A última milha: por que ótimos dados primários ainda não garantem um ótimo marketing

No mês passado, uma equipe de dados e uma equipe de marketing sentaram-se na mesma sala e falaram sem se entender por 45 minutos.

Os engenheiros falavam de tabelas Delta e arquitetura medalhão. Os profissionais de marketing falavam de jornadas, segmentos e otimização do tempo de envio. O mesmo cliente. Os mesmos dados. Duas línguas completamente diferentes. Ninguém estava errado. Eles apenas não conseguiam se entender.

Esse espaço vazio — entre onde os dados residem e onde são ativados — é onde milhões de dólares em valor do cliente são perdidos toda semana, em empresas com infraestrutura de dados de classe mundial e ambições de marketing de classe mundial. Elas têm o foguete. Esqueceram a plataforma de lançamento.

O relatório de pesquisa de Scott Brinker, The New Martech "Stack" for the AI Age, publicado em parceria com a Databricks, dá o nome certo ao que precisa substituir a arquitetura que criou esse problema. Ele o chama de canvas combinável (composable canvas). O diagnóstico está perfeitamente correto, e a direção apontada é exatamente para onde esta parceria foi construída para ir.

O que o canvas combinável realmente significa para os profissionais de marketing

Se você já exportou um CSV do seu data warehouse, enviou por e-mail para a equipe de campanha e esperou três dias para que ele fosse carregado na sua plataforma de marketing — esse é o antigo modelo de stack falhando com você.

Por duas décadas, a martech foi construída em camadas verticais rígidas: dados na base, sistemas de engajamento no meio, campanhas no topo. Cada camada era sua própria caixa. Fazer essas caixas conversarem entre si exigia pipelines, conectores, tarefas de sincronização e equipes de pessoas cujo trabalho inteiro era mover dados de um sistema para outro. Como observa o relatório de Brinker, a integração continuou sendo um dos três principais desafios para a maioria das organizações de marketing pesquisadas — não em 2015, mas no final de 2025. Após trinta anos de fornecedores prometendo resolver isso.

O canvas combinável é a alternativa arquitetônica: uma base de dados unificada onde cada ferramenta, desde suas plataformas de engajamento de clientes até seus agentes de AI e suas análises, opera no mesmo substrato compartilhado, sem que os dados precisem ser movidos. Sem middleware. Sem lag. Sem o ritual da planilha no domingo à noite.

Bryce Peake, ex-VP de Marketing Decision Sciences na Domino's, explica de forma simples:

Estamos tentando modificar a mesma stack de martech que temos desde que a internet começou a ser internet. Pessoal, vamos ter que construir uma nova.

Plataformas de dados modernas como a Databricks oferecem uma base aberta e compartilhada na qual profissionais de marketing, agentes e aplicativos podem operar juntos. E o caso de negócios é concreto: "Velocidade: de meses para minutos. Hoje, adicionar um novo recurso de marketing significa projetos de integração, pipelines de dados e chamados de IT. No canvas combinável, novas ferramentas e agentes de AI se conectam a uma base de dados compartilhada instantaneamente."

A arquitetura: cinco anéis, um centro de gravidade

O framework de Brinker organiza o canvas combinável em cinco anéis concêntricos, cada um com uma função distinta.

• Data Core: a base unificada de dados de clientes, empresas, conteúdo, código e controle; o centro gravitacional de tudo
• Camada Semântica (Semantic Layer): definições compartilhadas que tornam os dados consistentes e significativos em todos os sistemas que os utilizam
• CaaS (Context-as-a-Service): plataformas como CDPs que empacotam dados e contextos relevantes para os aplicativos e agentes que precisam deles
• Tomada de Decisão (Decisioning): onde os mecanismos de AI otimizam as próximas melhores ações e resolvem conflitos quando vários agentes desejam alcançar o mesmo cliente simultaneamente
• Apps e Agentes: o anel mais externo, onde as experiências do cliente são realmente entregues

O resultado dessa estrutura é uma redução drástica na complexidade de integração. No antigo modelo ponto a ponto, dez sistemas podiam exigir até 45 integrações. No modelo combinável, cada novo recurso se une a um ecossistema compartilhado coerente, em vez de uma teia de pipelines frágeis. Como diz Rick Schultz, CMO da Databricks:

Todos os CMOs estão tentando resolver as mesmas três coisas: eficácia, eficiência e autoatendimento.

