Ep3: 解密廣告科技業，Adtech是 data science 的小天堂
「用聽的」
「用讀的」
Amy: Hello, 大家好，歡迎大家收聽第三集的「數據女孩的中年危機」。
Amy: Stella，這個禮拜過得怎麼樣?
Stella: 這個禮拜感覺過得很快，國內的朋友們都還在過年上班。好像也並不是特別的全身貫注。再加上這個周末有一點特別的計劃要給兒子 potty training,所以心理壓力還挺大的。
Amy: 幾歲要 potty training 啊?
Stella: 醫生是說三歲之前，所以我們現在已經是快要到這個截止線了，感覺再不 Training 的話，可能小孩要留級了。
Stella: 所以我現在也很有壓力要趕緊給他 potty training.
Amy: 要留級，所以說一定要 potty training 結束，才可以升級，不然就像考試沒考過一樣。
Stella: 類似，就是他現在在小班，老師還是會給每一個小朋友換尿布，但是他要在升一級去大班的話，大班的老師就不會給小朋友們換尿布了，所以他要自己解決這個問題。
Amy: 哇，所以就跟不會背99乘法表一樣，就是會留級。
Stella: 對，就是類似吧，一個checklist一定要做，做了才可以升上一級。
Stella: 所以現在壓力還挺大的，因為正好他下週一是President's Day,他們放假。有一個三天的時間，我就打算給他來一個potty training Boot Camp.
Amy: 哇，Good to know， good to know。我這禮拜被我媽發現我有一個Podcast我媽就開始非常關注我沒有聽眾這件事情。
Amy: 她說她每天早上起來好像就會看YouTube看一下。我有幾個訂閱。
Stella: 你媽媽，這種應該被稱為是事業粉吧?就是很關注你的 Podcast 事業發展得好不好。
Amy: 對，她很擔心我沒有人聽。所以希望大家多訂閱，分享，不然我媽會很傷心。
Amy: 她每天跟我打電話。會先說「欸，我看你今天只有20個人」。哈哈哈，語帶淒涼。
Stella: 我們要幫助Amy向媽媽證明自己的能力。
Amy: 哈哈哈，對，所以大家現在在Google百度上直接搜「數據女孩的中年危機」都可以找到我們。
Amy: 我們也做了一些SEO優化。所以簡體中文、繁體中文現在都搜得到了。YouTube還有各大的Podcast平台上可以找到我們。
Stella: 也感謝當時給我們提出在Apple Podcast上用簡中搜不到的朋友，也是你指出這個問題，我們才去fix的。
Amy: 小紅書啊、Bilibili啊、小宇宙、喜馬拉雅就是簡中平台也，都可以找到我們。
Amy: 所以就看，大家方便，喜歡用什麼平台關注我們，都可以。
Stella: 我們也會匯集多個平台的粉絲數量，subscribers數量進行匯總呈報給Amy的媽媽。
Amy: 對。 我會給她一個非常具體的report，她只能看到一個平台， 但只是冰山一角。
Stella: 不是我們的所有。Amy。我們今天聊什麼呢?
Amy: 今天好像要先聊我的事情，因為我們上一集有提到我一開始入行做Data Science是做Ad Tech,也就是廣告科技業。我也今天跟大家分享一下到底是做什麼樣的事情。
Stella: 對，上一集有提到過。其實我入行的第一份工作也是在Ad Tech,但是在那一家公司做的時間。所以我對這個行業並沒有很深刻的觀察或者是認識。
Stella: 今天還挺想聽你聊一聊從你的角度，你的工作經驗看到的Adtech是怎麼樣的。我的第一個問題就非常的broad。什麼是Adtech?
Amy: 其實是賣廣告的，現在我們說Adtech的話，基本上講的是Digital Ad.
Amy: 傳統的Ad可能是像是電視上的休息時間的廣告，或者路邊的看板啊。但是自從有搜索引擎等等，以後這個網路上的 Digital Ad 就無所不在了有很多優化的空間。
Stella: 嗯。
Amy: Ad的話一般可能分三種吧。大概講一下，其實每天都環繞在你身邊。第一個可能是關鍵字Keyword Ad,就是你搜尋百度啊Google啊，前面那幾個有廣告字樣的Keyword.
