搜索是你明確地知道自己要找什么東西時所做的事情，而發(fā)現(xiàn)是你并不明確地知道一些好東西存于世上的時候，這些東西主動找到了你。 

以“發(fā)現(xiàn)”為主要功能的網(wǎng)站正如雨后春筍般在互聯(lián)網(wǎng)上嶄露頭角。許多公司推出了能夠幫助消費(fèi)者找到新網(wǎng)站、新唱片或者新朋友的推薦功能——不管想要什么，去互聯(lián)網(wǎng)上都可以發(fā)現(xiàn)那些你聞所未聞卻又注定會一見鐘情的東西。

這種功能并不是互聯(lián)網(wǎng)時代的專利。早在互聯(lián)網(wǎng)出現(xiàn)之前，在那些用鋼筋混凝土搭建起來的小店面或者大賣場里，個體業(yè)主們就已經(jīng)在靠自己敏銳的目光和三寸不爛之舌，根據(jù)你的個性特點(diǎn)把貨架上的商品源源不斷地放進(jìn)你的購物籃。  

走進(jìn)任何一條商業(yè)街上的某間服飾專賣店，流露出一點(diǎn)購物的傾向，導(dǎo)購人員就會走到跟前，指著不遠(yuǎn)處說：“那款是最近剛上架的新品，看起來與你的氣質(zhì)比較搭配”。這時你很可能會繼續(xù)和導(dǎo)購人員交談，多透露一些自己關(guān)于衣著打扮的看法，讓他或她繼續(xù)給出建議，幫助選中最心滿意足的款式。

這就是我們所說的“逛”街。在走出家門的時候，你的腦中或許有買衣服的計(jì)劃，卻并不知道應(yīng)該買哪種品牌、款式、顏色、布料、價位的商品。走進(jìn)商店之后，顧客面對未知的貨架開始了自己的“發(fā)現(xiàn)”之旅，而商店向顧客提供的“推薦”機(jī)制隨即開始運(yùn)作——雖然在多數(shù)情況下，你并不會意識到它的存在。

我們不僅僅是在買商品，我們還和商品緊緊地捆綁在一起。我們和它們之間存在著千絲萬縷的聯(lián)系。看看架上收藏的無數(shù)影碟、iTunes播放器里的曲目列表、躺在櫥柜里那些用過的手機(jī)，從每一樣?xùn)|西身上都可以看出來——你是怎樣的一個人，或者說，你想成為怎樣的一個人。

每個人都通過所購買的東西把內(nèi)在的自己呈現(xiàn)出來。從另外一個角度說，人們每天都把個性穿在、戴在、掛在身上，刻意或無意、直白或含蓄地告訴外界：“喏，這就是我。”

在真實(shí)的世界中，我們通過外表所蘊(yùn)含的信息以及所處的環(huán)境和既有的經(jīng)驗(yàn)對他人做出判斷。這種直覺通常情況下十分管用而且立竿見影，但是有時候它卻會失算，畢竟感覺在很多時候是說不準(zhǔn)的。但是如果換到互聯(lián)網(wǎng)上，這件事情就會變得容易和清晰得多。

“發(fā)現(xiàn)”在網(wǎng)上的興起

日復(fù)一日，消費(fèi)者都會在互聯(lián)網(wǎng)上以數(shù)字化的形態(tài)留下自己的心得體驗(yàn)。比如豆瓣網(wǎng)上有一半觀眾覺得《滿城盡帶黃金甲》看著“還行”，兩成觀眾打分“力薦”；比如大眾點(diǎn)評網(wǎng)的用戶對北京川辦餐廳的打分是：口味26、環(huán)境13、服務(wù)12；又比如人們在網(wǎng)上對各張專輯做出的評論、貼上的標(biāo)簽。每當(dāng)用戶留下這樣的標(biāo)記，除了能夠讓其他人知道這些東西看起來如何、聽起來怎樣，還在不知不覺地向外界描述自己的口味。

對于那些可以獲得、儲存并且分析這些信息的公司而言，商機(jī)大得驚人。這些公司比傳統(tǒng)商店里的導(dǎo)購人員更了解你，更進(jìn)一步說，指不定比你的閨中密友更清楚你的興趣所在。這些公司可以精準(zhǔn)地描繪你的口味——在專家的幫助下，他們可能比你還更容易說清你自己屬于哪類人群——以此判定你最可能會在現(xiàn)有的產(chǎn)品選項(xiàng)中買下什么。這些在過去聽起來像“第六感”的東西，現(xiàn)在正以1和0為載體被保存在網(wǎng)絡(luò)服務(wù)器上。

對于那些以推薦功能為核心的網(wǎng)站來說，他們再清楚不過地知道，互聯(lián)網(wǎng)正在從搜索的時代進(jìn)入發(fā)現(xiàn)的時代。兩者的區(qū)別在哪里呢？搜索是你明確地知道自己要找什么東西時所做的事情，而發(fā)現(xiàn)是你并不明確地知道一些好東西存于世上的時候，這些東西主動找到了你。

