机械-海量数据可以帮忙卖书，也能帮忙印刷

你恰好没看过这本，或许会有些心虚，觉得自己学问太差或读书太少。1般人没想去反问对方，有没有看过自己刚刚读过的1本书，如果你真的做了，99.99%的机会得到没有的答案。由于国内1年就出版了35万个不同的书出版品（Title），1个出版品多是1本小说，1本52期的杂志或是365天的报纸。1个人即使每天看1本书，1年365本下来不过看了1年国内出版品的1/100，何况还有许多年来不断出版的书呢，更何况1个星期能看完1本书都不容易呀？书市里书太多，出版社想把自己出版的书卖得好，还真不容易，出版书只好像普通人不断买奖券1样，期望有几次能中奖（畅销书）。所以大部分的出版社会请1些名人在书扉页推荐这本书，为不认识作者的读者增加1些好印象。固然，出版社最喜欢找曾写过畅销书的作者再写1本，毕竟作家是读者找书的重要线索之1，但是作家难免江郎才尽，委曲凑出1本书，常常令读者失望。所以对那些出过很多书的畅销书作者的新作品，我们都会先挑这本书前后几部分读读，看看有没有似曾相识的感觉，避免被偷懒的编辑忽悠了。书的选择太多，书店为了增加营业额，自然把书架上的好位置卖给1些出版社愿意付钱推行的新书，否则就把好卖的书放在好位置上，恍如没有更好的办法去推销书店里的书。网络书店像亚马逊有数百万种书要买，如何推销那么多书，让喜欢看这类书的这类人看到这本书？亚马逊在创业之初，就雇用了10几位书评和编辑，由这些员工操刀，创作书评和提出建议你看完这本书应当看看那本书，这些人发出的亚马逊声音在当时大家都认为是亚马逊最珍贵的资产，也是他们让当时其它网络书店的竞争者越赶离亚马逊越来越远。　接着，亚马逊的创办人实行长贝佐斯（Jeff Bezos）开始了1个网络世界重要的尝试–到数据中去挖宝，如果能帮个别客户依照他们的喜好来建议书，那不是更好吗？1开始亚马逊就具有了大量的客户的个人信息，还有买了什么书的记录，对那些书关注了最后却没有买单，考虑了多久？1起买了那些书。1开始亚马逊还是利用传统计算器运算办法，期望透过样本分析，找出客户之间的类似点，这类技术大不了对1个从事工程师工作的客户建议其它工程师职业的客户买类似的书籍；建议1个买了围棋定式书的客户，买围棋残局的书。就像1个不看书的人为读者提出的公道建议，只是由于他有完全的书单罢了。亚马逊有1个软件工程师格里格(Greg Linden)，他在华盛顿大学博士班时主修人工智能，他想出了1个办法，不要去管客户之间的异同，只要管产品之间的关联就好了，格里格这个团队在1998年以此申请专利，把亚马逊的卖书推荐系统全部改头换面，也为海量数据开始了1个全新的利用。有了这套系统，亚马逊给上网找书的客户两个选择，1个是计算器找出来的建议，1个是内部编辑的书评，这样的并行作业就是要比较那1种建议更有效益，可以说是计算机和人的比赛。到底编辑写出的内容还是计算机的建议利害？那1项能带来更多的营业额？没想到，仅是小小的测试1下，那就发现天差地别，计算机的建议远远胜过精彩的书评。没有人知道，喜欢看甲作家的书的人也会买乙作家的书，喜欢惊悚小说的人也会喜欢看历史类的书违章建筑需要怎么处理，为什么如此其实不重要，计算机透过书与书之间的关联，让客户1次多买1本书，亚马逊就到达目的了。最后，亚马逊制造书评的部门因此解散了，理由是他们的书评会影响书店的销售。今天亚马逊33%的书是计算机推销出去的。计算机从海量数据中找失事物的关联性，知道原来如此就够了，根本不用去理会为何如此，就能够解决商业问题？像谷歌这样的搜索引擎1天就有几10亿的搜索，几年下来存下来的数据如海洋1样辽阔壮大，谷歌还提供API让你的计算机去海量数据中寻觅你要的关联性。如果你卖的是衣服司法强拆判定后失效期是多久，你可能从海量数据中发现下1季少女可能流行的色采或式样。你是弄印刷的，如果你知道什么是最热门的产品，固然愿意给相干产品的印刷品打个折扣？