以下的場景你是否感到似曾相似：當你看完一部 YouTube 影片後，緊接著自動播放下一部，剛好符合你的口味，於是你又將它默默看完後，系統再度推薦你另一部影片，這樣的情境不斷重複上演。抑或是當你使用串流音樂播放器 Spotify 聆聽音樂時，你將歌單全聽完時，系統會自動播放曲風相似的歌曲，或是為你量身打造的「每周新發現」歌單，正巧其中有非常多首都剛好是你很喜歡的歌曲。此時你可能會開始疑惑，為何 YouTube、Spotify 總知道我喜歡什麼？本文就來為你解開背後的秘密！
相信大家對這樣的現象已不陌生，這藏在其中的祕密就是「演算法」。演算法最初用於數學和電腦科學的運算和推理中，是一系列具有完備定義的有限具體計算步驟，能用來解決某一特定問題。當代電腦科學家高德納（Donald Ervin Knuth）在其著作《電腦程式設計藝術》中，就歸納出演算法具備的五大特徵：輸入、輸出、明確性、有限性、有效性，將這些特性延伸至今日的科技，甚至結合大數據等技術，就能應用在各式各樣的產業之中，來完成各自設定的不同目標，解決各種問題。本文將以 YouTube、Spotify 的演算法為例來介紹其應用。
一個企業或平台會使用演算法，必然有其目的，當我們先清楚了解他們的目標後，再來探討背後的機制會更簡單。以串流平台為例，他們使用演算法的主要目的就是為了讓用戶在他們的平台上停留更久的時間，以賺取更多的廣告收入，而他們也的確做到了。像是 YouTube、Spotify 透過自動播放功能、推薦影片或歌單幫助用戶找到喜歡看的影片和喜歡聽的歌，讓用戶對他們的平台愛不釋手，同時提高顧客黏著度、忠誠度，能夠持久留住客戶，讓他們觀看影片或收聽音樂更長時間，以賺得更多廣告利潤，甚至成為付費會員。
在明白企業使用演算法的目的後，就讓我們來探討演算法背後機制是如何運作的。知名 YouTuber PSYMAN 塞門就曾針對 YouTube 演算法製作一精闢的影片說明，他提到 2016 年 Google 有一份研究報告指出 YouTube 推薦法運作過程，首先 YouTube 會從新的影片出篩選出你可能會想觀看的影片類型，假如你所觀看的影片類型大多為英文教學，那麼 YouTube 可能就會推薦你看阿滴英文頻道的影片，之後根據你的觀看習慣推薦適合你的影片，將綜合考量你過去觀看的影片長度、搜尋過的內容、影片觀看次數、對影片的參與程度等因素。如你過去所觀看影片的分鐘數大多為十分鐘左右，那 YouTube 就可能會推薦你觀看片長約十分鐘的阿滴英文影片。
不僅如此，YouTube 還將透過演算法學習機制更加進化，推薦影片會反映出觀看者的興趣，將從推薦你同一種影片類型到建議你觀看另一個相關類型的影片，如你在觀看美食節目，YouTube 可能待會就推薦你看大胃王系列影片。另外，YouTube 也會推薦大家都在觀看的影片類型給你，使大部分的推薦影片都集中在某些類型，像是熱門音樂 MV、發燒影片等，因所有人都喜歡此類型影片，所以 YouTube 就會一直推薦同類型影片。
而在另一方面，Spotify 是如何做到精準掌握每位用戶的音樂品味而製作個人化「每周新發現」呢？當他們發現原先由音樂專家打造的人工歌單無法滿足每位用戶的音樂喜好後，決定引進演算法來為用戶制定客製化的專屬歌單。根據科技媒體《機器之心》的作者之一李澤南指出 Spotify 主要使用了三種歌單推薦系統模型：
利用上述三種模型，Spotify 打造出功能強大的演算法，為聽眾量身訂做客製化歌單，以精準行銷提供客戶要的產品或服務。
透過演算法，YouTube 和 Spotify 兩家公司能夠清楚地了解顧客要的是什麼，準確地投其所好，並順利讓用戶在各自平台上停留更久的時間，賺取更多的廣告利潤，成功達到精準行銷的目的。
我們可以將演算法的概念類推至行銷、設計、廣告策略中，根據每一位消費者的喜好投放適合的廣告給他們，像是不同消費者會偏好不同顏色、規格、尺寸大小、視覺、文案的廣告，但光靠美編或行銷人力不可能為每一位潛在顧客都客製化適合的廣告，此時你就需要 dipp 廣告素材自動生成的幫忙，能助你在短時間內海量生成各式各樣的廣告，dipp 將協助品牌透過匯入製圖設定，快速生成常見投放管道的各種廣告尺寸（FB、IG、GDN、Yahoo），幫助你在廣告投放的過程中備齊所有需要的廣告素材，讓你能夠順利趕上各式促銷活動及節日，並減輕人力和物力負擔。
總結上述，我們剖析了演算法在 YouTube、Spotify 兩大平台的應用、探討其背後運作的機制，並指出他們運用演算法達到精準行銷的目的，將其延伸至其他領域中如廣告投放，能利用 dipp 廣告素材自動生成，為顧客打造客製化廣告，提升製圖效率並降低成本，發揮精準行銷所帶來的好處。