一如往常的這背後有很多可以談，但所知不足，也恐怕沒有足夠空閒好好整理出 來，只能簡短打一些。首先這篇點出個人資訊的差異性遠遠不如「好惡」的差異， Netflix 以使用者喜好去 grouping 時，地理位置、年齡、性別等等幾乎完全不 列入考慮。在全世界都是同一個演算法。比如文中例子，90% 動漫流量來自日本 之外，國籍影響遠不如宅度來得大。
以這個類比到廣告產業，有趣的因素就多了。首先影片與文學、繪畫等等有類似 性質，往往可以跨越語言、地理限制等，但廣告常常是與地理高度相關的。比如 新開一家餐廳，若不是高度針對某特殊族群，例如高價位米其林美食，或是主打 韓劇歐巴主角等，往往較為重視餐廳周遭的客人，而非對全市或全縣打廣告，更 不用說全台灣。但若是大品牌廣告，例如某車廠新車上市，就會是全台。再例如 新的化妝品，針對女性就遠大於針對男性。之前忘記從哪裡看到的資料，也說若 發傳單這行為能達到某種針對性，轉化率可以有很大的差異。
把這兩個觀點結合起來會是什麼呢？個人認為這在暗示目前網路廣告準確度還有 非常大空間，而有趣的是，儘管這是個事實，但從廣告主開始，卻似乎還無法做 出很好的應對。這是指台灣情況，再遠我就無知了。廣告主目前的嘗試，多半是 採取風險轉嫁，將 CPV (cost per view), CPC (cost per click) 一步步推到 CPI (cost per installation)，或是更廣義的 CPA (cost per action)，簡言之 就是「我賺到錢才付你錢」。然後中間又穿插了 agent 下單到各種平台，但以實 際接觸經驗，也多半是各種經驗上、實務上理由來決定怎麼配，中間並沒牽涉到 什麼神奇的 DM/ML 技術。如此無效率的情況下必然中間有市場，往這方向談下去， 立刻就會碰到 Appier 這類公司。
數據要多大才有用？這中間牽涉到媒體、廣告平台、agent、廣告主、以及一大堆 沒寫出的各種角色競合，有興趣可以看看 LUMA Partners 廣受引用的 這些圖。似 乎掌握相當多有效資料的是 Facebook 跟 Google，但在我看到的、弱弱的場景中， 這兩間往往只被當成下單的標的之一，是 agent 在決定這邊下多少、那邊下 多少、怎麼下。在我沒有實際看到的地方，聽說有很多大咖在互相接近，消滅中 間人，直接以各自掌握的資源對接，並藉以壓迫沒跟上時代的人。
這一片亂局中，目前所處的公司正站在哪裡，該站在哪裡，要怎樣才能走過去， 這些我都還不是看得很清楚。