數據科技在行銷產業早已經廣泛的應用，早在程序化購買之前。至少，在 David Ogilvy 在1948年創立公司時，就已經秉持廣告的基礎是必須先取得消費者的相關資訊，正確了解廣告對象。21世紀以前，運算與通訊科技不像現在發達，大量使用量化問卷或質化調查來了解廣告主產品。在研究調查的過程之中，一樣需要統計科學，一樣需要考慮數據的不完全精準性(veracity)、數量(volume)不足或採樣多樣性（variety）不足帶來的數據偏差（bias），一樣要針對所收集到的問卷與調查進行數據清理（data cleaning）。基本上與現今喊得震天響的大數據應用，其實是在同一個科學方法上。
過去與現在的差別在於「行為的數據化」。21世紀以前的視聽與消費數位足跡相對少，2017年的今天少有人一天沒有留下數位足跡。那麼在2017年的今天，是不是只要有數據就無所不能、就無敵了呢? 筆者對於數據科學，或者基於數據科學而生的人工智慧，算是抱持樂觀看法，也不認為短期內數據科學帶來的人工智慧，可以不需要或取代人類(工人)智慧。(問題是，沒有人在意你的看法)。那就引用一下，著名的瑞典未來學家- Nick Bostrom在2014年發表的論文，其中根據他的調查，全世界著名的人工智慧專家，對於所謂的強人工智慧(Artificial General Intelligence) 前10%樂觀的看法是2022年出現、正常 (50%)的估計是2050年出現、最悲觀(後90%)的看法是在2075年，才會出現具有能力如同人類具有「通用」智能，必且能夠自主進化發展。
寫到這裡，很可能會有人腦袋冒出「AlphaGo」，2016年「AlphaGo」不就已經大打敗世界棋王李世乭、柯潔，難道不能說人工智慧已經打敗人類了嗎? 首先，「AlphaGo」確實是採用了深度學習(Deep Learning)、分散式模式運算、具有超過1000顆CPU+破百顆GPU、一個具有兩個運算網絡(策略+評價)的弱人工智慧(Artificial Narrow Intelligence)。大家先不要看到弱，就真的覺得弱。正確地說， 弱人工智慧應該是特定領域的人工智慧，以AlphaGo來說，就是專注圍棋領域的弱人工智慧。曾經有媒體，把AlphaGo形容成是泛用的人工智慧，其實是不正確的。
回到行銷領域來，回到我們面對的商務環境。確實，現在已經有不少客戶、甚至有些產業的商務活動大部分都已經數位化。但是只看品牌與消費者互動所留下的數據，或者利用消費者數位足跡的數據，是否就能夠解決所有的問題。在此，提供真實案例作為參考。
案例說明： 甲品牌預計上市A產品，希望藉由大數據科技從CRM系統找出A產品潛在消費者，讓門市能以更短時間完成銷售活動，以增加銷售數字。
案例解析：在此案例中，大致可以分成三個任務，1. 潛在消費者名單，利用CRM中的消費者的消費歷史紀錄，確實有機會以數據相關的技術找出潛在購買消費者。2. 節省門市時間，利用正確的名單，確實有機會縮短說服的時間，但陷阱會是：i. 門市銷售流程，是否有明確的時間紀錄，如果沒有過去紀錄那要如何證明時間被縮短? ii. 名單如何提供給門市，門市如何記錄時間與銷售過程，記錄的工作會不會讓門市人員「感到麻煩」? 3.增加銷售，既然是增加那就要搞清楚「增加」的定義，否則將無法衡量結果？ 在此案例中，除了數據科技的應用外，還需要思考消費流程、線上與線下作業流程的整合等。
到此，應該會有前輩說「這不就是搞清楚Brief嗎」，沒有錯，如果沒有問對問題，舉著數據科技大旗就想聲稱解決所有問題，那就是把數據科技自動升級成強人工智慧(Artificial General Intelligence)。但，在此消費足跡中充滿數據的時代，僅靠著過去的經驗，開啟「經驗自動駕駛模式」而忽視數據科技，就會像明明第一次到開上首都高，卻刻意關閉汽車GPS還不看Google Map一樣瘋狂。
最後，這篇不是要嘴數據科技，相反的是提出數據科技已經是行銷產業供應鏈中重要的一環，有真材實料的數據科技夥伴是非常重要的。但是跟過去一樣，回到品牌與消費者互動的現地現物還是重要的，差別有時候是看實境真人的互動、有時候是看數位足跡的數據、有時候更需要看兩者之間轉換。簡而言之，消費者的洞察，不管是數位的足跡、還是實體世界行為，都是無法省略的功課。但，所有的數據，如同看會計數字一樣，只會提供原則性真實的結果，不會有原因，原因還是需要我們這些「工人」去探詢 (至少在目前的科技環境下)。
