O AVP de MarTech da Databricks compartilha um guia prático para fornecer aos profissionais de marketing respostas rápidas e governadas com o Genie, desde a construção da base de dados correta até a conquista de confiança e sustentação da adoção.
por Elizabeth Dobbs, Thomas Russell, Katy Yuan e Sydney Sundell
A maioria das equipes de marketing aspira a ser orientada por dados. Na prática, obter uma resposta confiável no momento em que uma decisão precisa ser tomada ainda pode levar dias.
Na Databricks, enfrentamos esse desafio unificando nossos dados de marketing em um lakehouse governado e criando a Marge, nossa implementação de marketing do Genie Agents. A Marge permite que os profissionais de marketing façam perguntas em linguagem natural e recebam respostas governadas em segundos.
Os resultados mudaram a forma como nossa organização trabalha:
Esses resultados vieram de tratar a analytics conversacional como um produto e modelo operacional contínuos. Construímos sobre dados governados, ensinamos ao Genie nossa linguagem de negócios, conquistamos confiança caso de uso por caso de uso e o incorporamos diretamente na maneira como os profissionais de marketing já trabalham.
Sou Liz Dobbs, AVP de Tecnologia de Marketing da Databricks, e neste vídeo compartilho um guia prático sobre como minha equipe ajudou o departamento de marketing da Databricks a usar dados 3 vezes mais frequentemente em suas decisões:
Os dados de marketing abrangem plataformas de campanha, web analytics, sistemas de CRM, ferramentas de eventos, canais de publicidade e dados de vendas. Cada sistema traz suas próprias definições, identificadores e lógica de relatórios. Mesmo quando existem dashboards, os profissionais de marketing geralmente têm dificuldade para saber qual métrica é a mais recente, qual fonte é a confiável ou como responder à próxima pergunta para a qual o dashboard não foi projetado.
Nossa organização de marketing enfrentou os mesmos desafios:
Primeiro, criamos um Marketing Lakehouse dentro do lakehouse da Databricks de toda a empresa, compartilhado entre Marketing, Finanças, Vendas e Produto. Ele se tornou a fonte de verdade governada para nossos dados de go-to-market, alinhando informações de campanha e vendas em torno de definições e métricas consistentes.
Essa base tornou a Marge possível.
A Marge é uma assistente de analytics conversacional criada com o Genie Agents. Ela é baseada nos dados e no contexto de negócios do nosso Marketing Lakehouse, incluindo as definições que os profissionais de marketing da Databricks usam para regiões, produtos, canais, campanhas, períodos fiscais e pipeline.
Os profissionais de marketing podem fazer perguntas em inglês simples, como:
A Marge traduz essas perguntas em consultas analíticas e retorna respostas com base em dados corporativos governados. O Unity Catalog fornece governança centralizada, linhagem e controles de acesso baseados em funções, para que cada usuário veja apenas os dados que tem autorização para acessar.
Os profissionais de marketing acessam a Marge por meio do Genie One, a experiência de cotrabalho com IA para usuários de negócios que reúne dashboards, Genie Agents, aplicativos e análises mais profundas. O Genie One direciona automaticamente cada solicitação para o Genie Agent apropriado, quando aplicável. Também criamos agentes focados para domínios como desempenho web, digital analytics e planejamento de marketing, permitindo que cada um opere com um contexto mais restrito e relevante.
Para perguntas mais complexas, o modo Agent pode avaliar várias etapas e produzir uma análise mais profunda. A experiência oferece aos profissionais de marketing um caminho mais rápido de uma pergunta de negócios para uma resposta fundamentada e a próxima etapa recomendada.
A confiança tem sido nossa principal prioridade, desde o piloto inicial até a implantação ampla. Nenhum sistema de IA será perfeito, por isso nos concentramos em 4 mecanismos que tornam a Marge mais precisa, confiável e transparente:
O Genie precisa do mesmo contexto que um novo analista precisaria. Isso começa com um modelo de dados claro, incluindo como as tabelas se relacionam e como devem ser unidas.
