给他的话，送个MP3吧”。
个性化推荐技术能获得顾客的忠诚。零售网站为顾客提供了有价值的购物体验，对于顾客来说，他们购物过程更有效率了，也不需要为看一些无关的商品烦心。随着顾客访问网站次数的增加，我们对他的偏好也预测得越准确，从而给顾客带来更高的价值。
未来，个性化电子商务将会因为社交媒体和移动互联网而变得更加精准。比如在SNS和微博上，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。
未来的零售网站可能在你登录的时候，开始与你对话：“今天你的心情好像不太好，你刚看了一篇‘如何减轻工作压力’的文章，我们有一些相关的书，要不要看一下？”