电商们在产品查找上都做得不错：顾客已经知道自己要什么了，就很好找到。但在产品寻找上还不行：如果顾客不知自己要买什么，就没辙了。
文章总结了4种有效的发现产品的渠道：顾客自己瞎逛、个人助理式的服务、社交网络朋友推荐、依赖算法的个性化推荐。希望对大家有所帮助。
以下是正文部分
你曾经在寻找值得观看的电影时遇到过问题么？或者是为了找合适的礼物想到头痛？或者不确定接下来读哪本书？不只是你自己遇到过这种问题。
众所周知，在线购物者都不擅长快速发现新事物，但未来仍是有希望解决这一难题的。
查找或者猜想
在线零售商擅长帮助销售者找到他们已经知道的商品（查找商品）。如果你知道自己要寻找的电影、产品或书的名字，你只需要几秒钟就可以通过搜索从众多选择中找到它。
但是如果你事先不知道你具体要找的是什么呢？在线零售商们一贯的做法是将你引导到他们的热门商品——也许是最新的畅销巨著，也许是这周纽约时报畅销书作者。但是通常情况下，这些畅销商品并不符合你的需求。
安德森·霍洛维茨的搭档班尼迪克·埃文斯最近指出了这个发现鸿沟（介于被动寻找用户和主动寻找用户之间的内容难题）：
亚马逊擅长销售书店前面放在桌子上的东西，或者一年售卖淹没在百万书籍中的一本。但是若要它展示给你书架背后的东西，它就做不到了。它不擅长在你不知道或者不确定需要什么的时候把东西卖给你，除非你自己看到了它。
那我们怎样才能让顾客寻找到自己最想要的产品呢？以下有四种方法。
一、搜索
搜索是最基本的发现方法。不知道接下来要读什么书？那就搜索一下亚马逊的小说条目，从这里开始吧。互联网发展的早期，搜索被认为是一种独立的产品类型；现在，搜索加入了新功能，支持按照价格、评价、作者或其他元素进行筛选。这些都是用户喜闻乐见的功能。但是对于在实体店搜寻而言，在线搜索是一件既耗时又常常没有结果的事情。
在亚马逊网站的搜索小说分类
二、个性化服务
第二种解决方法是为顾客提供“手把手”的服务。例如，Trunk Club和Stitch Fix-两个在线服装零售商为每位顾客都配备了一名私人顾问，顾问会了解他们的个人喜好并给出每月的衣物配送单。对于高端商家来说，大额商品才能使用高端定制，低利润商品不适用这个方法。
在线制衣零售商Trunk Club 通过私人导购的方式为顾客提供帮助
三、社交信号
第三种是想办法导入你的关系链，让你的搜索结果页和浏览页都尽可能出现“你的朋友都看过或买过些什么”这样的信息。Facebook显然是一个再合适不过的例子，它基于你在网站的行为来显示新的信息。但正如Benadict Evans在她的前瞻性著作中指出来的那样，Facebook在信息展示方面的成功方法，在商品购买环节上并不适用。
有一个叫Foursquare的App，通过展示你朋友在咖啡店和饭店的签到记录，来帮助你在不知道去哪儿吃饭时下决定。我认为这种在搜索结果中增加好友信息来提高搜索体验的做法是有用的，但这还不算是最主要的方法。
在搜索结果中增加好友信息来提高搜索体验
四、个性化定制
最主要的方法是运用数据驱动，在了解用户品味的情况下，围绕着这些喜好特性去定制他们的在线体验。这并不是说，你需要通过人工这种高成本的方法才能做到个性化定制，事实上，机器就可以做到。机器学习耗时少，还便宜，基于算法的个性化定制照样能够发挥很大的作用。（三节课注：结合商品基础信息进行分类，为相似或相关联或拥有共同属性的商品打上标签，然后再基于用户过去的浏览购买行为为用户推荐可能感兴趣的或相关的商品。）
比如，为你找到新的音乐。五月份的时候，Techcrunch提到说：Apple Music、Todal和最近的Spotify在音乐推荐方面的尝试都失败了，因为他们都囿于传统博客时代的显示格式。不过Spotify通过在推荐的其它专辑旁边增加了一个“播放排行周榜”的功能，系统每周一会更新30首它认为你可能会喜欢的歌曲，轻松地解决了音乐推荐方面的难题。
Spotify的“播放排名周榜”每周为用户提供一个新鲜歌曲的混合列表
我们的创业项目Arema.co在了解用户喜欢的咖啡类型时也使用了这个方法，这个方法能够为用户推荐其它相似的咖啡。
Crema.co 了解你喜欢的咖啡，并为你提供个性化推荐
然而，并不是所有技术驱动的个性化定制都是有用的。拿亚马逊为例，他们的推荐机制已经运行很久了，但是他们“购买此商品的顾客也同时购买”的功能并没有给用户带来惊喜，它推荐的都是一些表面上看起来有一丢丢相关的产品。其它产品方面的尝试也都差强人意，比如Itunes的“相关选项”通常是空的。
缺乏推荐意识
很多在线零售商仍旧在依赖着商品的外观，去售卖这些商品，而没有考虑过推荐缺失的问题。要解决这个问题，关键点在于提供一个丰富的搜索体验，最好是能够收集到用户社交信息的那种。渐渐的，聪明的零售商就能够越来越准确地把握住用户需求，给用户打造一种个性化的体验，从而帮助用户解决不知道怎么寻找商品的难题。