Usamos o Unity Catalog para centralizar metadados, descrições de tabelas, anotações de colunas, linhagem e controles de acesso. As descrições geradas por IA nos deram uma primeira versão útil, mas as partes interessadas de marketing e os especialistas em dados as revisaram e enriqueceram com o contexto de negócios que apenas as pessoas de dentro da organização conheceriam.
Exemplos práticos incluem a documentação de:
Metadados claros ajudam o Genie a interpretar uma pergunta corretamente antes de gerar uma consulta.
Para perguntas comuns e de alto valor, fornecemos ativos confiáveis e lógica verificada que os especialistas do domínio revisaram. Eles cobrem áreas como taxas de conversão, valor do tempo de vida do cliente e registro de eventos. Os usuários podem ver quando uma resposta é baseada em lógica verificada, o que adiciona um importante sinal de confiança.
Também adicionamos pares de perguntas e consultas de exemplo para perguntas complexas ou frequentes. Esses exemplos ensinam ao Genie como lidar com um cenário conhecido e o ajudam a generalizar o mesmo padrão para perguntas semelhantes.
Como regra geral:
Cada organização tem uma terminologia que parece simples, mas carrega um significado específico. “Pipeline”, “região”, “ano fiscal” e “campanha” podem ter definições que diferem de uma empresa para outra.
Damos à Marge orientações comportamentais claras para interpretar esses termos e lidar com a ambiguidade. Por exemplo, os usuários podem dizer “gasto” ou “investimento” quando o campo subjacente é nomeado como “custo”. A Marge precisa entender que essas palavras se referem ao mesmo conceito.
Também instruímos a Marge a fazer uma pergunta de esclarecimento quando uma solicitação não tem informações críticas, como o período de tempo, canal ou região. O objetivo é expor a ambiguidade em vez de adivinhar.
Cada resposta dá aos usuários a oportunidade de fornecer feedback positivo ou negativo. A equipe de marketing analytics analisa as avaliações e os comentários em um painel de monitoramento, investiga os problemas e atualiza o agente conforme necessário.
Também executamos perguntas de benchmark em relação a respostas conhecidas para avaliar o desempenho de forma sistemática. Uma queda significativa na precisão do benchmark sinaliza que o modelo de dados, as definições ou o contexto do agente podem precisar de atenção.
Essa gestão é leve. Hoje, um gerente de BI passa cerca de uma hora por semana revisando feedbacks e mantendo a Marge. Esse investimento pequeno e consistente ajudou a reduzir em 25% a taxa de respostas incorretas sinalizadas.
A qualidade técnica era apenas metade do trabalho. Os profissionais de marketing também precisavam acreditar que a Marge entendia suas necessidades e poderia se encaixar naturalmente em seu fluxo de trabalho diário.
Como costumo dizer aos meus colegas, este não é um produto no estilo "Campo dos Sonhos". Construí-lo não garante que as pessoas vão usá-lo. Focamos em 4 práticas de adoção:
Trabalhamos diretamente com os profissionais de marketing para entender as perguntas que eles faziam com mais frequência, os painéis que já usavam e a linguagem que utilizavam para descrever seu trabalho. A contribuição deles moldou os dados, exemplos e instruções que usamos para configurar a Marge.
Isso também tornou os profissionais de marketing participantes ativos do produto. Eles puderam ver que a experiência estava sendo construída com eles e para eles.
Nosso primeiro caso de uso foi o desempenho de campanhas de e-mail. Incluímos apenas os dados essenciais de campanha, destinatário e engajamento necessários para responder a essas perguntas.
Começar com um escopo restrito facilitou a validação da precisão, a construção de confiança e a demonstração rápida de valor. Adicionamos dados de contas, atribuição e outros domínios mais tarde, baseados principalmente no que os usuários solicitavam.
Integramos a Marge ao nosso processo de suporte de analytics. Cada tíquete de marketing analytics recebe uma resposta automatizada perguntando: “Você já perguntou ao Genie?” Os analistas só entram em ação depois que o solicitante indica que já tentou usar o Genie.
Essa mudança simples direciona perguntas básicas para o analytics de autoatendimento e poupa o tempo dos analistas para trabalhos mais complexos. Nossa equipe costuma descrever a diferença como afastar os analistas de solicitações de nível básico (101 e 201) para que possam focar em análises de nível avançado (301 e 401).