O canvas combinável é a forma como as três coisas se tornam alcançáveis simultaneamente.

Elizabeth Dobbs, AVP de Tecnologia de Marketing na Databricks, descreve o impacto a partir de sua própria experiência:

Depois que todos os nossos dados de marketing foram centralizados no lakehouse, revisitamos modelos que nunca haviam aproveitado totalmente essa riqueza... O modelo reconstruído converteu a uma taxa 4 vezes maior que a anterior. A partir daí, replicamos rapidamente a mesma abordagem para lançar um modelo altamente preditivo de pontuação de contas (account scoring) em apenas quatro semanas.

A última milha: a lacuna entre sua plataforma de dados first-party e uma campanha ativa

Brinker deixa claro que este relatório é um guia norteador (North Star), não um passo a passo de implementação, e é exatamente isso que o torna valioso. O que ele abre intencionalmente é a questão prática: como uma base de dados unificada realmente se transforma em uma campanha acionada (triggered)? Como uma camada de tomada de decisão é construída para uma equipe de marketing que não fala a linguagem da engenharia de dados? Como os cinco anéis saem de um diagrama de arquitetura para se tornarem uma experiência do cliente que é acionada no momento certo?

Essas perguntas são onde reside o verdadeiro trabalho de implementação — o que a Stitch chama de última milha.

Veja como é, na prática, a lacuna entre o ponto de partida e a linha de chegada da última milha:

• Os agentes autônomos sem rumo. Uma líder de marketing de uma grande marca descreveu recentemente uma situação irritante: sua equipe de engenharia tinha acabado de implantar um sistema de agentes autônomos na Databricks que conseguia analisar todo o conjunto de dados dos clientes em tempo real. Mas ele não tinha ideia de como acionar uma campanha. Enquanto isso, as jornadas de ciclo de vida da sua equipe de marketing ainda eram alimentadas por um arquivo em lote (batch) atualizado uma vez por dia. Duas equipes talentosas construindo o futuro, sem nenhuma visibilidade do trabalho uma da outra.
• A pontuação de propensão (propensity score) que ninguém aproveitou. A equipe de ciência de dados de uma marca de jogos construiu um modelo sofisticado de churn. A pontuação de propensão funcionou corretamente, sinalizando os clientes em risco. Mas ela foi para um painel que ninguém estava acompanhando. O cliente não recebeu nenhuma ação da marca no momento em que mais precisava… e foi embora. Porque a última milha nunca foi construída.
• A planilha de domingo à noite. Uma rede nacional de supermercados tinha um ambiente Databricks repleto de dados de elegibilidade de ofertas e uma plataforma de engajamento de clientes construída exatamente para esse tipo de personalização. A lacuna entre eles? Quatro horas, todo domingo à noite, e um CSV. Tempo de preparação da campanha: horas. Os dados estavam lá. A capacidade de ativação estava lá. Ninguém tinha construído a ponte. Uma vez conectados, os fluxos de elegibilidade de ofertas passaram a ir automaticamente para os perfis de clientes e campanhas, sendo acionados em tempo real. Aquelas quatro horas viraram minutos, toda semana, permanentemente.

Como observa Brinker,

A stack de martech não fica acima dos dados. Ela é os dados.

Arquiteturalmente, isso é verdade. Operacionalmente, para a maioria das marcas hoje, os dados e a campanha ainda vivem em mundos completamente diferentes.

O que é necessário para fechar a última milha

As marcas que estão tornando o canvas combinável uma realidade não estão fazendo isso comprando ferramentas melhores. Elas estão fazendo isso construindo a ponte — e isso exige fluência profunda tanto na plataforma de dados quanto na camada de execução de marketing simultaneamente.

Arquitetura de dados de marketing construída para ativação. Existe uma diferença significativa entre uma base de dados construída para analistas e uma construída para profissionais de marketing. A primeira é otimizada para consultas, insights e governança. A segunda é otimizada para acionar uma campanha no momento certo, enriquecer o perfil do cliente em tempo real e fornecer a um agente de AI o contexto necessário para tomar uma decisão. Chegar lá exige entender tanto o que a Databricks pode fazer quanto o que a camada de engajamento realmente precisa dela.

