从来没有比现在更好的时间成为消费者。 未来主义者凯文·凯利（Kevin Kelley）表示：“每12个月，我们就会产生800万首新歌，200万本新书，16,000部新电影，300亿篇博客文章，1,820亿条推文，400,000种新产品。”这将带来无限的学习内容，娱乐方式和尝试的产品-都在吸引您的注意力。
作为消费者，我们将如何适应这种大量选择？ 可以肯定的是：我们将不可避免地转向帮助我们过滤和个性化消费内容的产品。 帮助我们对产品进行分类的产品，最终选择了我们最爱的产品。
很快，发现周刊上弹出的每首歌曲，在亚马逊上为您推荐的每一个新小工具以及在Netflix主页上看到的每部电影都将成为crèmede lacrème，其中包括与您当前事物相关的新发现享受并添加一些令人惊讶的“通配符”选择，以扩展您的偏好范围。
完美过滤器的三个组成部分
“更喜欢这个”过滤器
许多消费产品已经采用了个性化的一方面。 考虑一下Amazon，Netflix或LinkedIn提供的更多您喜欢的东西。 这称为推荐引擎 。 我个人认为这些建议非常可靠，有时甚至比专家或朋友的建议还要好。 这可能是因为它们是由算法驱动的，并基于冷的硬数据。
个性化推荐非常有价值，以至于Netflix有1.5亿美元的预算在其推荐系统上工作300人，而“更多类似”提议占了亚马逊销售额的三分之一-2014年的差额约为300亿美元（ 资料来源： 麦肯锡 Gigaom ）。
“喜欢这个的人，也喜欢这个”
除了根据自己当前的偏好进行过滤外，我们还向同行推荐新事物。 想想Facebook和Twitter，您的供稿由页面和您关注的人的直接帖子组成，但是您还可以看到您的朋友参与的其他第三方帖子。 这使您可以了解朋友可能不知道的事情。
同样，这就是Spotify通过其每周个性化播放列表“发现每周”使音乐变得神奇的方式。 除了利用来自听众独特的“口味配置文件”的信息之外，他们还利用其他人的播放列表来查找新的音乐选择。 例如，如果Spotify注意到您最喜欢的两首歌曲和第三首您以前从未听过的歌曲一起出现在播放列表中，则会将新歌曲添加到“发现每周”中。 这称为协作过滤 。
通配符过滤器
话虽这么说，一个只消费自己和同伴所享受的世界将是一个非常无聊，同质的世界。 令人恐惧的是，我们将不鼓励开放思想，并消除形成新的观点。
仅通过您已经喜欢的东西获得奖励的危险就称为“过拟合”，这种现象在政治领域中经常见到：一个政党的成员依靠简单的“更多类似”过滤器就很少消耗另一种政党的内容观点，这加深了他们现有的信念。
作为技术人员，我们有责任通过向人们介绍新事物来防止过拟合。 产品如何显示我不喜欢但想要的东西？ 还是帮助您发现更多我曾经讨厌但已学会爱的东西？
这就是我们所处的技术领域。 当我们尝试深度学习和神经网络时，我们仍在努力创建完美过滤器的第三支柱-引入那些可以促进我们作为消费者的视野的不同建议。
如何个性化自己的产品
那么，如何将这些个性化组件应用于您自己的产品中？ 这里是一些开始思考的技巧和问题。 而且，我敢肯定这不足为奇，但这全都归结为数据：
开始收集有关您的客户的细微差别的数据 。
除了Google Analytics（分析）提供的信息外，还开始创建仪表板，以告诉您有关客户的旅程，习惯和人口统计的更多信息。 通过有趣的入门测验或更深入的用户调查来获取信息。 拥有与您的用户有关的信息库，可以更轻松地开始使用这些数据来创建个性化的用户体验。
收集有关类似客户的数据 。
为了执行第二级个性化设置（“我想知道我的朋友喜欢什么”），您需要找出对用户进行分组的最佳方法。 如果您是一家室内设计初创公司，则可以采用家居装饰风格或项目预算。 如果您在B2B软件公司，则可能是职务或决策权。 从那里，您可以收集有关该队列中其他人的数据，并使用它来定制该角色的经历。
进行协作过滤之外的思考 。
我们如何向用户介绍新颖甚至完全不同的想法和体验？ 在等待大型协作数据库的开发时，我们可以在此期间采用创新的，易用的解决方案。 我一直在思考的两个想法包括：
- 一对一的实时聊天 ：在机器人世界中，人与人之间的联系稀缺且比以往任何时候都更加有价值。 打开允许用户与实际人员联系的聊天服务，您可以收集细微差别的数据，提供更多独特的建议以及收集有关如何继续个性化产品的信息。
- 利用相邻的线索 ：还有其他鲜为人知的信息可以帮助您个性化产品吗？ 基于天气和位置的信息可能会影响乘车体验或电子商务推荐算法。 获得对消费者收件箱的访问权限可帮助定制西服初创公司根据事件邀请个性化其通信或影响其产品路线图。 尚未探索的角落中可能藏有有价值的信息！
总体而言，我们正朝着令人鼓舞的消费主义方向迈进-很快就会经过专业过滤和个性化。 但是我们如何确保这种个性化是多样化的，除了现有的偏好之外还提出新颖的想法？ 我希望在下面的评论中听到您的想法！
