接着，亚马逊的创办人执行长贝佐斯（Jeff Bezos）开始了一个网络世界重要的尝试–到数据中去挖宝，如果能帮个别客户按照他们的喜好来建议书，那不是更好吗？一开始亚马逊就拥有了大量的客户的个人信息，还有买了什么书的记录，对那些书关注了最后却没有买单，考虑了多久？一起买了那些书。
　　
　　一开始亚马逊还是利用传统计算器运算办法，期望透过样本分析，找出客户之间的相似点，这种技术大不了对一个从事工程师工作的客户建议其它工程师职业的客户买类似的书籍；建议一个买了围棋定式书的客户，买围棋残局的书。就像一个不看书的人为读者提出的合理建议，只是因为他有完整的书单罢了。
　　
　　亚马逊有一个软件工程师格里格(Greg Linden)，他在华盛顿大学博士班时主修人工智能，他想出了一个办法，不要去管客户之间的异同，只要管产品之间的关联就好了，格里格这个团队在1998年以此申请专利，把亚马逊的卖书推荐系统整个改头换面，也为海量数据开始了一个全新的应用。
　　
　　有了这套系统，亚马逊给上网找书的客户两个选择，一个是计算器找出来的建议，一个是内部编辑的书评，这样的并行作业就是要比较那一种建议更有效益，可以说是计算机和人的竞赛。
　　
　　到底编辑写出的内容还是计算机的建议厉害？那一项能带来更多的营业额？没想到，仅是小小的测试一下，那就发现天差地别，计算机的建议远远胜过精彩的书评。
　　
　　没有人知道，喜欢看甲作家的书的人也会买乙作家的书，喜欢惊悚小说的人也会喜欢看历史类的书，为什么如此并不重要，计算机透过书与书之间的关联，让客户一次多买一本书，亚马逊就达到目的了。
　　
　　最后，亚马逊制造书评的部门因而解散了，理由是他们的书评会影响书店的销售。今天亚马逊33%的书是计算机推销出去的。
　　
　　计算机从海量数据中找出事物的关联性，知道“原来如此”就够了，根本不用去理会“为何如此”，就能解决商业问题？
　　
　　像谷歌这样的搜索引擎一天就有几十亿的搜寻，几年下来存下来的数据如海洋一样辽阔壮大，谷歌还提供API让你的计算机去海量数据中寻找你要的关联性。
　　
　　如果你卖的是衣服，你可能从海量数据中发现下一季少女可能流行的颜色或式样。
　　
　　你是搞印刷的，如果你知道什么是最热门的产品，当然愿意给相关产品的印刷品打个折扣？