Self-service analytics para equipes de marketing. Brinker descreve as interfaces de linguagem natural como um recurso essencial do modelo combinável — e por um bom motivo. Isso é realizável, mas a maioria das equipes de marketing ainda está enviando chamados para obter dados básicos de desempenho de campanha.

A oportunidade: construir ambientes de analytics voltados para casos de uso reais de marketing, para que equipes não técnicas possam responder às suas próprias perguntas sem SQL, sem fila e sem esperar pela engenharia de dados. É uma das implementações de maior impacto disponíveis no momento.

Agentes de AI que rodam nativamente na camada de dados. Os fluxos de trabalho de marketing agênticos mais poderosos não são agentes acoplados sobre a stack existente. São agentes que vivem dentro da base de dados e executam por meio da camada de engajamento — extraindo segmentos, validando a qualidade dos dados, acionando campanhas e medindo resultados sem o CSV, sem a transferência manual, sem o atraso. Kumar Ram, VP e Global Head de Marketing Data Sciences na HP, define o princípio estratégico com precisão:

Queremos ser donos da estrutura central dos dados e da infraestrutura. Se mudarmos de agência, tudo o que precisamos fazer é trocar a camada de ativação no topo. A base continua conosco.

Migrações que constroem em direção à combinabilidade, e não longe dela. Para marcas que ainda operam em plataformas de marketing legadas e rígidas, a mudança para uma arquitetura combinável não é apenas uma troca de plataforma; é uma decisão arquitetônica. Feito da maneira certa, isso posiciona o Databricks como a camada de dados sob uma stack de engajamento que pode se flexibilizar e evoluir à medida que os recursos de AI mudam. Elizabeth Dobbs resume o objetivo:

Projetamos nossa stack como blocos de Lego modulares para que a empresa possa se mover mais rápido. À medida que novas tecnologias e agentes de AI surgem, temos a flexibilidade de adotar as melhores ferramentas com o mínimo de esforço.

Três maneiras de começar a construir em direção ao canvas combinável hoje

Brinker deixa claro que esta é uma jornada arquitetônica de 3 a 5 anos, não um projeto de substituição completa. A boa notícia: cada etapa entrega valor por si só. Aqui estão três pontos de partida que consistentemente liberam o impacto mais imediato.

1. Leve seus dados de marketing para o Databricks — de verdade.

A versão mais comum de "nós temos o Databricks" é: a equipe de engenharia de dados tem o Databricks, e o marketing tem um dashboard que ocasionalmente o reflete. Isso não é uma base de dados unificada. Isso é uma camada de relatórios.

O primeiro passo é a consolidação: fazer com que os dados de desempenho de campanha, sinais de comportamento do cliente, dados de fidelidade e histórico de engajamento fluam para o mesmo lakehouse onde seus dados transacionais e operacionais já vivem. Esse é um trabalho de infraestrutura básica — conectores, pipelines, verificações de qualidade de dados —, mas é a base da qual tudo o mais depende.

O retorno imediato são os relatórios unificados: uma única versão da verdade para a qual o marketing, as vendas e as finanças estão olhando. Como diz o relatório de Brinker:

Quando todos estão olhando para os mesmos números, calculados da mesma forma, as reuniões deixam de ser sobre debater dados e passam a ser sobre decidir o que fazer com eles.

Só isso já vale o investimento. Mas também acaba com o "pedágio de dados" que atrasa todas as campanhas — os chamados, as exportações, a espera.

Por onde começar: Mapeie onde seus dados de marketing vivem atualmente versus onde eles precisam estar. Identifique as duas ou três fontes de dados que mais mudariam o que o marketing pode fazer se fossem unificadas — normalmente histórico de transações, eventos comportamentais e dados de ofertas ou fidelidade — e construa em direção a elas primeiro.

2. Construa um caso de uso de self-service analytics para sua equipe de marketing

A maioria das equipes de marketing está a apenas uma pergunta de distância de um insight que mudaria a forma como executam suas campanhas. O problema não são os dados. É a fricção entre o profissional de marketing e a resposta.

O canvas combinável de Brinker coloca o self-service analytics — especificamente, interfaces de linguagem natural que permitem que usuários não técnicos consultem dados diretamente — no centro do modelo. Ferramentas como o Databricks AI/BI Genie tornam isso possível hoje: um profissional de marketing digita uma pergunta em linguagem simples e obtém uma resposta em segundos, sem SQL, sem chamado, sem uma espera de três dias.

