Por que modernizar a base de dados é um primeiro passo crítico em qualquer estratégia de AI
por Aly McGue
Existe uma versão da história da modernização de AI que diz: primeiro construa a plataforma, depois descubra os casos de uso. Ankur Jain diria que isso está ao contrário — e que a maioria das organizações está aprendendo isso da maneira mais difícil.
Ankur é Chief Cloud and Data Modernization Officer na Acxiom, a base de dados conectados e tecnologia que ajuda marcas globais a unificar a identidade dos clientes em diversos canais, enriquecer perfis de clientes com mais de 10.000 atributos e entregar resultados em aquisição, retenção e personalização de clientes.
Ankur lidera tanto a engenharia de produtos quanto a engenharia de soluções voltadas para o cliente — o que significa que ele é responsável não apenas pelo que a Acxiom constrói, mas por como esses recursos são integrados aos ambientes onde os clientes realmente operam.
Após ingressar na empresa há menos de dois anos, Ankur liderou a modernização da infraestrutura central, dos pipelines de dados, da arquitetura legada e da pilha de tecnologia subjacente da Acxiom. Hoje, a Acxiom está construindo ativamente fluxos de trabalho baseados em agentes que automatizam toda a cadeia de valor do marketing.
Aly McGue: Muitas organizações querem migrar para a AI baseada em agentes, mas ainda executam suas principais cargas de trabalho em infraestruturas legadas. Qual é o risco de tentar construir inteligência sobre uma base que não foi projetada para isso?
Ankur Jain: O risco é você atingir um limite quase imediatamente. Quando entrei na Acxiom, tanto os produtos quanto as soluções dos clientes eram hospedados principalmente localmente (on-premises). Quando seus produtos e soluções estão limitados a um data center, eles têm escalabilidade limitada. O desempenho não estava à altura dos casos de uso em tempo real que os clientes solicitavam. E também havia muita tecnologia legada — a stack precisava de uma atualização, de uma nova visão sobre como seria uma arquitetura nativa da nuvem.
O que também vimos foram muitos pipelines manuais, muita redundância de dados, cópias dos mesmos dados em vários lugares. O processo em si não era muito eficiente. Qualquer organização que tente construir recursos baseados em agentes sobre uma base fragmentada ou legada passará mais tempo gerenciando a infraestrutura do que construindo produtos.
Para nós, la visão estratégica se resume a dois guias principais: modernização de dados e marketing baseado em agentes. Eles são sequenciais, não paralelos. Não é possível construir um ecossistema de marketing baseado em agentes sobre uma base legada.
Aly: Vocês migraram do Hadoop local para o Databricks. O que essa mudança tornou possível que não era antes?
Ankur: Em termos de desempenho, vimos melhorias em todos os aspectos, em diferentes tipos de cargas de trabalho e diferentes tipos de pipelines, com tempos de execução quase 80% a 90% mais rápidos. Cargas de trabalho que costumavam levar mais de 50 horas, às vezes mais de 90 horas — e estou falando de horas, ou seja, literalmente dias, às vezes até uma semana — agora são concluídas em 2 a 3 horas. Essas mesmas cargas de trabalho, em 2 a 3 horas.
Isso também liberou nossas equipes. Em alguns casos, conseguimos redirecionar várias funções de tempo integral para focar mais em resultados de valor agregado, em vez de gerenciar a infraestrutura. O principal benefício foi permitir que a equipe de engenharia focasse mais nos resultados de negócios, em vez de se preocupar com a infraestrutura subjacente. Isso pode parecer uma vitória simples, mas quando seus engenheiros passam o tempo construindo produtos e entregando soluções para os clientes, em vez de apenas manter as coisas funcionando, isso muda o que você é capaz de tentar.
Aly: Onde você vê a AI baseada em agentes transformando os fluxos de trabalho reais de marketing hoje, e até onde essa visão se estende?
