为了使网站浏览者转变成为实实在在的购买者，尽可能防止浏览者在短时间内放弃浏览网站，提高其对网站的忠诚度，不少网络企业想出各种各样的策略。对于网络企业分析浏览者行为的需求不断增长，目前，已经促使了三个主要的技术集群来尝试着解决这一问题 ，它们分别是：点击流分析工具、基于过滤的协作推荐信息系统和数据采集处理机制。当前，个性化已经是营销手段的重要策略，个性化的思想已经延伸到各行各业。在个性化设计系统的名义下，点击流分析工具、基于过滤的协作推荐信息系统和数据采集处理机制被粗略地归为一类，遗憾的是，这三种手段至今为止没有很好地发挥其作用，产生有效的结果。

　　根据波士顿咨询集团最近提供的一份报告，所谓的“从浏览到购买”在行业应用中的转换率已经跌落至2%以下。而当今的个性化系统仍然处在襁褓状态之中。为什么这些技术方法会以如此大规模落败呢？原因是清楚而明了的。

　　一个很简单的回答是：第一代的个性化设计工具并不把网络浏览者作为单独个体来对待。在这种所谓个性化设计工具下设计出来的网站无法调整自己以适应顾客们不断变化的兴趣和欲望。这主要是因为这样的个性化设计工具和网站并没有把顾客当前在网站上的行为考虑在内。这些局限性很大程度上削弱了精确地推荐相关商品或销售信息给顾客的能力，而这些商品和信息很可能对于个别的网站浏览者或者个体而言具有很强的吸引力。

　　要想精确地计算和预测一个在网站上浏览的访客的当前兴趣和购买欲望所在，却要基于一个对其兴趣的过时记录的分析，这样的策略无疑是失败的。这点对于过滤信息系统来说尤其如此。此系统基于单一的一项购买来做推荐，或者是基于访客过去曾经感兴趣的产品类别来做推荐。

　　其实这样的推荐策略，如果用在日常生活当中也让人可笑。例如一位顾客在书店买了一本英汉字典，如果他下一次再光顾该书店，店主根据之前的记录也向他推荐英汉字典或者其他字典，这位顾客也一定没兴趣。对于网络上的工具，很大程度希望模拟真实世界中人对人的销售。而这样的策略在日常生活中都不会出现，为何要把他搬到网络中呢？

　　以一个在网络上浏览的电脑使用专家作为例子，比如他要购买一本电脑入门书作为礼物。然而他每一次重新访问该网站或者在浏览过程中返回的时候，网站会不厌其烦地向他推荐为新手而准备的电脑书籍。协作过滤系统有个关键的问题或者可以称为致命的问题，那就是这个系统从不接受浏览者提供的否定答案。

　　过时的个性化系统也因为逻辑上的一个常见失误而无法把网站浏览者当成单独个体来对待。即：如果两位网站浏览者在某些方面有共同兴趣，则个性化系统会认为他们在所有方面都有共同兴趣。而基于这样的手段作的推荐的实际意义就受到了损害。一个典型的例子可以描述成这样：有两位浏览者都对海军历史方面的书籍感兴趣。其中一位是对育婴书籍感兴趣的家长，而另外一个则是单身汉。这种采用“在所有方面都有兴趣”的手段的个性化系统就很可能把育婴类书籍也推荐给这位单身汉。可想而知，这样的推荐对单身汉而言几乎毫无意义。

　　对于一个网络浏览者访问网站的动机，最强有力的显示是现阶段他在网络上的实际行为。这就要求具有追踪浏览者访问过哪些页面的能力，以及了解他对于哪些推荐的信息有所反应或者是忽略了哪些信息的能力。知道了网站的哪些地方被访问过以及哪些个别的产品页面被浏览过，同时应该对浏览的时间有所记录，系统能记录浏览者对某个产品页面驻留的时间，这才能够使下一代的个性化系统更好地识别出一个网站访客当前的购买意向。

　　下一代的个性化设计系统要想获得成功，它就要为单独的每个产品或者是可能被推荐给网站浏览者的信息发展独立的预测模型。为了提高这些“预测反应模型”的精确度，除了其他已经知道的特性，比如已经声明的个人偏好和过去的购买记录，输入内容还必须包括单个网站浏览者的现时行为。这将有助于网站的市场部经理更好地决策，他们的产品或是推荐信息能够被接受的可能性大小。

　　对于下一代个性化设计系统而言，如果一个网站浏览者不能接受当前网站提供或者推荐的某些特定的成品信息的时候，系统会自动记录下来，并且当作一种过滤，避免浏览者在下一次访问的时候仍然看到相似的介绍内容。如果系统设计者和销售经理能够迅速地认识到这一点也是同样重要的。在最后的分析中，成功地理解顾客在网络上的行为，必须要有自动地调整到当前的顾客需求模式的能力，而不是被过时的需求模式所主宰。