為了使網站瀏覽者轉變成為實實在在的購買者，盡可能防止瀏覽者在短時間內放棄瀏覽網站，提高其對網站的忠誠度，不少網絡企業(yè)想出各種各樣的策略。對于網絡企業(yè)分析瀏覽者行為的需求不斷增長，目前，已經促使了三個主要的技術集群來嘗試著解決這一問題 ，它們分別是：點擊流分析工具、基于過濾的協(xié)作推薦信息系統(tǒng)和數據采集處理機制。當前，個性化已經是營銷手段的重要策略，個性化的思想已經延伸到各行各業(yè)。在個性化設計系統(tǒng)的名義下，點擊流分析工具、基于過濾的協(xié)作推薦信息系統(tǒng)和數據采集處理機制被粗略地歸為一類，遺憾的是，這三種手段至今為止沒有很好地發(fā)揮其作用，產生有效的結果。

　　根據波士頓咨詢集團最近提供的一份報告，所謂的“從瀏覽到購買”在行業(yè)應用中的轉換率已經跌落至2%以下。而當今的個性化系統(tǒng)仍然處在襁褓狀態(tài)之中。為什么這些技術方法會以如此大規(guī)模落敗呢？原因是清楚而明了的。

　　一個很簡單的回答是：第一代的個性化設計工具并不把網絡瀏覽者作為單獨個體來對待。在這種所謂個性化設計工具下設計出來的網站無法調整自己以適應顧客們不斷變化的興趣和欲望。這主要是因為這樣的個性化設計工具和網站并沒有把顧客當前在網站上的行為考慮在內。這些局限性很大程度上削弱了精確地推薦相關商品或銷售信息給顧客的能力，而這些商品和信息很可能對于個別的網站瀏覽者或者個體而言具有很強的吸引力。

　　要想精確地計算和預測一個在網站上瀏覽的訪客的當前興趣和購買欲望所在，卻要基于一個對其興趣的過時記錄的分析，這樣的策略無疑是失敗的。這點對于過濾信息系統(tǒng)來說尤其如此。此系統(tǒng)基于單一的一項購買來做推薦，或者是基于訪客過去曾經感興趣的產品類別來做推薦。

　　其實這樣的推薦策略，如果用在日常生活當中也讓人可笑。例如一位顧客在書店買了一本英漢字典，如果他下一次再光顧該書店，店主根據之前的記錄也向他推薦英漢字典或者其他字典，這位顧客也一定沒興趣。對于網絡上的工具，很大程度希望模擬真實世界中人對人的銷售。而這樣的策略在日常生活中都不會出現，為何要把他搬到網絡中呢？

　　以一個在網絡上瀏覽的電腦使用專家作為例子，比如他要購買一本電腦入門書作為禮物。然而他每一次重新訪問該網站或者在瀏覽過程中返回的時候，網站會不厭其煩地向他推薦為新手而準備的電腦書籍。協(xié)作過濾系統(tǒng)有個關鍵的問題或者可以稱為致命的問題，那就是這個系統(tǒng)從不接受瀏覽者提供的否定答案。

　　過時的個性化系統(tǒng)也因為邏輯上的一個常見失誤而無法把網站瀏覽者當成單獨個體來對待。即：如果兩位網站瀏覽者在某些方面有共同興趣，則個性化系統(tǒng)會認為他們在所有方面都有共同興趣。而基于這樣的手段作的推薦的實際意義就受到了損害。一個典型的例子可以描述成這樣：有兩位瀏覽者都對海軍歷史方面的書籍感興趣。其中一位是對育嬰書籍感興趣的家長，而另外一個則是單身漢。這種采用“在所有方面都有興趣”的手段的個性化系統(tǒng)就很可能把育嬰類書籍也推薦給這位單身漢。可想而知，這樣的推薦對單身漢而言幾乎毫無意義。

　　對于一個網絡瀏覽者訪問網站的動機，最強有力的顯示是現階段他在網絡上的實際行為。這就要求具有追蹤瀏覽者訪問過哪些頁面的能力，以及了解他對于哪些推薦的信息有所反應或者是忽略了哪些信息的能力。知道了網站的哪些地方被訪問過以及哪些個別的產品頁面被瀏覽過，同時應該對瀏覽的時間有所記錄，系統(tǒng)能記錄瀏覽者對某個產品頁面駐留的時間，這才能夠使下一代的個性化系統(tǒng)更好地識別出一個網站訪客當前的購買意向。

　　下一代的個性化設計系統(tǒng)要想獲得成功，它就要為單獨的每個產品或者是可能被推薦給網站瀏覽者的信息發(fā)展獨立的預測模型。為了提高這些“預測反應模型”的精確度，除了其他已經知道的特性，比如已經聲明的個人偏好和過去的購買記錄，輸入內容還必須包括單個網站瀏覽者的現時行為。這將有助于網站的市場部經理更好地決策，他們的產品或是推薦信息能夠被接受的可能性大小。

　　對于下一代個性化設計系統(tǒng)而言，如果一個網站瀏覽者不能接受當前網站提供或者推薦的某些特定的成品信息的時候，系統(tǒng)會自動記錄下來，并且當作一種過濾，避免瀏覽者在下一次訪問的時候仍然看到相似的介紹內容。如果系統(tǒng)設計者和銷售經理能夠迅速地認識到這一點也是同樣重要的。在最后的分析中，成功地理解顧客在網絡上的行為，必須要有自動地調整到當前的顧客需求模式的能力，而不是被過時的需求模式所主宰。