2014年，个性化成为热议话题。这并非空穴来风：以远见著称的亚马逊早在1996年就开启了个性化推荐；英国音乐平台Last.fm拥有4000万固定访客；Netflix则坐拥6000万用户。国内门户网站虽稍显逊色，但俄罗斯综合推荐服务Imhonet每月仍有1000万人访问。
如今我们已习惯个性化推荐，难以想象没有它的互联网。YouTube、Facebook、Ozon等大型内容网站或商店均通过推送可能感兴趣的内容来提升吸引力，进而提高点击率和购买率。
网店：个性化与转化率
转化率指完成期望行为的访客比例（如商店的购买、博客的转发）。但在电商中，转化链路远比社交点赞复杂：
- 社交点赞：看到（80%）× 点赞（80%）= 64%
- 电商购买：来到 → 找到 → 研究 → 比较 → 选择 → 购买
即使每个环节成功率均为80%，总概率也仅约26%。加之网站体验不佳、客服不专业、菜单偏好差异等个人因素，最终转化率往往只有2-3%。
我们要治疗吗？
试图通过彻底改版“治愈”低转化率代价高昂。设计取决于内容，还需优化图片、文案及后台管理，甚至调整人员流程。除非决心改变一切且资金充足，否则激进优化意义有限。
另一种提高转化率的方法虽不激进，但同样有效。
我们终于来到了个性化
假设商店转化率为2%，电子商务的核心机制便是个性化推荐。当推荐生效时，商品、横幅及促销均针对特定用户定制：
- 对雅芳化妆品感兴趣的用户，会看到该品牌最具吸引力的优惠；
- 选购“经济型”洗衣机的用户，合适选项已排列就绪。
推荐系统了解用户特征并提供高质量建议，帮助用户更快决策并完成购买。
网上商店差异太大，无法用单一模型进行个性化
在开发REES46时发现，相同算法在不同细分市场表现不一。
服装和鞋类
数学算法在此可能失效。例如智能手机店可根据品牌偏好、价格敏感度精准推荐；但在服装店，仅凭历史数据可能向男性顾客推荐女款胸罩，不仅无用甚至令人恼火。
还有更多例子吗？
快消品
日用品单价低，需提升客单价，常用策略包括：
- 遗忘商品提醒：系统记住购买习惯，若用户改用替代品或放弃某品类，推荐随之调整；
- 新兴趣推荐：针对此前未买过的商品，打破稳定购买习惯；
- 升级推荐：引导用户尝试更优质替代品，培养高品质消费习惯并提升客单价；
- 价格区间推荐：高支付能力客户不看低价品，低支付能力客户不看高价品。
同时辅以个性化热门、相似、关联及新品推荐。
旅游业
旅游推荐看似千篇一律，实则受行业特性影响显著。例如：
- 同龄不同龄男性对房型需求不同（长者重舒适，年轻人重体验）；
- 有家庭者推荐亲子度假选项；
- 商务出行者推荐靠近会议地点的酒店。
国家、酒店类型、交通及价格是旅游推荐系统的核心对象。
等等
行业定制化推荐是唯一可行方式。通用基础算法可能无效甚至产生错误结果造成损失。真正个性化的客户体验，源于对门店的个性化经营。