只有在进行个人财富管理或在B2B商业模式下企业一个月最少与客户接触一次时，“一对一”营销才会起作用，因为在这种情况下，企业不仅能了解客户的业务需求，也能在某种程度上掌握他们生活中的一些信息。但是当面向大众市场时，“一对一”营销就显得无用武之地，因为在这样的市场环境下，企业面对的是一群客户和有关他们性格特征的一组分析。在这种状况下，“一对一”营销对企业业务所带来的通常是弊大于利，因为客户的行为比企业想像的更为随机。如果企业还试图推算出特定客户的购买习惯，你最终得到的收益将远远低于你最初的投入，这样就会吃力不讨好了。
　　
　　仅凭数据挖掘工具是很难推测哪位顾客将要购买某一件商品、他的消费行为可能发生在什么时候的。有时候，为了消除这种不确定性，很多人可能会拿两种产品进行比较，并将比较结果扩展到更多的产品，还会说“它们两者具有非常强的相似性”，然后在这一基础上做一些错误的预测。这样的预测行为对公司来说是非常有害的。对公司来说，寻找到自己固定的客户群是非常重要的，然后可以将他们视做一个群体并对其做相应的产品方面的营销。
　　
　　其实，我并不想特别挑选亚马逊作为一个例子来说明数据挖掘对企业的危害性，但它经常夸耀其推荐系统的行为又让我不得不说两句。有时候消费者可能想在亚马逊网站上购买B书，但是其推荐系统推荐给消费者的却是一些不相关的信息；抑或消费者本来想购买对亚马逊来说能获得更高盈利的C书，这样推荐他们去买B书又是一种错误行为。如果推荐系统经常给出这些消费者并不需要的信息的话，就有可能使一部分消费者流失掉。
　　
　　当然，我并不是说企业不应该采取交叉销售的方式，我只不过是在强调它能为企业带来的利益远远没有人们想的那么高。这就说明了其实企业没有必要在交叉销售领域进行投资，因为最终所投资金可能会打水漂。
　　 
　　CIOI:你刚才提到相比较于数据挖掘工具，概率模型可能会给企业带来更多价值。请你简单阐述一下概率模型的内涵？
　　
　　Fader：概率模型是以前数据量很小的时候，人们经常使用的一种模型。它的建模程序是建立在几个假设的基础之上的：人们做事情有时候是一种随机性的行为；这种随机性的特点可以由简单的概率分布表示出来；人们购物的倾向性因时间、人物和环境的不同而有所差别。在这方面，大概最有名的例子是生存分析，其实它很大程度上是从精算学发展而来的，而且它在制造业中也有应用。假设你把一串电灯泡放在实验板上，观察一下它们能亮多久。其实，这也是我经常建议企业对待顾客的方式。在这种情况下，我们不会对每一只灯泡都进行阐述，就像我们不会对每一位顾客的消费习惯和特点都做出阐述是一个道理。我们通常会对这些灯泡中有多少可以持续亮1000个小时做一个集中阐述。
　　
　　令人惊讶的是，制造业中生存哲学与精算学的这种相似性在客户身上得到了很好的体现。对这一观点，很多经理可能会持反对意见。不过我认为这样的比喻比现在盛行的定制和个性化要好很多。其实，就像灯泡一样，顾客之间有非常大的差异性。但是因为某些原因，我们还没有区分出这些差异性，或者是没有花费时间好好利用顾客之间的这些差异。