Ankur: A operação principal da Acxiom é muito centrada em dados. Coletamos dados de marketing de várias plataformas — CRM, e-commerce, Adobe Analytics, Google Analytics — e ajudamos as marcas a construir uma visão holística do cliente, enriquecê-la e entregar resultados. Tradicionalmente, isso exigia uma equipe de engenheiros e arquitetos de dados que modelavam tudo e construíam pipelines manualmente. O ETL é sempre a parte mais demorada do processo, e costumava levar meses.
Com a AI, todo esse ciclo é reduzido. Geração de código por meio de prompts, testes automatizados de saídas, pipelines de CI/CD acelerados. Do lado do marketing, a produção de diferentes variações de um anúncio costumava levar meses para as agências de criação. Agora, você pode analisar anúncios em escala por meio de machine learning, alimentar esses resultados em um mecanismo de AI e gerar variações altamente personalizadas em minutos.
Onde vimos a maior mudança real foi na execução. Veja o planejamento de público-alvo, por exemplo: um profissional de marketing envia um prompt descrevendo o objetivo de uma campanha e o perfil do público-alvo, e o agente cria os segmentos de público com personas de exemplo usando dados da Acxiom, apresenta diferentes dimensões demográficas e comportamentais e permite que o profissional faça ajustes a partir daí. O que antes exigia o esforço de várias pessoas com diferentes habilidades e muito tempo de preparação agora é feito de forma autônoma por agentes em minutos. Demonstramos o mesmo padrão para a compra de mídia: um agente consulta o inventário disponível, avalia-o, toma uma decisão de compra e ativa os públicos-alvo em vários canais.
O objetivo é conectar todo o pipeline — desde o planejamento de público até a compra de mídia, ativação e análise de desempenho — em uma estrutura baseada em agentes. Toda essa capacidade de AI para BI que o Databricks está construindo por meio do Genie e do ecossistema de agentes é exatamente para onde as cargas de trabalho de marketing como as nossas estão caminhando. Tudo isso pode ser colocado em prática de ponta a ponta.
Aly: A Acxiom opera em setores altamente regulamentados, e a implantação de agentes exige um alto nível de confiança. Como isso influencia a maneira como você projeta a governança nos fluxos de trabalho baseados em agentes?
Ankur: Os dados que manipulamos incluem PII, portanto, cada fluxo de trabalho baseado em agentes que construímos começa com a privacidade como um princípio de arquitetura.
Na prática, isso significa que o conteúdo gerado por AI nunca vai diretamente para uma campanha ativa. Ele passa por um fluxo de trabalho de aprovação onde o departamento jurídico revisa as peças criativas e as mensagens antes que qualquer coisa chegue ao cliente. Os agentes operam dentro de limites definidos, com controles de segurança e privacidade integrados ao pipeline, e os humanos continuam participando do processo em cada ponto de decisão que envolva riscos regulatórios ou de marca. O objetivo não é desacelerar as coisas. É garantir que a velocidade não venha às custas da confiança — para o cliente, para a marca ou para a Acxiom.
Aly: O que significa os produtos da Acxiom serem nativos de AI e como isso muda a experiência real dos clientes?
Ankur: Ser nativo de AI significa que a inteligência está integrada em toda a cadeia de valor do marketing: ingestão de dados primários (first-party data), unificação da identidade do cliente, enriquecimento de perfis com os ativos de dados da Acxiom, criação de segmentos de público-alvo, planejamento de compras de mídia, ativação de campanhas em vários canais e alimentação das análises de desempenho de volta para o próximo ciclo. Cada uma dessas etapas agora pode ser orientada por AI, em vez de ser orquestrada manualmente.
Para os clientes, la maior mudança é a transparência. Tradicionalmente, muito do que oferecíamos funcionava como uma caixa preta. As marcas enviavam os dados, os resultados voltavam e a lógica intermediária era opaca. Agora, esses mesmos recursos podem ser entregues de forma colaborativa, dentro das plataformas que os clientes já usam, com total visibilidade de como as decisões estão sendo tomadas. É isso que os clientes estão pedindo: encontrá-los onde eles estão, operar em seu ambiente e tornar o processo transparente.