A gerente de campanha de uma marca passou de um tempo de resposta de quatro dias para uma pergunta básica de desempenho para uma resposta em segundos — e depois fez mais 12 perguntas nos 20 minutos seguintes, revelando um insight sobre o momento ideal de envio de notificações push que estava oculto nos dados há um trimestre. A fricção sumiu, assim como o limite do que ela poderia descobrir.

Por onde começar: Identifique a pergunta de dados mais comum que sua equipe de marketing encaminha para a equipe de dados. Construa primeiro um ambiente de analytics governado e focado em casos de uso em torno dessa pergunta. Expanda a partir daí.

3. Escolha um caso de uso de agente de AI e coloque-o em prática

O maior erro que as equipes de marketing cometem com AI é tratá-la como uma estratégia em vez de uma prática. O canvas combinável torna os agentes de AI genuinamente operacionais — mas apenas se você começar a construí-los com dados reais, em fluxos de trabalho reais, focados em resultados reais.

Os primeiros casos de uso de agentes mais eficazes são específicos, de alta frequência e conectados diretamente ao resultado de uma campanha. Um agente de QA que valida cada e-mail antes do envio. Um agente de personalização que extrai sinais de inventário ou fidelidade em tempo real e gera textos dinamicamente. Um agente de churn que monitora sinais comportamentais no Databricks e aciona uma campanha no momento em que um cliente ultrapassa um limite de risco — e não três dias depois, quando um arquivo em lote é executado.

O que faz esses casos de uso funcionarem é a arquitetura: agentes que vivem na camada de dados e executam por meio da camada de engajamento: sem exportações de CSV, sem transferências manuais, sem atrasos. A campanha é tão inteligente quanto os dados que a alimentam — e é exatamente por isso que a base de dados vem primeiro.

Como Brinker observa no relatório,

Os fluxos de trabalho agênticos mais valiosos cruzam as fronteiras do sistema naturalmente. Os agentes são ávidos por contexto —dados relevantes, instruções e ferramentas para o objetivo específico que estão tentando resolver.

O canvas combinável é o que lhes dá esse contexto. O agente é apenas quem age com base nele.

Por onde começar: Identifique um processo manual de alta frequência e alto custo em suas operações de campanha — QA, segmentação, geração de conteúdo, relatórios de desempenho — e delimite o escopo de um único agente para automatizá-lo. Meça o tempo economizado e a mudança no resultado. Use esse ponto de prova para defender o próximo caso de uso.

Por que a oportunidade para construir isso é agora

O cronograma da visão de três a cinco anos de Brinker está se encurtando mais rápido do que a maioria dos líderes de marketing esperava.

O Databricks acaba de lançar o CustomerLake, um CDP agêntico incorporado nativamente ao Lakehouse. Os recursos principais de CDP, incluindo Customer 360, resolução de identidade, criação de público-alvo, automação de campanhas, ativação e personalização, podem ocorrer onde os dados dos clientes, os modelos de AI e a governança já residem — sem a necessidade de middleware.

Plataformas de engajamento de clientes como a Braze estão se conectando diretamente ao Databricks por meio de Cloud Data Ingestion e OpenSharing nativos. Novos recursos de plataforma como o Lakebase significam que aplicações de marketing full-stack — front-end, lógica transacional e execução de campanha — podem rodar em uma única plataforma com um único modelo de governança, eliminando a necessidade de interligar quatro sistemas separados.

O padrão que Brinker identifica já está se concretizando: as plataformas em cada extremidade estão se tornando mais inteligentes e conectadas de forma mais direta. A camada de integração no meio está ficando mais fina a cada trimestre.

As marcas que estão fazendo esse trabalho hoje veem para onde o mercado está indo. Elas estão construindo a arquitetura de dados agora para não precisarem correr atrás do prejuízo quando todos os outros perceberem isso.

O canvas combinável descreve o destino. A última milha é o trabalho entre o ponto onde estamos e onde queremos chegar.

Baixe o relatório de pesquisa de Scott Brinker: A nova “stack” de martech para a era da AI

A Databricks e a Stitch estão em parceria para ajudar as organizações de marketing a reduzir a lacuna entre a infraestrutura de dados moderna e os resultados reais dos clientes. Se a sua organização conta com um investimento na Databricks que ainda não foi totalmente ativado para marketing, fale com a Stitch →

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original