迄今为止，我们已经讨论过了，一家真正以顾客为中心的企业应该记住顾客以往的一些特定信息。这不仅能引导企业与顾客将来的交易行为，还能鼓励顾客把自己的特定需求教给企业。
这就使销售从一个一次性事件转变为一个持续的、重复性流程——这个流程使顾客越来越感到满意，因为企业与顾客的学习型关系得到了深化。一对一企业的竞争是一个广度对深度的问题。对于一对一竞争者来说，决定成功的并不是你所服务的顾客群规模，而是企业与每位顾客所保持的关系深化程度。在一次一个的顾客争夺战中，成功的竞争者并非是拥有顾客量最多的那家企业，而是最了解每一个个体顾客需求的企业。
有些人将会把学习型关系看作是为顾客提供了一种代理人似的服务，代表着顾客自身的个性化利益，因为企业通过与顾客的一连串的互动交流“了解到了”那种个性化利益的内容为何。
但如果顾客自己保持有自己的规格要求和采购记录又将会如何呢？如果RBOC的费用分摊电子表格是由顾客自己的交换机系统产生出来的，或者顾客的家用产品使用记录保存在自己的个人电脑里而不是流线公司的电脑中，那么这将使量身订制带给企业的竞争优势大打折扣。这样的话可能，。有好几种类同流线公司的服务，每个星期顾客只需比较一下价格，如此又把竞争的层级降回到了逐笔交易式的价格战中了。
但是有一种方法能使一对一企业避免这种缺陷。这种方法不仅源于企业与个体顾客的关系深度，还源于顾客群的广度——难于由一个顾客维持的代理人所覆盖的广度。我们将其称作社区知识原则。
社区知识来自于对一个完整顾客品味、偏好集合的信息积累。这是一对一企业针对那些具有相似品味和偏好的顾客所获取的相关知识，借此企业就可以真正预测到某个个体顾客的需求，甚至会先于该顾客了解自己的需求之前。
了解顾客想要什么——甚至比顾客自己知道得更早运用社区知识的最好例子要数代理人公司的萤火虫网站。一个网页浏览者可以通过访问萤火虫网站获得他可能喜欢的音乐品种推荐。首先，浏览者需要在网上对许多不同的音乐品种给出自己的意见。
他可以评选尽可能多的曲目，甚至可以试听不同的片断。在他评测了不同的曲目和音乐团体之后，萤火虫网站就会向他推荐他可能喜欢的音乐品种，甚至是他可能喜欢的特定CD唱片。
萤火虫网站做出的推荐并不仅仅是基于这位特定顾客自己的品味，而是由其软件参照了与这位顾客有着相似品味的顾客社区做出的。许多其他滚石音乐狂热爱好者也喜欢这个不同的音乐团体或是由其它音乐团体灌制的这张特定CD唱片，因此萤火虫网站可以把这些选择品种推荐给顾客，这位顾客甚至在此之前可能从没有听说过所推荐的这张CD。
很明显，萤火虫网站的想法之所以能奏效，不仅仅出于其所获取的有关某一特定顾客音乐品味方面的知识，而是借助从很多其他顾客那里所获取的知识。如果不是借助于这种范围更广的个人评价，萤火虫网站的顾客绝对得不到这样一个精确并有预见性的推荐。除了音乐，萤火虫网站的评测对象还有影像制品，并且还计划进入包括金融与投资在内的其它许多领域。
让我们回到量足制履公司，来看一看社区知识原则是如何被应用于其它情形之下的。假设顾客前来光顾时，由店员将一张评分卡送到顾客手中，凭此来对店内展示的一些鞋子打分。
员工会让这位顾客围着鞋架转转，并坦白地给可供选择的鞋子从1到5评级，看看哪些款式是她真正喜欢并想买的，而哪些又是她讨厌的且绝不会买的。
这种信息的第一个用处就是能密切关注顾客会喜欢的新款式。但除此之外，如果量足制履公司能对每位顾客都这么做，那么逐渐就会积聚起一个内容无限丰富的有关顾客个人品味及偏爱的数据库，并且还能将这种品味与偏爱和每位顾客的个人购买行为匹配在一起。这样就能够向每一位顾客推荐某种特定款式的鞋子，做出这种推荐并非因为这位顾客曾表示出他对那一款鞋感兴趣，而是因为其他顾客——那些明确表示他们和这位顾客一样喜欢同一类鞋子的其他顾客——已经购买了这种特定款式的鞋。