在搜索領(lǐng)域，勝負(fù)已經(jīng)非常明顯——在國外，Google遙遙領(lǐng)先，在國內(nèi)，百度一枝獨(dú)秀。但是，起碼到目前為止，還沒有哪個推薦引擎是當(dāng)之無愧的市場領(lǐng)導(dǎo)者。

建造個性化的發(fā)現(xiàn)機(jī)制需要對目前網(wǎng)上所有的表述、分類及評價方式進(jìn)行深入研究，這絕非易事。但是如果有公司可以把這樣的東西做到手機(jī)上，那么，這樣的發(fā)現(xiàn)工具不僅僅可以改變營銷，甚至整個商業(yè)社會。“推薦系統(tǒng)將會成為接下來十年中最重要的革新之一。”曾經(jīng)在90年代中期開發(fā)出第一批推薦引擎的米尼蘇達(dá)大學(xué)計(jì)算機(jī)科學(xué)系教授約翰·里德(John Riedl) 說過，“社會化網(wǎng)絡(luò)將會被這些系統(tǒng)所驅(qū)動。”

亞馬遜網(wǎng)絡(luò)商店(Amazon.com) 很早就意識到了一個優(yōu)秀的推薦系統(tǒng)可以帶來什么，直到現(xiàn)在依然是同類網(wǎng)站效仿的對象。亞馬遜通過數(shù)據(jù)挖掘算法和比較機(jī)制將用戶的消費(fèi)偏好與其他用戶進(jìn)行對比，借以預(yù)測用戶可能感興趣的商品。

這樣的推薦系統(tǒng)建立在對商品深入了解的基礎(chǔ)之上。看看亞馬遜網(wǎng)絡(luò)書店上的書籍和影音制品，即便是再偏門的品種，他們也被管理員賦予了多種類型(Genre)和關(guān)鍵詞(Keyword)，而且用戶還可以為它貼上自己中意的標(biāo)簽(Tag)。

但是亞馬遜“相關(guān)圖書”和“相關(guān)唱片”的推薦機(jī)制依然沒有做到足夠的個性化，它看起來更像是一個固執(zhí)己見的推銷員，而非熟識并且值得信賴的小店老板。亞馬遜的系統(tǒng)傾向于向用戶推薦那些顯而易見的的相關(guān)產(chǎn)品，卻對用戶缺乏更深入的了解，并因人而異地推薦商品。新一代的發(fā)現(xiàn)型網(wǎng)站正在彌補(bǔ)這方面的缺失，搞清楚用戶為什么選擇了某些商品，為用戶也貼上復(fù)雜的屬性標(biāo)簽。

為了建造更好的推薦系統(tǒng)，美國最大的DVD租賃網(wǎng)站Netflix設(shè)置了100萬美元的獎金，準(zhǔn)備獎勵給可以讓推薦機(jī)制性能提高10%的人。在這個競賽公布之前，Netflix負(fù)責(zé)推薦系統(tǒng)的副總裁吉姆·貝內(nèi)特 (Jim Bennett) 曾經(jīng)懷疑是否能夠有人在十年之內(nèi)完成這個目標(biāo)，但他也堅(jiān)持，這個目標(biāo)確實(shí)值得公司付出100萬美元。但是在五周之后，已經(jīng)有37人提交了改進(jìn)方案，其中有兩名選手成績離獲獎標(biāo)準(zhǔn)并不遙遠(yuǎn)。
兩種“發(fā)現(xiàn)”

而電影推薦網(wǎng)站“What to Rent” (意為“租點(diǎn)什么”) 已經(jīng)在發(fā)現(xiàn)機(jī)制的完善之路上邁出了更大的步伐。該網(wǎng)站的兩位創(chuàng)始人馬修·庫爾克 (Matthew Kuhlke) 和亞當(dāng)·蓋特吉 (Adam Geitgey) 對電影極為癡迷，他們倆用自己在電影方面的知識和分類海量電影的經(jīng)驗(yàn)來武裝自己的電影數(shù)據(jù)庫。

而同時，他們讓初次光臨的用戶回答一系列隨機(jī)的問題，有的甚至和電影看起來關(guān)系不大，比如說：“你最喜好哪一類體驗(yàn)——精神、智力還是身體上的？”或者“給你多少錢才能讓你在下半輩子里每天都穿一些滑稽古怪的裝束？”他們通過心理測試來了解用戶，以推薦合適的電影。“看一部電影的時候，你就與這部電影產(chǎn)生了互動。這種互動和你與人打交道并沒有多少區(qū)別。” 庫爾克說，“你都是在建立一種關(guān)系。”

“工欲善其事，必先利其器”。換到發(fā)現(xiàn)型網(wǎng)站上，那就是想要推薦給用戶最有效的結(jié)果，那么就必須先了解自己的用戶。如何了解自己的用戶，成為此類網(wǎng)站首要解決的問題。

