銷售端蒐集回來的數據，在行銷端無法發揮太大作用，」55 台灣負責人吳宇祥明白指出現在許多企業擁有的資料，其實一點火力也沒有。55 是一家跨國性的 MarTech 顧問公司，服務的客戶有萊雅、資生堂、愛迪達和雀巢等跨國型企業品牌，協助它們建置數據系統與行銷策略，從客戶需求中，吳宇祥發現許多品牌想做數據行銷，第一個遇到的難關就是「溝通」問題。
他以汽車業為例，當消費者走進展示中心，業務可能關心的是想看什麼樣的車型、喜歡的功能是什麼，但比起這些，對行銷更有價值的資訊可能是：多久參加一次新車試駕活動、透過什麼管道得知新車資訊。
「企業發現長年累積的顧客資料，行銷部門卻無法使用，原因就在於第一線業務並不理解行銷層面的數據需求。」而當每個部門、甚至各產品線追蹤的資料維度都未統一時，最後就會面臨空有一堆數據，卻無法發揮真正價值的窘境。
另一個常見的問題則是：企業並不真正擁有數據。
每年吃掉全球大半廣告預算的 Google 和 Facebook 就是最好的例子。品牌主砸錢在社群、聯播網等行銷管道上，儘管可以鎖定想要的客群投遞，但實際透過這些曝光而帶來的人流中，究竟是什麼樣的族群、使用行為為何、消費偏好等所有資料，卻仍掌握在 Google 和 Facebook 這類第三方平台的手中。
品牌無法留住這些客群，只能一次又一次地投錢、一次又一次地尋找「新」的客戶⋯⋯就像 2004 年喜劇電影《我的失憶女友》中的茱兒·芭莉摩，記憶力只能維持 24 小時，每天早上醒來都要重新認識一次這個世界；品牌主對於這些從大平台上找來的客戶，也像失憶了一般，不管對方造訪了幾次，甚至每次都買一樣的產品，品牌主仍認不得他們。
更別提歐盟個資法 GDPR 帶來的連鎖效應，像是消費者有權禁止 Google 等廣告巨頭的追蹤，也能隨時要求平台刪除所有關於自己的紀錄，種種限制讓第三方數據廠商也遭遇逆風，未來廣告投放的精準度能否維持水準，仍未可知。
因此，為了擺脫上述的困局，幾乎所有企業都在做兩件事。
首先，品牌們正耗費心思要把第三方數據轉變成第一方數據。簡單來說，比起向外攬客，企業更重視累積會員資料。消費者只要多一道註冊∕登入的手續，廣告主能掌握的就不再只是虛無縹緲的數字，而是隨著點滴紀錄勾勒會員的樣貌，並針對不同族群採用不同行銷策略，把會員養成鐵粉。
「這像是一種文藝復興，」替品牌開發 LINE 功能的漸強實驗室執行長薛覲說，當花錢買流量的難度與成本攀升，品牌主才回過頭來檢視自家的會員資料，想從中挖掘更多發揮空間，也因此紛紛尋求跟客戶最直接的互動方式，「就像以前大家對電子報不重視，但現在每家公司都在發電子報。」
在行銷手法五花八門的此時，電子報的經營顯得有些老派，但企業主都意識到它的好處，除了可以直接與客戶溝通外，更重要的是這些互動過程中累積的數據，全都能掌握在自己手中。
最近越來越受到品牌重視的 LINE 官方帳號也是同理。這種個人化訊息的發送，過去仰賴簡訊行銷，如今因為通訊軟體的技術到位，品牌可以做到更精準、個性化以及雙向的互動，且在聊天介面中產生的資料，全都可以累積在自家的數據庫裡。
當企業都握有足夠的數據後，關鍵任務就進入到下一個階段：資料整合。
「所有廠商都在做這件事，」數位行銷公司安布思沛台灣執行長蔡秀麗直言，「大家都在比誰（資料）可以接得更多、更準、更快。」不管是品牌主、MarTech 廠商或代理商，都想要盡可能地將使用者在 App、網頁、信箱、社群等所有與品牌接觸點的數據連接起來，因為唯有如此，才能更明確自家品牌的版圖、勾勒更清晰的消費者輪廓。
舉例來說，某公司在 LINE 上擁有 3 萬粉絲，電子報訂閱人數有 6 萬，而過去透過活動累積了 2 萬筆消費者資訊，但這家企業握有的資料，並非單純相加得出的 11 萬，因為不同資料來源的數據有所重疊，一個客戶在 LINE 上可能被視為代號 A，在電子報系統中則被標示為 B，若資料不加以整理，品牌就無從得知 A 和 B 其實是同一個人。
不過資料媒合的工程浩大，且不管是自行開發系統，還是購買 Salesforce、Adobe 等 MarTech 廠商的產品，成本都很驚人，動輒耗資數百萬元，並不是每家公司都可以負擔得起，那還能怎麼做？
「可以挑選兩三個效果較好的行銷管道，將資料整合起來，」薛覲說，企業可從單一系統的資料整合開始做起，就算只是把會員資料系統與 LINE 好友名單統整起來，對行銷工作來說也會大有助益。
事實上，資料整合不只是幫助品牌更全面了解客戶而已，藉由追蹤消費者跟各廣告接觸點的互動，也能提供品牌優化行銷策略的依據；而未來隨著技術門檻下降、運算能力提升，這些資料可以發揮的效果，可能會超乎預期。
以 55 服務過的跨境電商客戶為例，「以傳統的再行銷（retargeting）來說，我們能投放的規模其實很有限，」吳宇祥解釋，一般再行銷的方式，是透過鎖定幾個高潛力的消費者條件，例如「已經將商品加進購物車」或「加入最愛清單」等，傳送廣告訊息，希望在交易前的最後一哩推消費者一把。
「但真的按加入購物車或喜好清單的人很有限，這樣廣告投遞的範圍就不夠廣，因為再行銷的條件是人為設定的，所以會有局限或偏差。」他說。
他進一步解釋，消費者在實際購買前會經過很多不同動作，可能在 Facebook 上看了廣告、在 Google 搜尋了一次、進了產品頁面兩次⋯⋯各種行為最終成就了一筆訂單，但行銷人該怎麼知道這當中的哪一個接觸點發揮最大的作用？
過去只能靠行銷人推論，但在機器學習等演算技術加持下，品牌可以將消費者購買前的所有行為納入考量，並為每一個行銷管道加以評分。
舉例來說，都買了同一件洋裝的小華跟小美，在下單前的旅程不太一樣，小華接觸了編號 1、2、3、4、5 種廣告資訊後下單，而小美只經過編號 1、2、3、5，仍訂購了同一件商品，此時演算法就會判斷編號4影響交易的力道較小，調降該管道的分數。
只要運算力足夠，除了行銷管道外，還可以再加入時間、內容等更多維度條件，做出不一樣的行銷規劃。也就是說，只要數據愈充足、整合地越完整，未來數據能發揮的效用，可能遠超過現在的想像，「甚至，以後連蒐集什麼樣的數據最有用，都由機器來告訴你。」吳宇祥說。