Amy: 第二個是Display Ad,就是大家裝Adblocker喜歡擋掉那些呵呵呵，飄來飄去的Ad，還會用掉你很多cache覺得很煩的那些。
Amy: 第三個可能大家比較不熟的是native ads,就是他pretend to be content的ad,就是他看起來好像教你一些有用資訊的，可是他其實是為了廣告而生存的content，這種叫native ads.
Stella: 所以這種也算是我們中文裡面說的，軟文嗎。
Amy: 嗯 軟文，但我覺得中文的軟文還比較有skill一點。我覺得對 美國的軟文可以很沒底線。。。
Stella: 還是很直接，是嗎?
Stella: 哦， 這樣啊，那這個ad tech也是一個，或者說整個廣告業，也是一個很大的生態。
Stella: 那這個行業裡面有哪些players呢？
Amy: 我腦子裡面是分大概三種啦。如果在digital ads這個領域。第一個可能是大家比較直觀會想到的，是Ad Agency、Marketing Agency。基本上就是，我是可口可樂去找一個Marketing Agency說「欸， 你給我搞個1 year long 的 campaign」。
Amy: 然後我給你這麼這麼多錢。你多少錢去幫我下關鍵字廣告，多少錢去幫我拍Display Ads，之類的。
Amy: 或者是大公司的Marketing部門，其實也有點像Ad Agency.他可能就自己包了，他不再外包出去。應該是一般的人想說「欸，他家是做廣告的」這個意思。有點像行銷公司， Marketing公司。
Stella: 所以他們也做很多創意類的工作，是嗎?
Amy: 對啊， 他可能要做創意定位啊，做關鍵字，他可能要去幫品牌做一個定位研究，什麼樣的關鍵字比較值得買，或者是他的display ad要怎麼樣的position比較好。
Stella: ok.
Amy: 對，這個是第一類喔。第二類就大家比較熟悉的各個網路巨頭就是像google facebook linkedin,他們其實就是一個廣告的中間人吧，就是他給你位置，給你買，幫你做這個媒合的動作。
Stella: 相當於是高速路旁邊的廣告牌。
Amy: 對對對，就是 own 那個廣告牌的老王。
Stella: 對，我記得我之前有做過相關的 project 當時我看到好像是google還是facebook的這個價位。當時其實有驚到我，我感覺還蠻貴的。
Amy: 對，you have no idea people spent so much money on ads。
Stella: 對，我記得我當時做到那個項目被價格驚到之後，我每次用Google搜索的時候，我都會特意看。
Stella: 對，這個result是不是一個廣告，我會去特意點那個沒有廣告的，幫他save一點錢。
Amy: 我有時候會覺得，哇，你家這麼有錢，我會故意點廣告的那個。
Stella: 哦，是嗎?多點兩次。
Amy: 像這些關鍵字廣告在火的時候，就是你可能按一下廣告商，他就要付5刀、10刀、20刀。像是車子，insurance這種，我們所謂high CPC，high cost per click的關鍵字，你點一下5塊、10塊美金，就沒了。
Stella: 除了ad agency和這些platforms/networks，還有別的players嗎?
Amy: 我之前工作的公司是屬於這個第三種。他沒有一個非常明確的名字，他們做的事情也比較under the radar，就是他不太喜歡很高調的去形容自己做的事情。這種我們一般叫marketing或者native ad platform或者有些人會說他是contexual marketing platforms。這些都是一些很泛,很泛的名字。
Amy: 對，它就是在網路上，買買賣賣這些 Digital Ads。
Amy: 它可能就賺一個差價，或者是它可能會擁有一些路口的網站。我剛才不是提到Native Ads嗎。就是它看起來其實是內容，可是實際上它是一個為廣告服務的內容。這些平台，它可能就有很多這些Inventory。
Stella: 這一類的公司，就這一類的Player,他們有一個就是什麼共同的mission嗎?就是他們是要做一件什麼樣的事情呢?
Amy: 他們的mission，其實就是connect the agency to the network。你，如果是一個ad agency,例如你是可口可樂，你想要很廣的去放你的廣告，那你如果只是去買關鍵字廣告，分頭再去買一些display ads,你不可能一家一家去買嘛，因爲那個manage的成本很高，那你可能就會跟這種marketing platform合作。
Amy: 你就說，我現在想要target這個category,那你可不可以幫我就是去這樣的網站、平台、channel都去廣撒廣告。
Stella: 那你剛才提到說盈利的模式，或者是盈利的模式之一是賺這個差價。那是怎麼產生的呢?