顯然，“What to Rent”網(wǎng)站兩位創(chuàng)始人的敏銳目光給他們幫上了大忙。在網(wǎng)站上，他們用許多問題來了解用戶的特質(zhì)，并且推薦DVD。在現(xiàn)實(shí)生活中，他們會去公司附近的飯店里 挑戰(zhàn)一些更有難度的推薦方式。他們隨機(jī)地挑選一些人，不和他們進(jìn)行交談，只是根據(jù)對行為舉止的觀察來推測他們最喜歡的某部電影。

他們會在人群中選中端水送飯兼收盤子的伙計(jì)，然后開始描述這個觀察對象：“破爛的牛仔褲、金屬手鐲、各部位有若干紋身”，“20歲以上接近30歲”，“在一個年輕化的餐館里工作”，“在這里的年輕人很多沒有念完高中，因?yàn)樗麄兒茈y集中注意力，但是卻花了大部分時間用來閱讀一些由藝人兼作家——比如尼克·凱夫 (Nick Cave) ——撰寫的哲理書籍”。由此，庫爾克認(rèn)為《星河戰(zhàn)隊(duì)》(Starship Troopers) 這樣有點(diǎn)輕微反政府情節(jié)又有點(diǎn)刺激動作場面的電影最適合他的口味。果然，他們從對方嘴里得到這個答案。


這種了解內(nèi)容和用戶的特質(zhì)，送上合適產(chǎn)品的做法，被稱為“基于內(nèi)容的過濾” (Content Based Filtering) 。正如“What to Rent”需要在事前對用戶做一個問卷調(diào)查，他們同樣要對內(nèi)容產(chǎn)品貼上各種門類的標(biāo)簽并且寫入數(shù)據(jù)庫。?藎

在這類發(fā)現(xiàn)型網(wǎng)站中，國內(nèi)用戶最熟悉的是音樂推送網(wǎng)站“潘多拉” (Pandora) 。只要在“潘多拉”網(wǎng)站首頁的播放器中輸入用戶最喜歡的歌手名字或者歌曲標(biāo)題，網(wǎng)站就會自動建立一個網(wǎng)絡(luò)電臺，源源不斷地播放最符合用戶口味的曲目。用戶喜歡或者不喜歡一首歌，可以點(diǎn)擊相應(yīng)的反饋按鈕，讓系統(tǒng)更明白自己的喜好。

這種有趣的體驗(yàn)建立在驚人的“音樂基因工程”(Music Genome Project)基礎(chǔ)之上。45位音樂分析師——其中大部分擁有音樂方面的學(xué)位——以每月15000首歌的速度完善“潘多拉”的曲目數(shù)據(jù)庫，每首歌都擁有400字左右的詳細(xì)介紹。在播放每一首歌的時候，點(diǎn)擊“為什么選擇這首歌”的選項(xiàng)，就可以得知目前播放的曲目與用戶輸入曲目的所有相似之處。

而隨著社會化網(wǎng)絡(luò)(Social Network) 的大規(guī)模興起，另一種被稱為“協(xié)同過濾”(Collaborative Filtering) 的推薦方式也得到了越來越廣泛的應(yīng)用。如果說“基于內(nèi)容的過濾”可以被視作由機(jī)器完成的推薦，那么“協(xié)同過濾”就可以被看成由人完成的推薦。

以“協(xié)同過濾”推薦機(jī)制為核心，網(wǎng)站并不需要做出如同“What to Rent”的“性格—產(chǎn)品”匹配，而只需要了解“用戶都在同哪些人進(jìn)行交往”、“用戶加入了哪些組群”、“用戶都在看誰的頁面”這樣的問題，然后根據(jù)“物以類聚、人以群分”的思路為用戶推薦他的伙伴都感興趣的事物。

國內(nèi)以圖書推薦起家的“豆瓣”就是這方面的代表。從建站以來，豆瓣就只是提供給用戶關(guān)于圖書、電影和音樂的基本信息，而不需要由網(wǎng)站員工對用戶或者產(chǎn)品做出“貼標(biāo)簽”式的逐一了解。用戶在“豆瓣”上發(fā)現(xiàn)新的產(chǎn)品，完全以他們參與的小組和關(guān)注的對象作為切入點(diǎn)，在網(wǎng)站上的參與度越高，發(fā)現(xiàn)的效果也就越好。

無論從用戶還是服務(wù)提供者的角度出發(fā)，這兩種推薦方式都有各自明顯的優(yōu)劣。如果采用“基于內(nèi)容的過濾”，那么在完成內(nèi)容和用戶互相匹配的過程中，就可能出現(xiàn)“越讀越窄”、“越聽越窄”、“越看越窄”的問題，提供的內(nèi)容完全與用戶興趣點(diǎn)相吻合，而沒有發(fā)散。

“協(xié)同過濾”在很大程度上避免了這個問題，但是他需要用戶達(dá)到一定數(shù)量級之后才能發(fā)揮出網(wǎng)站創(chuàng)建者預(yù)想的效果，這種“網(wǎng)絡(luò)效應(yīng)”使得同一市場上的后來者很難找到切入的機(jī)會。而用戶一旦不能得到“好處”，可能迅速離去，而來不及提“利他”的后話。■