我们必须明白这种特定关系状态的具体含义。运用社区知识并不仅仅是根据某个顾客明确说过可能对什么感兴趣而向他推荐产品。一个有着详细个人品味及偏爱数据库的一对一企业应该实际上能够预测出这位顾客想要什么，甚至在这位顾客自己意识到这一点之前。
通过寻求个体顾客反馈信息，特别是针对那些个人品味差异极大的产品或服务，社区知识的效力就可以明显的增强放大。
比如，考虑一下“社区知识原则”如何能被用来提升诸如在线旅行和预订服务的价值。启动这样一种服务并无多少障碍，所以很可能会有很多的竞争者——航空公司的预定系统、信用卡公司、出版商以及其它一些在线服务供应商——在努力争取顾客并赢得他们的忠诚。任何一个经常旅行的人都已经看过了很多这种新式服务的广告宣传，从便捷的萨伯预订系统（SABRE）到联合航空公司的阿波罗在线。
对于任何一种这类行动而言，要想使自己的顾客保持忠诚，那么第一个举措就应该是“量身订制”。任何一个在线旅行服务和预定服务都应记住每一位个体顾客的旅行档案——座位和饮食喜好，常客编号，机场接送的轿车或出租车，使用的信用卡账号等等。但一家互动服务商并不是靠某种冗长的一次性顾客调查表来获取这些信息，而是应该能够逐步建立一个资讯档案——也就是说，顾客绝不需要重复他所说过的话。
那么顾客每一次登录使用这种服务时，都会发现她能更容易地得到她所想要预定的房间和机票。第一页将会显示她近几个月或近几个星期经常选择的航线，这样如果她想选择这些路线中的一条就可以直接进入预定系统。当顾客选择了航线之后，下一页会显示她最常选择的航班等等。如果一位顾客这次想要的和以往资料中描述的很不相同——比如她这次希望坐头等舱而不是以往的公务舱——那么系统就会进行提示并询问她是否希望覆盖或更改原来的资料，或是创建并保存一个新文件。
在这个行业里，更多的盈利来源于顾客忠诚度。收入的主要来源不再是乘客，而是支付佣金的旅行提供商。一家在线购票系统所拥有的用户越多，这个系统对于旅行提供商的购买力就越强。比如说航空公司可能支付的平均佣金比率在8％左右，但一个可以提供25000名经常性商务旅客的在线服务公司肯定比一个拥有1000名旅客的同类机构所拿到的佣金比率要高。
很显然，为了能有成功的机会，一个交互式的旅行服务商必须尽快地与特定旅客的品味和偏好一致起来，通过为顾客提供越来越多的方便来锁定顾客的忠诚度。但是如果有这样一套电脑软件进入市场，可以协助顾客将这些变量存储于顾客自己的电脑中，那将会是什么情形呢？
长期锁住顾客的策略就是将旅行服务变成一个社区知识发生器。旅行是这样一个涉及个人品味和偏好的行业，但值得注意的是还没有一家在线服务公司抓住了这一点。我们光顾的旅馆和饭店，我们换乘的机场，我们预定轿车的公司以及我们去过的旅游胜地——几乎一切和旅游相关的经历，可能除了在机上享受的服务本身之外，都是千变万化与众不同的。
比如一家旅行社只是让经常性的商务旅客就其所住过的旅馆情况给出个人反馈意见。每家旅馆都是不同的，不同城市的旅馆在质量和设施方面也不尽相同，有时甚至在同一家大型连锁酒店内的饭店也会差异很大。假设这家在线服务旅行社采用一个简单的三分评比标准——如果你确实喜欢这家酒店并且下次去圣安东尼奥时还希望能记得住在此处，那就给这家酒店评级为A；如果你大体满意，并且不太在意是否下次还住在那儿，则评级为B；如果你不喜欢这家酒店并且以后尽可能不去那儿下榻，那就给予评级F。显然，当这位旅客下一次再去圣安东尼奥时，服务系统就会帮助他记起所喜欢的那家或避开他不喜欢的那个。
但社区知识的真正优势在于，这套服务系统还可以向这位旅客推荐他甚至从没去过城市的合适酒店。假设我们的旅客第一次去香港。一个致力于开发社区知识内容的在线旅行社可以为他推荐一个被其他人评价很高的酒店——即那些和这位旅客评价酒店方式相同的人。这样一套服务系统实际上可以帮助顾客选择饭店、汽车服务、捕钓鳟鱼团体或是安排去澳大利亚达尔文市最便捷的陆空线路。旅行者自己的个人电脑根本不具备提供这些深入资讯的处理能力，只有借助一家一对一企业自有顾客群的丰富数据才可以做到这一点。
信息工具
