搜索是你明確地知道自己要找什么東西時所做的事情，而發現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“發現”為主要功能的網站正如雨后春筍般在互聯網上嶄露頭角。許多公司推出了能夠幫助消費者找到新網站、新唱片或者新朋友的推薦功能——不管想要什么，去互聯網上都可以發現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網時代的專利。早在互聯網出現之前，在那些用鋼筋混凝土搭建起來的小店面或者大賣場里，個體業主們就已經在靠自己敏銳的目光和三寸不爛之舌，根據你的個性特點把貨架上的商品源源不斷地放進你的購物籃。  

走進任何一條商業街上的某間服飾專賣店，流露出一點購物的傾向，導購人員就會走到跟前，指著不遠處說：“那款是最近剛上架的新品，看起來與你的氣質比較搭配”。這時你很可能會繼續和導購人員交談，多透露一些自己關于衣著打扮的看法，讓他或她繼續給出建議，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劃，卻并不知道應該買哪種品牌、款式、顏色、布料、價位的商品。走進商店之后，顧客面對未知的貨架開始了自己的“發現”之旅，而商店向顧客提供的“推薦”機制隨即開始運作——雖然在多數情況下，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系。看看架上收藏的無數影碟、iTunes播放器里的曲目列表、躺在櫥柜里那些用過的手機，從每一樣東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在的自己呈現出來。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。”

在真實的世界中，我們通過外表所蘊含的信息以及所處的環境和既有的經驗對他人做出判斷。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的。但是如果換到互聯網上，這件事情就會變得容易和清晰得多。

“發現”在網上的興起

日復一日，消費者都會在互聯網上以數字化的形態留下自己的心得體驗。比如豆瓣網上有一半觀眾覺得《滿城盡帶黃金甲》看著“還行”，兩成觀眾打分“力薦”；比如大眾點評網的用戶對北京川辦餐廳的打分是：口味26、環境13、服務12；又比如人們在網上對各張專輯做出的評論、貼上的標簽。每當用戶留下這樣的標記，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，商機大得驚人。這些公司比傳統商店里的導購人員更了解你，更進一步說，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有的產品選項中買下什么。這些在過去聽起來像“第六感”的東西，現在正以1和0為載體被保存在網絡服務器上。

對于那些以推薦功能為核心的網站來說，他們再清楚不過地知道，互聯網正在從搜索的時代進入發現的時代。兩者的區別在哪里呢？搜索是你明確地知道自己要找什么東西時所做的事情，而發現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。

在搜索領域，勝負已經非常明顯——在國外，Google遙遙領先，在國內，百度一枝獨秀。但是，起碼到目前為止，還沒有哪個推薦引擎是當之無愧的市場領導者。

建造個性化的發現機制需要對目前網上所有的表述、分類及評價方式進行深入研究，這絕非易事。但是如果有公司可以把這樣的東西做到手機上，那么，這樣的發現工具不僅僅可以改變營銷，甚至整個商業社會。“推薦系統將會成為接下來十年中最重要的革新之一。”曾經在90年代中期開發出第一批推薦引擎的米尼蘇達大學計算機科學系教授約翰·里德(John Riedl) 說過，“社會化網絡將會被這些系統所驅動。”

亞馬遜網絡商店(Amazon.com) 很早就意識到了一個優秀的推薦系統可以帶來什么，直到現在依然是同類網站效仿的對象。亞馬遜通過數據挖掘算法和比較機制將用戶的消費偏好與其他用戶進行對比，借以預測用戶可能感興趣的商品。

這樣的推薦系統建立在對商品深入了解的基礎之上。看看亞馬遜網絡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)和關鍵詞(Keyword)，而且用戶還可以為它貼上自己中意的標簽(Tag)。

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

為了建造更好的推薦系統，美國最大的DVD租賃網站Netflix設置了100萬美元的獎金，準備獎勵給可以讓推薦機制性能提高10%的人。在這個競賽公布之前，Netflix負責推薦系統的副總裁吉姆·貝內特 (Jim Bennett) 曾經懷疑是否能夠有人在十年之內完成這個目標，但他也堅持，這個目標確實值得公司付出100萬美元。但是在五周之后，已經有37人提交了改進方案，其中有兩名選手成績離獲獎標準并不遙遠。
兩種“發現”

而電影推薦網站“What to Rent” (意為“租點什么”) 已經在發現機制的完善之路上邁出了更大的步伐。該網站的兩位創始人馬修·庫爾克 (Matthew Kuhlke) 和亞當·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驗來武裝自己的電影數據庫。

而同時，他們讓初次光臨的用戶回答一系列隨機的問題，有的甚至和電影看起來關系不大，比如說：“你最喜好哪一類體驗——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，你就與這部電影產生了互動。這種互動和你與人打交道并沒有多少區別。” 庫爾克說，“你都是在建立一種關系。”

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

顯然，“What to Rent”網站兩位創始人的敏銳目光給他們幫上了大忙。在網站上，他們用許多問題來了解用戶的特質，并且推薦DVD。在現實生活中，他們會去公司附近的飯店里 挑戰一些更有難度的推薦方式。他們隨機地挑選一些人，不和他們進行交談，只是根據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，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，因為他們很難集中注意力，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，庫爾克認為《星河戰隊》(Starship Troopers) 這樣有點輕微反政府情節又有點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。


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

在這類發現型網站中，國內用戶最熟悉的是音樂推送網站“潘多拉” (Pandora) 。只要在“潘多拉”網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題，網站就會自動建立一個網絡電臺，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，可以點擊相應的反饋按鈕，讓系統更明白自己的喜好。

這種有趣的體驗建立在驚人的“音樂基因工程”(Music Genome Project)基礎之上。45位音樂分析師——其中大部分擁有音樂方面的學位——以每月15000首歌的速度完善“潘多拉”的曲目數據庫，每首歌都擁有400字左右的詳細介紹。在播放每一首歌的時候，點擊“為什么選擇這首歌”的選項，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。

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

以“協同過濾”推薦機制為核心，網站并不需要做出如同“What to Rent”的“性格—產品”匹配，而只需要了解“用戶都在同哪些人進行交往”、“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“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于圖書、電影和音樂的基本信息，而不需要由網站員工對用戶或者產品做出“貼標簽”式的逐一了解。用戶在“豆瓣”上發現新的產品，完全以他們參與的小組和關注的對象作為切入點，在網站上的參與度越高，發現的效果也就越好。

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

“協同過濾”在很大程度上避免了這個問題，但是他需要用戶達到一定數量級之后才能發揮出網站創建者預想的效果，這種“網絡效應”使得同一市場上的后來者很難找到切入的機會。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。■