身為行銷人，你一定聽過以下幾句話，無論是老闆問你、顧問公司詢問、甚至是你曾經問對方：
「東西要賣給誰」、
「這個產品主要設計給哪些對象」
「本次活動廣告投遞的對象有哪些」
「想要溝通怎樣的人」
行銷人都曉得「不要企圖在一個宣傳中溝通所有人（最後只會誰都溝通不到）」，即便在過去以報紙與電視為主的大眾傳播時代，仍會鎖定目標族群來拍攝廣告、撰寫文案，或賦予一個夠亮眼的標題吸引特定消費者，進入以社群媒體的分眾時代後，為受眾建立「人設」似乎變得更重要，如基本的年齡、性別、職業、居住地，到收入、關注、興趣、購買動機、需求痛點...等諸多讓目標對象輪廓更清晰的條件。咦！等等，這不就是「Persona」在做的事情嗎？
數據驅動時代，Persona發揮更強大
Persona稱為人物誌，又稱使用者畫像，被用於商業設計與行銷策略上目標對象的「人設」，由程式設計師Alan Cooper艾倫庫柏提出，在過去Persona的設定則多半來自1. 企業內部人員的定義、 2. 既有顧客數據的參考、3. 統計資料（如：市調報告、產業資訊）、4. 監測數據（如：FB、GA資料），當中雖不乏專業經驗與數據基礎，但當產品未獲市場肯定、行銷宣傳不如預期時，「目標族群設定是否準確」與「資料是否正確」往往都會成為檢討重點。
然而，放眼當今講求「數據為王」的時代，我們可以期待透數據分析與AI機器學習，結合第一方資料、第三方資料從多維度數據中，歸納出以數據為基礎的「Persona使用者畫像」，將幫助我們在行銷上更加有所本、更加準確。
（利用Persona人物誌可以有範圍的設定行銷目標對象）
結合一三方數據，消費「人設」不是憑空想像！
如我們可以從「第一方數據」中，以既有顧客的資料，勾勒出消費者的基本樣貌，如從數據中可以發現「年齡、居住地、性別、購買通路、消費金額、採購頻次」都位於某一個特定區間，就可以知道購買該類商品者大致上的輪廓如何，這個答案可能不會只有一組消費者樣貌，有時可以分類出多組輪廓，而這些歸納出的條件，也自然的成為「使用者畫像」上的「標籤」。
此外，更可以利用第三方數據，如：發票數據、廣告數據、網路數據，讓使用者畫像更清晰，其中：
- 發票數據可以洞察：購買品項、門市地點、消費金額、
- 廣告數據可以洞察：點擊廣告類型，從廣告類型中分析「素材與文案取向」
- 網路數據可以洞察：搜尋關鍵字、偏好網站、瀏覽行為
如以上述功用舉例，發票數據可以發現30~35歲60元咖啡的消費主力，了解發票開立地點都是在辦公室與捷運站附近的商家；進一步比對該年齡族群喜歡瀏覽新聞網站、流行網站；又從廣告數據發現該年齡層偏好3C產品、美食等廣告，並且容易被有「促銷價格」與「金額」的文案吸引；從網路數據中可以歸納出他們喜歡搜尋「美食推薦、好康推薦」。
（以多維度數據驅動Persona中的條件與特徵設定，將更清晰且有所本的看見消費者輪廓）
數據有所本，讓廣告成為「有效資訊」！
當利用上述數據成功反推使用者樣貌，行銷團隊就能再運用已知數據，去推論、預測、假設目標族群有那些人，如在以同年齡區段去比對第一方數據的會員資料，就能讓Persona的設定越接近實際消費者的樣貌，而域動行銷擁有獨家「混血數據引擎」，就包含了「發票數據、網路數據、廣告數據」四大數據來源。
多維度數據應用的時代已經來臨，特別在第三方Cookie即將退場之際，如運用「混血數據」來描繪消費者輪廓、另Persona也數位轉型成為D-Persona，將成為行銷應用上的突破，不僅不再受網路大廠的局限，也能更進一步貼近消費者，知道消費者的喜好，避免一昧的廣告投遞成為雜訊，而是真正成為有益於受眾的廣告資訊，讓行銷生態正循環，創造好廣告、好效益。
（用數據了解目標受眾，可以創在行銷生態的正循環，把廣告變成有利於消費者的資訊）
