隨著電腦運算能力與容量大幅進步以及數據大量產生后，評論認為，廣告業者若及時引進機器學習(ML)，將可更準確預測個別用戶偏好，并據以提供適當廣告內容，從中減少耗時與不必要的人力分析過程。據Adotas報導，目前許多廣告業者仍采用所謂“觸及范圍與頻率”(ReachandFrequency)方法，也就是一再向每個人廣播同樣訊息，結果導致消費者厭煩而設法封鎖廣告。
部分業者之所以仍采用此方法，主要是受到電視與印刷媒體廣告思維影響，無法正視數字廣告可帶來一對一與消費者溝通的契機，其他原因則是認為要執行后者的難度相當高。程式化媒體采購平臺就如同大型揚聲器配上糟糕的音樂，負責廣告的創意與訊息端一旦無從施力，就等同音樂本身品質無法提升，卻只是一味將該音樂音量放大。評論認為，在廣告里，欲設計與傳播適合個別用戶的相關與精準訊息確有難度，因此，目前可將電腦程式化各種可能情境。例如消費者瀏覽戶外產品時，若時間剛好是周末而且預報下雨，透過上述條件以及知道該消費者喜愛戶外活動，廣告商便可提供鞋子并在當中提及在雨中健行的相關訊息。
另一例子就是當周間預報天晴時，廣告商便可提供民眾在溫暖氣候戶外慢跑的不同產品與訊息。雖然要判斷民眾行為與其前后關系、再給予客制化訊息耗時且成本高，但此時便可讓機器學習派上用場，借由持續從大量數據學習，機器學習演算法可接近模仿人腦運作。而且當電腦被給予大量數據以及讓演算法接觸到本身產生的錯誤時，機器學習就能發揮最大功效。換言之，就是開發1個機器學習訓練模型，一旦使用足夠大量數據組后，模型會愈加準確，甚至超越人腦的能力。機器學習演算法可讓行銷者處理大量消費者數據，并從中學習及預測最佳產品、訊息以及提供內容的時間點，帶來更好的客戶互動率。除此之外，隨著云端運算的能力、便宜硬件與大量存儲器出現，機器學習的領域持續擴大。長期以來，行銷商便習慣將用戶區分成廣告受眾群，但問題在于受眾仍相當廣，依舊擺脫不了重復一體適用的行銷思維。
雖然要確認個別用戶，例如母親的偏好以及其可能有所反應的東西有其困難，但機器學習演算法具備處理大量數據潛力，可發現不同民眾之間細微的差異，就像臉部辨識利用分群來打造微受眾一樣。若機器學習可辨識微受眾并進一步發現其偏好與習慣，一旦再加上結合機器學習可判斷能引起用戶興趣的訊息的能力，其帶來結果將如虎添翼。日前JivoxIQ推出Neuron機器學習演算法并勝過消費品產業品牌經理后，讓外界一窺機器學習在數字行銷的力量。評論認為，當機器愈有智能，將可為行銷者節省愈多分析成堆數據與報告的精力，轉向去思考創意策略與了解消費者行為。
（來源：DIGITIMES 2017年5月5日）
綜合信息