Amy: 因為每一個click它會有一個cpc產生。就是你去按一個廣告，你下廣告的人肯定就要付給Google,可能20塊例如。
Amy: 那Google可能可以跟這些platform合作就說 欸，那我們現在20塊的利潤來了。你幫助我成就了更多的流量，那不然我跟你分，你拿8塊，我拿12塊之類的。
Stella: 這是有點像批發和零售的這種感覺嗎?
Amy: 對對對 也有點像是代理商啊，broker啊。隨便你怎麼想。有很多種合作的方式。所以你這樣大家可以理解為什麼這一類的公司比較under the radar.
Amy: 因為太複雜了，每一個deal可能不太一樣，所以它一般講也講不清楚。
Stella: 你剛說低調，確實是。說到ad agency，就像我廣告業完全不太了解的人，我也大概知道有那麼幾家是知名的。那ads platforms和networks就基本上所有人都知道，你打開網頁每天看到的這些。
Stella: 但是你說的這個marketing platforms確實是不怎麼聽說。那這一類的公司裏面有什麼企業是特別有名，大家都知道的嗎？就至少是這個行業裏面的人大家都知道的。
Amy: 我也離開一陣子了，不過像我以前的公司算是其中一個叫s1。另外一個公司叫了 the trade desk也有上市，他們的股票比我們強勁很多，哈哈哈哈。
Amy: 還有像是，我有知道一個算是做video ads比較有名的，叫做GumGum,就是口香糖口香糖，GumGum。
Stella: 我記得你跟我提過，就是你待過的這一家marketing platform的公司，也不是一個規模特別大的公司，是嗎?
Amy: 嗯，對。這一行業還蠻有趣的哦，就是你要是 infrastructure 做起來，你找到自己的盈利模式的話，你可以用 data science 去很快速的 scale,所以你不需要很多人就可以把生意做起來，它的scalability是還蠻厲害的。
Stella: 剛才提到，就是說Data Science在Marketing Platform,這類公司裡面應該是有很大的施展的空間那對於就是其他類型的Players, Ad Agency， Ad Platform，就是不同的Players裡面Data Scientist都是有機會的嗎?
Amy: 嗯對，因為Digital Ads其實是對Data Scientist很friendly的一個行業。所有的數據都非常的乾淨，源源不絕，真的是很幸福的一個environment.
Amy: 所以，無論是在哪一個Player裡面，Data Scientist都還蠻多工作可以做的。
Amy: 例如在Ad Agency的話，它主要的是為客戶服務嘛，假設你的客戶是可口可樂的話，你希望替可口可樂的廣告帶來更大的效益。另一個方面，是一個很開心的行業，因為你其實就是幫他花錢呵呵，把每年無限上升的廣告budget花完，你就優化它的轉化率。
Amy: 細一點的先不講，就例如我要花多少錢在什麼上面啊，但是很多這類型的工作， 它可能就是需要做MMM，Mixed Marketing Model,就是說我到底花了多少錢 在什麼上面，有多少的效果，因為我這樣才知道我明年要花比較多錢買Super Bowl Ads還是要花比較多錢買關鍵字Ads.
Stella: 就是所謂的計算Attribution.
