数据、数学和营销都是老熟人。时光倒流，穿越程序化、CRM、数据库营销、直销和科学广告时代。尽管如此，无论你如何切片，过去 20 年都是关于数据的。观众数据。转换数据。设备图形数据。第一、第二和第三方数据。身份数据。目标数据。测量数据。大数据。
广告数据痴迷的程序化时代在很大程度上源于易于获得。新网站、新应用程序、新设备和互联网可靠地产生了越来越大量的数据流。庞大的数据集可以（并且在某种程度上仍然可以）轻松链接 - 无论最终用户是否知情或知情同意。广告的数字数据固定也源于财务结果。定位有效。描述性和预测性统计模型有效。学习算法有效。对受众、优惠和创意作品的数据驱动测试。
但大数据不一定是更好的数据。当链接这些巨大的行为数据集（如 cookie 和设备 ID）所需的机制变得稀缺时，尤其如此。这正是今天正在发生的事情，因为不受约束的数据收集、匹配和链接的做法受到两种力量的影响。第一：隐私法，例如 GDPR 和 CPRA。其次，最大的数字平台——Alphabet（谷歌）、亚马逊、苹果和 Meta（Facebook）——拥有专有数据的自身利益，这为它们提供了巨大的专有优势。
幸运的是，许多重要的问题不需要大数据来回答。例如：我想和多少人交谈？他们住在哪里？将媒体预算从线性电视转移到流媒体电视的增量收益是什么？哪些广告平台对我的目标受众的影响最大？
这些问题的答案很小，但很宏观。将宏观数据视为一种经过提炼和集中的广告方法。宏观数据揭示了汇总模式，即使仅在方向上正确，对媒体规划和衡量也比最深的数据湖更有价值。

以下是捕捉逐渐减弱的程序化广告时代与后数字化宏观广告早期之间差异的几种方法。

对于营销人员来说，也许最重要的心态转变是通过大规模应用小数据的策略来缓和对大数据访问的关注。