接著，亞馬遜的創(chuàng)辦人執(zhí)行長貝佐斯（Jeff Bezos）開始了一個網(wǎng)絡世界重要的嘗試–到數(shù)據(jù)中去挖寶，如果能幫個別客戶按照他們的喜好來建議書，那不是更好嗎？一開始亞馬遜就擁有了大量的客戶的個人信息，還有買了什么書的記錄，對那些書關注了最后卻沒有買單，考慮了多久？一起買了那些書。
　　
　　一開始亞馬遜還是利用傳統(tǒng)計算器運算辦法，期望透過樣本分析，找出客戶之間的相似點，這種技術大不了對一個從事工程師工作的客戶建議其它工程師職業(yè)的客戶買類似的書籍；建議一個買了圍棋定式書的客戶，買圍棋殘局的書。就像一個不看書的人為讀者提出的合理建議，只是因為他有完整的書單罷了。
　　
　　亞馬遜有一個軟件工程師格里格(Greg Linden)，他在華盛頓大學博士班時主修人工智能，他想出了一個辦法，不要去管客戶之間的異同，只要管產(chǎn)品之間的關聯(lián)就好了，格里格這個團隊在1998年以此申請專利，把亞馬遜的賣書推薦系統(tǒng)整個改頭換面，也為海量數(shù)據(jù)開始了一個全新的應用。
　　
　　有了這套系統(tǒng)，亞馬遜給上網(wǎng)找書的客戶兩個選擇，一個是計算器找出來的建議，一個是內(nèi)部編輯的書評，這樣的并行作業(yè)就是要比較那一種建議更有效益，可以說是計算機和人的競賽。
　　
　　到底編輯寫出的內(nèi)容還是計算機的建議厲害？那一項能帶來更多的營業(yè)額？沒想到，僅是小小的測試一下，那就發(fā)現(xiàn)天差地別，計算機的建議遠遠勝過精彩的書評。
　　
　　沒有人知道，喜歡看甲作家的書的人也會買乙作家的書，喜歡驚悚小說的人也會喜歡看歷史類的書，為什么如此并不重要，計算機透過書與書之間的關聯(lián)，讓客戶一次多買一本書，亞馬遜就達到目的了。
　　
　　最后，亞馬遜制造書評的部門因而解散了，理由是他們的書評會影響書店的銷售。今天亞馬遜33%的書是計算機推銷出去的。
　　
　　計算機從海量數(shù)據(jù)中找出事物的關聯(lián)性，知道“原來如此”就夠了，根本不用去理會“為何如此”，就能解決商業(yè)問題？
　　
　　像谷歌這樣的搜索引擎一天就有幾十億的搜尋，幾年下來存下來的數(shù)據(jù)如海洋一樣遼闊壯大，谷歌還提供API讓你的計算機去海量數(shù)據(jù)中尋找你要的關聯(lián)性。
　　
　　如果你賣的是衣服，你可能從海量數(shù)據(jù)中發(fā)現(xiàn)下一季少女可能流行的顏色或式樣。
　　
　　你是搞印刷的，如果你知道什么是最熱門的產(chǎn)品，當然愿意給相關產(chǎn)品的印刷品打個折扣？