Amy: 對 就是Attribution Modeling.但每一個公司能夠做到的程度也不一樣啦。但是Ad Agency也有Creative的成分，所以有時候Strategy對了，Data Scientist就比較有個Free Ride，只要Idea對了， 怎麼效果都很好嘛。
Stella: 那Ad Platform這類型的公司。
Amy: 這類型的公司我覺得。我覺得對真的想做machine learning的人確實是非常非常好的機會，因為你想像，如果能去Google去幫他們做很多廣告匹配 matching的這個algorithm的話，那確實，從scale來講，還有number of problem you can solve真的是很無限大。
Amy: 覺得這一類型的工作。他可能會花很多時間在研究怎麼去經營這一個marketplace,因為他畢竟就是一個有人賣廣告，有人買廣告的地方。
Amy: 例如你在reddit上面要怎麼去媒合你的supply and demand等等的。像最近看很多twitter就是X的那個新聞很好笑，他們現在advertiser比較limited嘛，所以你要怎麼把這些Advertiser去Match在適合的Content。例如麥當勞，他就不想要Show up在某某人講話旁邊啊等等的。這些其實都是Data Science可以幫忙的地方，很困難的Problem我覺得。而且他有經濟的成分在，就是你要怎麼定價，很多廣告，大家可能有一點聽過，就是他是Auction Based,就是你是競價 價高者得，但你作為一個Ad Platform，你也要去Monitor、去Control一下這個Market是怎麼運作的。
Amy: 所以我覺得像是Run一個小型的股票市場，真的還蠻好玩的。
Stella: 對經常聽說的是他們的就是Bidding的算法。
Amy: 對那回到我本來的行業。我們是比較像是Native Platform、 Marketing Platform。那我們其實就是夾在中間。我們需要去做的Model，可能是去Speculate,說這些Ad Agency就是這些來買廣告的人，他會出多少錢買。我們會去做Model去猜他的買價，但是同時我們要做Model去猜Google啊， Yahoo啊或者是Reddit這些人的賣價。
Amy: 你如果知道買價跟賣價後，你才能夠去中間賺一點小差價。
Stella: 我想像就是，如果你要預測Platform的這個價格的話，應該還是比較好預測的，因為可能有更多的數據，更多的Data去Observe他的Pattern.
Stella: 但是對於Ad Agency的話，你怎麼去判斷他的出價?
Amy: 買家跟賣家。他其實也不太確定他明天具體要花多少錢做這些事情。但是你，如果有過去的data的話，你就可以用過去去forecast明天。
Amy: 這一個行業，廣告的話，seasonality也很強嘛，所以你就可以用去年的聖誕節去猜今年的聖誕節會發生什麼樣的事情。
Stella: 嗯，那，Amy，你可以舉幾個例子就比如說是什麼樣的agency side的data可以幫助你預測它的出價嗎?
Amy: 其實所有的data provider只有這個ad platform,因爲你不可能去叫可口可樂說「誒，你家今年要花多少marketing budget?把那個報表直接拿來給我看」。
Amy: 所以你一般是從這些ad platform，就是Google啊，Yahoo啊，Reddit啊他會給你一些數據你去做data ingestion,把它的數據放到你的資料庫裡面，這些就是你的training data.
Stella: 嗯。
Amy: 這樣其實會延伸出很多data problem嘛。你到底平台願意給你多granular的data?那就看他們心情了。他，如果要明天給你，晚一個禮拜給你，那也是看他們心情了。
Stella: 所以真的就是完全看他們心情嗎。
Stella: 可以去這是買的data,是嗎?
Amy: 嗯，他會給你，但是他會給你的程度是他決定。
Stella: 這個是面對所有的marketing platforms都是一樣的嗎?還是他會有意或者是無意的給某一些platforms更好的data給其他的就是less granular data.
Amy: 嗯，這個聽眾如果知道內幕的話，可以跟我們講一下。
Stella: 我感覺就好像有很大操作空間。
Amy: 非常多操作空間。就我的理解是，他會一視同仁的給你data,但是他會用很多方法去限制你能夠知道的顆粒度。就是你可能可以知道說「喔，這個campaign昨天多少多少錢」，但是你沒有辦法具體到這一個點擊是多少多少錢。所以這個就還要再reverse engineering。基本上工作幾年。你會發現說哇， Google，真牛逼，全部都是， 全部都在他家。
Amy: 他要不要給你。就是他，他的心情說了算。
Stella: 你這樣一說最近Google股票跌得有比較厲害。可能說得我有點動心。
Amy: 對。 所以你看，像Meta Google,這種公司，它90＋%的賺錢都是從廣告來。
Amy: 他們其實對這整個生態有非常非常大的話語權，大家都是又罵又離不開。
Stella: 嗯，那，Amy，你在這一家廣告公司，這個Marketing Platform公司做的時候，你做的具體Project 是什麼類型?
