今天抽空整理了一下amazon的推荐相关产品和服务，其专注、专业和专心确实值得敬佩！马屁结束，先上个图，看看他们都做了什么？

目前，Internet网上站点从不同角度出发，采用了不同的用户个体特性采集和个性化信息传递方法，主要有以下四种方法。

一个乡下来的小伙子去应聘城里“世界最大”的“应有尽有”百货公司的销售员。老板问他：“你以前做过销售员吗？” 他回答说：“我以前是村里挨家挨户推销的小贩子。”老板喜欢他的机灵：“你明天可以来上班了。等下班的时候，我会来看一下。”

我对大淘宝的理解归纳为两个字：

融：

借用某老兄的心得了，2010年的目标做个像样的产品经理！

一、像观察自己的BABY成长一样，观察用户的行为、发掘用户需求 

 推荐引擎的分类从消费者的角度出发，按照技术的自动化程度（degree of automation）和持久化程度（degree of persistence）两个标准进行分类。

（1）自动化程度：自动方式意味这推荐的产生不需要客户明显的任何操作，例如：客户与网站进行交互时，恰好出现客户感兴趣的推荐。手工方式意味着客户得到符合自己兴趣的推荐前需要进行一些显式的操作，比如对商品进行评价。

（2）持久性程度：持久性推荐系统产生的推荐是基于客户的单个会话（session）还是基于客户的多个会话，是瞬时还是持久的。瞬时推荐只考虑当前客户的会话，不考虑该客户以前的任何信息。持久推荐通过对当前客户的识别，对历史数据进行挖掘后，根据他的偏好进行建议。

根据以上两个标准，可以将电子商务推荐系统分为以下几个类型：

非个性化推荐

1.  推荐基于其他客户的评价,与客户本人无关
2. 所有的客户都得到相同的推荐
3. 客户每次访问都得到相同的推荐,与客户的浏览历史与购买历史无关
4. 常见于实体店, 商品推荐不会根据客户的改变而改变

基于商品属性的推荐

1. 推荐是基于商品的属性,例如客户通过搜索某商品的名称返回多个搜索结果
2. 需要客户手工输入需要购买商品的属性
3. 可以是个性化/非个性化的, 取决于商家是否记录下客户对商品属性的偏好

商品与商品的关联性推荐

1. 推荐是基于商品与商品之间的关联性
2. 根据客户明确表示感兴趣的商品做出推荐, 例如根据客户购物车中的商品列表做出推荐
3. 推荐可以是自动的,如果是基于对客户不变行为的观察
4. 推荐可以是手动的, 如果需要客户手工给出一些感兴趣的商品列表,例如需要给出购物车中的商品列表
5. 推荐时不需要关心客户本人的购物历史和浏览历史

客户与客户的关联性推荐

1. 推荐是基于客户与客户之间的关联性, 又称作协同过滤
2.  需要找出与本客户的兴趣最相近的其他客户
3. 需要通过学习用户的浏览记录和购买记录做出推荐

维度统计中推出了访客性别识别的功能，这个功能表面来看看似不可能，那他们又是怎么实现的呢？猜！反正都有50%的正确率。还是让我们“猜猜”维度如何处理的吧：

第一步：词库的建立和喂养：

首先要建立了一个庞大的词库，而且这个词库必须不断更新，词库中的每个词入库后必做的事情是词性别关联分析，说白了就是这个词男性敏感的概率多少，女性敏感的概率多少，这个就建立了识别的基础。

第二步：语句的拆分与性别关联分析

链接的描述、搜索的关键词等等我们在获得访客属性或行为相关的这些语句之后进行分词拆分，然后分别分析性别概率。
比如：最新软件下载
会是这样：  最新（21%女性关注，79%男性关注）
            软件（1% 女性关注，99%男性关注）
            下载（10%女性关注，90%男性关注）

第三步：综合计算访客性别比率

针对所有该访客关联的分词作累加做计算，然后部分参考用户鼠标行为，从而综合得到一个用户的性别概率分布。

基本上这种方法还是有一定的科学性的，访客相关的分词越多，越丰富判断的准确率越高，另外对于词库的准确率的要求比较高，词库的准确率不高，一切都是玩耍！最后抛一个问题：这值得花这么大力气来做这个事情吗？或许只是个噱头！

countif 是非常常用的excel函数，本文对其常用的用法进行了汇总，如有缺失和错误欢迎打家指出！

         六顶思考帽实际上是一种思维的模型，每一顶帽子代表了一种思维的方式，通过采取不同的思维角度是的复杂的问题或挑战能够被全面的分析和思考。

本文介绍一种使用excel完成需求的收集、定义、跟踪、维护、分析的方法，比较简单，注重轻量、快捷、高效