E essa é uma força motriz que vem não apenas de dentro da organização, mas diretamente de nossos clientes. Eles nos perguntam: como vocês podem tornar isso mais econômico? Como podem torná-lo mais eficiente? Como podem torná-lo mais rápido? Se você quiser responder a essas perguntas honestamente, precisa adotar a AI.
Aly: Seus ativos de dados são fundamentais para o que a Acxiom vende. Como a forma de entrega desses dados aos clientes está evoluindo e o que isso possibilita?
Ankur: A Acxiom ajuda os clientes a aproveitar ao máximo seus dados de clientes. Nós os ajudamos a colocá-los em prática e a monetizá-los. Fornecemos ativos de dados que, de outra forma, as marcas não teriam, nos setores automotivo, de varejo, de saúde e farmacêutico. Historicamente, a entrega desses dados ocorria por meios tradicionais — via SFTP. Uma marca solicitava o enriquecimento, fechávamos um contrato e enviávamos os arquivos. Esse era o método antigo.
Agora estamos integrando nossos dados por meio de agentes, seja em nossas próprias plataformas ou diretamente no ambiente do cliente. Fazemos parcerias com as principais plataformas de martech onde nossos ativos de dados estão disponíveis nativamente. Se um cliente estiver construindo sua própria plataforma de AI, podemos fazer a integração por meio de agentes para que ele possa fazer uma chamada para nossos ativos e disponibilizá-los diretamente. Também estamos desenvolvendo soluções de clean room em parceria com o Databricks, onde os clientes podem se integrar aos dados da Acxiom de maneira segura para a privacidade dentro de seu próprio ecossistema.
As marcas com as quais trabalhamos entendem que os dados primários (first-party data) são seu ativo mais valioso. A privacidade dos dados desempenha um papel muito importante no manuseio e processamento dessas informações. As marcas querem exercer maior controle e estão constantemente internalizando os recursos de marketing. A expectativa está mudando para que as agências trabalhem dentro das plataformas e estruturas de governança das marcas. As agências que conseguirem operar e entregar resultados nativamente nesse ambiente serão indispensáveis.
Aly: Se você estivesse conversando com um colega do C-suite que está começando a escalar seus esforços de AI, qual é a única coisa que você gostaria que ele ouvisse?
Ankur: Certifique-se de que a base seja sólida. Existe muito hype em torno da AI, que já não é mais apenas um hype; é a realidade. Mas o que define o sucesso ou o fracasso de toda a iniciativa de AI é a base sobre a qual ela se apoia. No nosso caso, a migração do on-premises para a nuvem não era apenas uma ambição. Pensar no futuro tornou isso uma necessidade para que pudéssemos ser um player real na jornada de AI. Uma base de dados sólida, arquitetura nativa em nuvem, governança de dados e segurança — esses são os ingredientes essenciais. Qualquer organização que pular essa etapa acabará descobrindo que ela não era opcional.
O modelo da Acxiom é uma estrutura útil para qualquer executivo que esteja avaliando onde concentrar sua energia. Modernizar a base e buscar a AI agentiva não são dois programas separados competindo por orçamento e atenção. Eles são a mesma aposta, feita em sequência. Acerte na camada de dados, comprove o valor por meio de pilotos focados e, em seguida, incorpore seus recursos diferenciados onde os clientes realmente precisam deles.
A mudança que Ankur descreve — da entrega de dados por meio de transferências de arquivos para a incorporação nativa de inteligência nos ambientes dos clientes — não é apenas uma atualização de arquitetura. Ela muda o tipo de empresa que a Acxiom é. Esse tipo de reposicionamento não acontece simplesmente acoplando a AI a um stack on-premises. Isso exige que a base venha primeiro.
Explore como mais de 25 especialistas do setor e mais de 1.200 entrevistados de nível de liderança estão abrindo caminho para a implantação bem-sucedida de AI ao acessar o relatório "Making AI Deliver" da Economist Enterprise, criado em parceria com a Databricks.
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.