这种对大量信息进行存储、分类并用来获取这些顾客相似特点类型的实际方法，要比典型的终生价值模式更加复杂。但是随着微芯片技术的日益发展，这种方法不一定非得是“统计”模型。
现在甚至普通的PC平台也可以支持某些神经网络系统引擎，而这种引擎从根本上来说无非是通过不断摸索来进行学习。
这种神经网络的运算总是始于一个假定——比如购买A款鞋子的人群也倾向于给B、c款很高评级。那么数据库就会搜索那些给其中一款或两款很高评级的人群，并且电脑会一次一个顾客地核查这些顾客是否也已经买了A款的鞋。如果这位顾客的确买了相同的款式，那么这条假定由于适用于所有顾客（或是类似于这位顾客的其他顾客）就会得到进一步充实；如果没有买，那么这条假定就要在最有可能出错的方面做出细微的调整，并重新测试；然后就是一遍又一遍的再次测试。比如说在此过程中发现连续有几位顾客给B款鞋的评级都很高，而对c款鞋则没有，那么电脑就会对算式进行作一定的调整，从数据库中选出另外一个或一组顾客在新的假定条件下再测试一次，新的假定会更多考虑顾客对B款鞋的评级且较少考虑对C款鞋的评级。超高速、大容量的电脑每秒可以运行数百万次的此类运算，这就意味着他们可以在短短的几分中内对包含多至数百个变量、纵跨百万以上顾客的神经网络模型进行一次又一次的修改和调整。
所以，当我们应用社区知识更好地去了解特定的顾客时，电脑的速度和性能可以让我们更快地获得答案，而原因可能我们自己并不真的清楚。比如，计算机结果表明一位顾客更有可能购买某一款鞋子，并不是因为其他类似于他的顾客喜欢这种款式，而是因为那些曾和他同样不喜欢同一类鞋子的顾客倾向于购买这种特定款式的鞋。在我们运用一个结论去为某个特定顾客寻找一款特定的产品时，我们不必非得先清楚理解这一结论。
但是我们验证基本假定所借助的顾客体验越多，我们就能更加准确地找到顾客最想要的产品和服务。
经验媒体公司
匹兹堡卡内基梅隆大学的年轻企业家肯·兰所做的博士论文，就是研究将神经网络与其它机器学习技术相结合来对信息进行分类和过滤的软件技术。
1995年，肯·兰创办了经验媒体公司（Empirical Media corporation），并依据他的理论开发出了一种商业化应用产品u—Media。
u—Media的目标是那些要对大量令人头痛的新闻与信息进行筛选的数百万互联网用户。如今，典型的网络用户都会对其感兴趣的站点“加注标签”。为了创建和维护最有用的“搜索引擎”，以使普通用户更容易地找到所需要的内容，网站运营商之间展开了一场激烈的竞争。但是除了那些最无畏的网络勇士外，其他的使用者还是会觉得整个系统过于复杂而使人忘而却步。想从网络中进行信息筛选就好比试图从消防水笼头中呷一小口水那样困难。
借助其类端的机器学习和神经网络工具进入经验媒体公司。u一Media可以为你量身订制最后的搜索引擎——一个将会与你最希望检索的信息要求相吻合的引擎，其依据就是你所表明的偏好、互动历史记录以及（此处的要点）其他网络用户的历史记录。这些用户在互动交流时所采取的模式与你相似。
在使用u一Media检索新闻和信息的过程中，你进入下一页或下一分区时所点击的按钮其实就是一个“评价栏”——由绿到红逐渐转变的连续颜色刻度尺。你在此评价栏上所点击之处，将会表明你对正在浏览数据或网页“趣味性”的个人满意程度。
正是因为这种隐藏在评价栏下的丰富反馈信息，企业由此描绘出的特定顾客偏好画面将会比单纯通过分析顾客所浏览页面“点击流量表”而得到的更加精确，而且可以更加快速地聚焦这一画面。
兰深深理解此种做法对其企业未来成功的影响。按照他的说法，“由于用户们在建立个人档案时都投入了一定的时间，而且这种档案随着不断使用会更加富有效率，所以他们都会愿意一直专门使用我们的服务。”如此一来，公司计划免费向顾客提供基本的U—Media服务，一旦能锁定顾客，公司将能从两方面产生巨大的收入：一是通过那些想触及这些用户的广告商，还有就是以较高价格向长期顾客销售其升级服务。