Atualizamos continuamente metadados, exemplos, respostas confiáveis e instruções com base no feedback dos usuários. Melhorias rápidas mostram aos profissionais de marketing que a opinião deles importa e ajudam a Marge a se tornar mais útil a cada iteração.
O loop de feedback também nos ajuda a expandir com disciplina. Adicionamos dados e recursos em resposta à demanda demonstrada, em vez de tentar antecipar todas as perguntas possíveis no lançamento.
A Marge se tornou a maior economia de tempo para nossa equipe de Marketing Analytics. Os profissionais de marketing obtêm respostas governadas em segundos, enquanto analistas e engenheiros gastam menos tempo realizando extrações repetitivas de dados.
Essa capacidade foi direcionada para trabalhos de maior valor, incluindo experimentação, design de modelos e melhorias em produtos de dados fundamentais. A largura de banda técnica não é mais um gargalo para atividades comuns, como lançamentos de campanhas e revisões trimestrais de negócios.
Os profissionais de marketing também podem agir mais rápido. O acesso mais fácil a dados confiáveis apoia ajustes mais rápidos de campanhas, segmentação mais inteligente e alocação de orçamento mais informada. O mais importante é que os dados se tornaram parte de mais decisões do dia a dia em toda a organização.
Para equipes de martech e dados que estão iniciando uma jornada semelhante, recomendamos esta sequência:
Três lições se destacam em nossa experiência.
Primeiro, o analytics de autoatendimento depende de uma base de dados sólida. Os dados subjacentes precisam ser governados, confiáveis e conectados por meio de definições consistentes. A AI facilita o acesso a esse contexto, mas não compensa dados de origem conflitantes e lógica de negócios pouco clara.
Segundo, a governança centralizada ajuda as equipes a expandir o acesso com confiança. O Unity Catalog nos deu um único lugar para gerenciar definições, linhagem e acesso baseado em funções a dados confidenciais à medida que a adoção crescia.
Terceiro, a confiança é conquistada por meio da experiência do usuário. Comece pequeno, observe como os profissionais de marketing realmente trabalham e melhore o sistema com base no que eles dizem. Quando os usuários veem que um agente entende sua linguagem, respeita suas permissões de acesso e se torna mais útil por meio de seus feedbacks, a adoção acontece naturalmente.
A Marge começou como um protótipo para 10 usuários e um caso de uso. Hoje, ela atende a mais de 85% da nossa organização de marketing e já respondeu a mais de 5.000 perguntas. O caminho do piloto à escala foi construído com uma resposta confiável de cada vez.
Assista à entrevista completa com Liz Dobbs, explore a documentação do Genie Agent ou confira estes blogs relacionados:
Os Genie Agents oferecem às equipes de marketing e de negócios uma interface de linguagem natural para dados de negócios governados. Os profissionais de marketing podem fazer perguntas sobre o desempenho de campanhas, pipeline, atividade na web, eventos e outros dados aprovados sem precisar escrever SQL. Cada resposta respeita as permissões do Unity Catalog do usuário.
Escolha uma pergunta frequente e bem definida, apoiada por um pequeno conjunto de dados confiáveis. A Databricks começou com o desempenho de campanhas de e-mail usando tabelas de campanha, destinatário e engajamento, e depois expandiu com base na demanda dos usuários.
Documente tabelas e relacionamentos, defina métricas de negócios, adicione exemplos de SQL e ativos confiáveis, forneça instruções específicas de esclarecimento, revise o feedback dos usuários e faça testes com perguntas de benchmark. A precisão melhora por meio de contexto focado e avaliação contínua.
O Genie lida com muitas perguntas repetitivas e de menor complexidade, permitindo que os analistas dediquem mais tempo à experimentação, ao design de modelos e à análise estratégica. Na Databricks, essa mudança ajudou a equipe de marketing analytics a oferecer suporte a um uso mais amplo sem aumentar a equipe.
O esforço depende do escopo e da complexidade dos dados. Na Databricks, a curadoria contínua exige atualmente cerca de uma hora por semana de um gerente de BI para revisar feedbacks, investigar problemas e atualizar o contexto.
(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.