Amy: 其實就是把一個問題，這個剛講的，這些巨大的問題分解成小塊。
Amy: Day to day其實我們有興趣的就是「欸， 如果說明天，買什麼廣告會賺錢」，當然就是單價越高的廣告類型越值得我們去做。那給大家舉幾個案例，單價越高的廣告類型，可能是例如車子啊， 保險啊，這種高單價的東西。
Amy: 你其實只要打開電視看到什麼人天天都在電視上放廣告。他其實相對的，他的關鍵字廣告也便宜不到哪裡去。你打開美國電視天天在賣藥嘛。
Stella: Liberty Insurance.
Amy: 對對對。
Stella: 印象太深刻了。
Amy: 對，例如賣老人的一些需求。給大家講一個比較好玩的Category.我們以前有一個關鍵字很火，叫Walk-in Tub.
Amy: 你知道什麼是Walk-in Tub?
Stella: Walk-in Tub是可以走進去的浴缸嗎?
Amy: 對它是一個有門的浴缸，因為老人，他很容易摔倒，他不能夠跨來跨去進浴缸。
Amy: 所以現在就有賣一個叫Walking Tub.你可以打開一個門，走進你的浴缸，再把它關起來。
Stella: 我好好奇啊。我一會兒要去搜一下。為什麼不用Shower Panel呢?
Amy: 要泡澡啊。
Stella: 哦對。
Amy: 嗯。
Stella: 我等會要搜來看。
Amy: 看對，我覺得做這個行業那時候最好玩的就是發現這些奇奇怪怪的category。
Amy: 嗯，其實不要說老人家。我看到Walking Top我也想點進去看一下一個多少錢。
Stella: 哈哈哈哈那。所以你剛剛說就是你們會每天考慮要買哪些廣告。這個廣告指的是就是類似於這種platform,比如說Google,上面的keywords是嗎。
Amy: 對，其實有點像是華爾街在想說明天什麼股票會漲。
Amy: 我們就是在想說欸，明天我們要去買賣什麼樣的keywords,對，甚至display ad,這些都是一樣的邏輯。
Stella: 嗯，你們的這個modeling做的是很複雜的嗎。
Amy: 嗯，覺得蠻複雜的。我覺得今天不用展開講，可是如果有做marketing或product optimization,可能都知道就是你會去思考一個人，他在網路上的行爲是什麼樣?所謂的funnel嘛。就是他的漏斗是什麼樣子?
Stella: 對。
Amy: Ad tech的話，要做到很細的話，就是你把這個漏斗，一層一層的切開來，每一層都去給他做一個model.
Stella: 嗯，對，
Amy: 那合起來，就是會是一個全面的optimization.
Stella: 在這一類的公司裏面就，比如說我想象可能funnel每一層都可以是一個model或者甚至是幾個model。那在你工作過的這個公司是會有一個data scientist去負責一個這樣的model嗎? 還是說這個model復雜到會需要幾個data scientist去同時做。
Amy: 前期的話，大家還不用每一個每一層都做得很細哦。所以就可能一個人負責一個 funnel，後來就會開始，幾個人負責半個 funnel.要把它做得很精，很細這樣。
Amy: 所以做到後來，會覺得 哇哦， 越來越細了。你就開始進入像之前Stella講的疲憊感哦， 因為每次好像問題都差不多，只是又更細了一點，就會越來越沒意思了。
Stella: 我想像就是因爲維護Machine Learning Model的成本其實還挺高的。嗯，如果說是比如說一個Funnel讓你說切成好多不同的Layers,你剛剛又提到，說可能每個Platform都有不同的Funnel,那這真的是很多的Models誒，這個Portfolio得有很多個Machine Learning或者是Data Science Model 需要Maintain吧。
Amy: 對啊，像我們之前，可能一個Funnel裏面，我們大概就有快10個Model在跑。
Amy: 你把它實際上來想像就是，每一次我們就是Render一個Page的時候它就會去Call這些Model去拿到它的結果。所以，Latency還蠻重要的。
Stella: 嗯。
Amy: 做AdTech的話，你一定要考慮的就是Latency,就是你Scoring要很快。第二個就是它的Scalability,就是無論什麼千奇百怪的traffic進來，你都要能夠處理這樣。
Amy: 如果在一個ecommerce平台，你能夠決定你的 data format 是什麼樣。所以它就是有標準，不太會有 surprises。
Amy: 但是在Ad的世界，whatever you receive is whatever you get。所以模型的 flexibility 要很強同時兼具 latency 這樣。
Stella: 在你工作過的這個 marketing platform公司，data scientist 是要負責end to end嗎?就是你們要負責in production的model嗎?
