Barangolunk az Interneten és hirtelen olyan oldalra bukkanunk, amely mintha mindig is ránk várt volna. Tudja milyen filmet néztünk legutóbb, de azt is, hogy milyen könyvet fogunk olvasni a jövő héten. Kolaboratív szűrés (collaborative filtering) az ízlésfüggő termékek (tasty product) értékesítése az Internetre költöztethető, sőt ezzel az online marketing módszerreé növelhető az értékesítés volumene is.
A marketingesek (és ezen belül az online marketingesek is ugyanúgy) mostanság a sztereotipizálás finom játékát játsszák. Előre meghatározott fogyasztói csoportok halmazát hozzák létre (középosztálybeli, jól kereső fiatal karrierista, belvárosi, munkásosztálybeli, vidéki vallásos stb), mindenkit besorolva valamalyik kategóriába. A kollaboratív szűrés ezzel ellentétben a múltbeli választásainkra összpontosít és nem arra, hogy a csoport, ahová besoroltak milyen általános jellemzőkkel rendelkezik, mivel a valóságban a régi, demográfiai és pszichográfiai adatok nem helyettesíthetik a fogysztói preferenciál ismeretét.
A kollaboratív szűrés nélkül más választja ki helyettünk a rádióban játszott dalokat, vagy az újságban megjelent cikkeket. Egy szerkesztő, vagy egy marketingszakember kényére-kedvére vagyunk kiszolgáltatva. Ám a nagyvállalatok marketingszekemberei elvesztették a kapcsolatot a tömeggel a tömegmarketing megjelenésével, hiszen az általános reklám nem szólítja meg azokat, akik elütnek az átlagtól. Az ügyfélkapcsolat menedzsment szoftverek (CRM -Customer relationship management) lehetővé teszik, hogy a személyre szabott (one to one) marketing kialakítását. E felfogás szerint a vevőket egyénenként kezeljük oly módon, hogy nyomon követjük és megjegyezzük az eddig választásait és így az egyéni igényeinek megfelelő terméket ajánlhatunk számukra.
A vásárló preferenciák azonban nem csak az egyes vevők ízlését tükrözik, hanem egyben létrehozzák a legközelebbi szomszédok kialakításához szükséges adatok halmazát is.
Tanulmányozva, hogy a vevők mennyi időt töltenek az egyes weboldalakon meghatározhatjuk, hogy mutatott-e érdeklődést az adott téma iránt. A vásárlók böngészése nagyon árulkodó: rákattintott a termékre?, megveszi?, tudomást sem vesz róla?
Ha már egy adott fogyasztói populációra vonatkozó értékelések egész halmazával rendelkezünk, akkor kezdetét veheti a személyre szabott ajánlatok gyártása. Ekkor elővesszük az illető összes eddigi preferenciáit (azaz a profilját) és egybevetjük más felhasználókéval. A profil összehasonlítása történhet korrelációs, illetve átfedési adatokból is. Olyan embereket keresünk, melyeknél az átfedés és a korreláció is magas, mert ez azt jelenti, hogy egy véleményen vagyunk, tehát ők lesznek a legközelebbi szomszédaink. Átlagoljuk egy adott olyan termékre való értékelésüket, melyet még nem ismerek és már meg is tudjuk jósolni, hogy miként tetszene nekem. A valóságban persze ehhez bonyolúlt matematikai műveletek sorozatára van szükség, de akkor is ez a lényeg.
Kollaboratív szűrés során a honlap látogatókat választási lehetőségek elé állítjuk, így a természetes interakciók során visszajelzéseket tud adni explicit értékelések formájában. A vásárlópreferencia adatok elemzése és automatizált megtanulása során progresszív értéket tudunk adni, mely a vásárlói lojalitás növekedéséhez és a konkurensek által történi ügyfél elcsábítás megakadályozásához jelent egy új szemléletű megoldást