Amy: 所以我就特別喜歡在新創工作，因為肯定是要end to end,因為也沒有別人幫你做這件事情。那時候我還是做model的本身，所以會有engineering幫你去解決很多的技術問題， 例如Latency，要怎麼讓它scoring更快一點，等等。還有，你怎麼manage deployment?
Amy: 如果十幾個model每天上線下線的話，那其實deployment還蠻複雜的這樣。做過Ad Tech的Data Scientist,我覺得都還蠻technical的，就是他們在engineering的部分也都會投入很多。
Stella: 所以你們也都要on call了。
Amy: 呵呵呵。問到一個很尷尬的問題。喔，如果有在聽這個podcast的同事，真的是不好意思。
Amy: 所有engineer都要on call,只有Data Scientist不用，在我們公司。
Stella: 所以你是不用on call的。
Amy: 不用。我們有一個rotating schedule啦，但我們下午5點以後就沒有在on schedule了。所以就是一個很形式上的on call.
Stella: 我之前是有很長一段時間是需要on call的。
Amy: 有幾點被叫起來過。
Stella: 凌晨2點。我不能說經常啦，但是發生過好幾次。
Amy: 真的假的。所以你會起來嗎?他會發出那種警鈴式的叫聲嗎?
Stella: 很有意思的是，這些outage都不發生在我on call的時候，但是因為我當時是負責那一個組，所以我也還是要起來啊。
Stella: 因為一般不是on call會有一個panic button嗎?如果不是on call的，那個人可以搞定的事情。他就可以按那個panic button，就所有的人都被叫起來。
Amy: 所以你下面的人老按那個button,叫你起來。
Stella: 呃， 就起來過幾次了。還是挺辛苦的 就是我後來覺得年紀大了。我真的是熬不動了。
Amy: 我以前的manager特別理直氣壯，他說我們這個on call被叫起來 也不是10分鐘，8分鐘能修好的。這種machine learning的model 有問題，沒有那麼快的。
Amy: 如果是production真的是scoring issue的話那也不是我們能夠馬上修好，比較是engineer會去修嘛。所以他就給我們爭取了一個 pseudo on call的schedule.
Stella: 也是有不同啦， 因為我on-call的時候是在做logistics的時候，我想像就是廣告，如果你出問題的話呢 就是worst case,就是我不show ads,但是也不是the end of the world.
Stella: 但如果是logistics裡面這一種，他出了outage的話就是，people in the field don't know what to do,那就還蠻嚴重的， 就是必須得起來。
Amy: 其實我們的outage還蠻可怕的。這是opportunity cost的問題。我們有一次就系統down了5分鐘後來一算，這5分鐘可能損失了幾萬塊。
Amy: 所以，仔細去算的話， 好像還是一個big deal。只是你不是虧了錢，而是你missed the opportunity to make the money.
Stella: 那Amy，你回顧你在AdTech的這幾年，你覺得你主要學到了什麼東西，就是你的收獲是什麼？
Amy: 我還蠻鼓勵剛開始做Machine Learning 、Data Scientist的人先做一下AdTech。第一，你可以體驗一下市場的瘋狂哦，就是說這些廣告，每天其實是跟着我們長大的嘛，每天有上網就會看到廣告，其實你稍微學了這個Behind the Scene以後，你看這整套Digital Experience會有不一樣的感覺。
Amy: 而且一開始，如果來這個行業的話，你可以體驗到非常快的feedback loop。
Amy: 我後來做的工作，還有Stella做Logistics，你很多事情execute下去，你沒有辦法馬上知道怎麼樣了。但是在Adtech就有這個好處，你可以很快的fail，很快的improve這樣。
Stella: 那你覺得這個行業適合什麼樣的data scientist呢?
Amy: 我覺得有幽默感一點的好像。
Stella: 啊?是嗎?爲什麼這一點?
Amy: 因爲如果你廣告這樣的東西，take it too seriously的話其實也有點好笑，但你每天就是去，就是它有點像炒股，但是你又沒有真的put in your money,所以你就壓力也沒那麼大。
Amy: 像我剛剛說，一個outage就損失好多好多錢啊什麼的，可是它跟金融還是有那麼一點點不一樣。
Stella: 對啊， 你剛才說就是像炒股的時候，我就在想可能是形式上有點類似。比如說基金經理在拿別人的錢炒股，但是基金經理壓力很大欸。
Amy: 對。我覺得adtech就是你如果很想要先試試看很多你的idea的話。adtech是一個非常open to experiment的地方。
Amy: 就是以前你如果有一個idea,大部分就是說那你去試試看啊，因為你上線下線，當然需要有很多的投入啦，但是一個東西出去不work是totally acceptable,至少在我們的公司環境就是出去不work,那就roll back,我們再iterate一次，再iterate一次，那你就一直iterate到最後。
Amy: 所以，你在這個過程 你就會在非常短的時間裡面驗證很多自己的想法，你也會覺得 哇，我的同事都是偏supportive一點這樣。
Stella: 我最後還想問的就是你當時在這一家公司的時候是title是data scientist.
Amy: 對啊。
Stella: 但是我聽起來，跟現在定義，當中的machine learning engineer其實更接近，是嗎?
Amy: 對，其實machine learning engineer算是一個比較新的title。我們下次可以開另外一集聊一下。我覺得Machine Learning Engineer某個程度上也就是Full Stack Data Scientist啦。
Amy: 其實就It's about the work, it's not really about the title。
Stella: Data Scientist已經不夠酷了。
Amy: 追求Title的話，我們是有很多很酷的Title可以追求的。
Stella: 我今天聽你講 adtech.我覺得還挺有意思的，當然你說的內容本身就很有意思，從另外一個角度看就是，像我的話，我就相對於在工作的時候會太過於focus在自己手頭的工作上。
Amy: 嗯。
Stella: 所以，我覺得像你有這種通過做data scientist,對整個行業有思考，我覺得非常有意思，你是有意識地在做這件事情嗎?
Amy: 嗯，我覺得是欸，而且我覺得這樣才好玩嘛，因爲你每天做自己的一點事情，這是至少對我來講，做自己的一點事情，你不太知道前後因果關系的話，你會不知道自己的這份薪水是怎麼來的，就是你不知道工作盈利模式跟整個這一個行業是怎麼運作的話，你怎麼知道明天會不會你就沒有工作了， 因為明天他就發不起你的薪水了。
Stella: 這是一個good point. 我倒是沒有從這個角度想過。
Amy: 剛才講了那麼轟不隆的一堆喔，就是其實要搞清楚你的company revenue到底在這一個複雜的system裡面是怎麼產生的是需要一定時間觀察。我覺得我可能進去差不多一年。我才想通透了，我們就是這樣賺錢的啊， 這樣賺錢真簡單。
Amy: 我就會feel more secure 喔，啊我的薪水應該是付得起的這樣，哈哈哈哈。
Stella: 嗯， 我真的很想聽聽你對於你之後做的industrial IoT的想法。不過，那個，我們就下一期再聊了。
Amy: 嗯， 那觀眾還想聽什麼產業要是我們知道的話，我們就可以給大家介紹一下。
Amy: 如果不知道的話，我們可能就會去找找看有沒有在這些行業的人給大家講一下。
Stella: 對 還可以跟朋友們預告一下。雖然Amy和我都是data scientist，我們關注的點也主要是在data science或者是Tech這個行業，但是我們也有一些其他行業的朋友，我們有約一個和Tech和Data Science完全沒有關系的朋友，可能在接下來的幾期會來和我們一起聊天，是一位非常有意思的，做蛋糕，我稱他爲承包了娛樂圈所有蛋糕的女人，這樣的一個朋友來跟我們聊天。
Stella: 如果聽衆朋友們當中有不是做Tech,不是做Data Science,也可以期待一下我們和其他行業的朋友的一些對談。
Amy: 嗯，對，我很期待下一集，因爲我另外一個做蛋糕的朋友感覺比他苦多了。
Amy: 做蛋糕要怎樣做得好。 我很好奇。
Stella: 那就等我們和這位朋友聊了，之後再分享給大家。
Amy: 好， 那這禮拜就先這樣， 大家掰掰。
Stella: 大家掰掰。
