Warum die Modernisierung des Datenfundaments ein entscheidender erster Schritt in jeder AI-Strategie ist
von Aly McGue
Es gibt eine Version der Geschichte über die AI-Modernisierung, die so geht: Erst die Plattform bauen, dann die Anwendungsfälle ausarbeiten. Ankur Jain würde Ihnen sagen, dass das der falsche Weg ist – und dass die meisten Unternehmen das auf die harte Tour lernen müssen.
Ankur ist Chief Cloud and Data Modernization Officer bei Acxiom, der vernetzten Daten- und Technologieplattform, die globale Marken dabei unterstützt, Kundenidentitäten kanalübergreifend aufzulösen, Kundenprofile mit mehr als 10.000 Attributen anzureichern und Ergebnisse bei der Kundengewinnung, -bindung und -personalisierung zu erzielen.
Ankur leitet sowohl das Product Engineering als auch das kundenorientierte Solutions Engineering. Das bedeutet, dass er nicht nur dafür verantwortlich ist, was Acxiom entwickelt, sondern auch dafür, wie diese Funktionen in die Umgebungen integriert werden, in denen die Kunden tatsächlich arbeiten.
Nachdem er vor weniger als zwei Jahren in das Unternehmen eingetreten war, leitete Ankur die Modernisierung der Kerninfrastruktur, der Daten-Pipelines, der Legacy-Architektur und des zugrunde liegenden Tech-Stacks von Acxiom. Heute entwickelt Acxiom aktiv agentische Workflows, die die gesamte Marketing-Wertschöpfungskette automatisieren.
Aly McGue: Viele Unternehmen möchten auf agentische AI umstellen, führen aber immer noch Kern-Workloads auf veralteter Infrastruktur aus. Welches Risiko besteht, wenn man versucht, Intelligenz auf einem Fundament aufzubauen, das nicht dafür ausgelegt ist?
Ankur Jain: Das Risiko besteht darin, dass man fast sofort an eine Grenze stößt. Als ich zu Acxiom kam, wurden sowohl die Produkte als auch die Kundenlösungen größtenteils On-Premises gehostet. Wenn Ihre Produkte und Lösungen auf ein Rechenzentrum beschränkt sind, ist ihre Skalierbarkeit begrenzt. Die Leistung entsprach nicht den Anforderungen der Echtzeit-Anwendungsfälle, die von Kunden nachgefragt wurden. Und dann gab es eine Menge Legacy-Technologie – der Stack brauchte eine Auffrischung, eine Neuvorstellung dessen, wie eine Cloud-native Architektur aussehen könnte.
Was wir auch sahen, waren viele manuelle Pipelines, eine hohe Datenredundanz und Kopien derselben Daten an mehreren Orten. Der Prozess selbst war nicht sehr effizient. Jedes Unternehmen, das versucht, agentische Funktionen auf einem fragmentierten oder veralteten Fundament aufzubauen, wird mehr Zeit mit der Verwaltung der Infrastruktur als mit der Entwicklung von Produkten verbringen.
Für uns läuft die strategische Vision auf zwei Leitsterne hinaus: Datenmodernisierung und agentisches Marketing. Sie verlaufen sequenziell, nicht parallel. Sie können kein agentisches Marketing-Ökosystem auf einem veralteten Fundament aufbauen.
Aly: Sie sind von On-Premises-Hadoop zu Databricks gewechselt. Was hat dieser Wechsel ermöglicht, was vorher nicht möglich war?
Ankur: In Bezug auf die Performance haben wir auf ganzer Linie Verbesserungen erzielt, über verschiedene Arten von Workloads und Pipelines hinweg – mit fast 80 bis 90 Prozent schnelleren Laufzeiten. Workloads, die früher mehr als 50 Stunden, manchmal mehr als 90 Stunden gedauert haben – und ich spreche von Stunden, also buchstäblich Tagen, manchmal bis zu einer Woche –, werden jetzt innerhalb von 2 bis 3 Stunden erledigt. Dieselben Workloads in 2 bis 3 Stunden.
Es hat auch unsere Mitarbeiter entlastet. In einigen Fällen konnten wir mehrere Vollzeitstellen freisetzen, damit sie sich auf wertschöpfende Ergebnisse konzentrieren können, anstatt die Infrastruktur zu verwalten. Der größte Vorteil war, dass sich das Engineering-Team stärker auf Geschäftsergebnisse konzentrieren konnte, anstatt sich um die zugrunde liegende Infrastruktur kümmern zu müssen. Das mag wie ein kleiner Erfolg klingen, aber wenn Ihre Engineers ihre Zeit mit der Entwicklung von Produkten und der Bereitstellung von Kundenlösungen verbringen, anstatt nur den Betrieb aufrechtzuerhalten, ändert das alles, was Sie überhaupt anstreben können.
Aly: Wo sehen Sie heute, dass agentische AI die tatsächlichen Marketing-Workflows verändert, und wie weit reicht diese Vision?
Ankur: Das Kerngeschäft von Acxiom ist sehr datenzentriert. Wir führen Marketingdaten aus mehreren Plattformen zusammen – CRM, E-Commerce, Adobe Analytics, Google Analytics – und helfen Marken dabei, eine ganzheitliche Kundensicht aufzubauen, diese anzureichern und Ergebnisse zu erzielen. Traditionell war dafür ein Team von Data Engineers und Data Architects erforderlich, die alles modellierten und Pipelines manuell erstellten. ETL dauert immer am längsten und es hat Monate gedauert.
Durch AI verkürzt sich dieser gesamte Zyklus. Codegenerierung durch Prompts, automatisertes Testen von Outputs, beschleunigte CI/CD-Pipelines. Auf der Marketingseite dauerte die Erstellung verschiedener Varianten einer Anzeige für Kreativagenturen früher Monate. Heute können Sie Anzeigen mithilfe von Machine Learning in großem Maßstab analysieren, diese Ergebnisse in eine AI-Engine einspeisen und in wenigen Minuten hochgradig personalisierte Varianten erstellen.
Die größte tatsächliche Veränderung haben wir bei der Ausführung festgestellt. Nehmen wir die Zielgruppenplanung: Ein Marketer gibt einen Prompt ein, der ein Kampagnenziel und ein Zielprofil beschreibt, und der Agent erstellt die Zielgruppensegmente mit Beispiel-Personas unter Verwendung von Acxiom-Daten, zeigt verschiedene demografische und verhaltensbezogene Dimensionen auf und lässt den Marketer diese von dort aus verfeinern. Was früher den Einsatz mehrerer Personen mit unterschiedlichen Fähigkeiten und viel Vorlaufzeit erforderte, wird heute in wenigen Minuten agentisch erledigt. Wir haben dasselbe Muster für den Medieneinkauf demonstriert: Ein Agent fragt das verfügbare Inventar ab, bewertet es, trifft eine Kaufentscheidung und aktiviert die Zielgruppen über verschiedene Kanäle hinweg.
Das Ziel besteht darin, die gesamte Pipeline – vom Zielgruppendesign über den Medieneinkauf und die Aktivierung bis hin zur Performance-Analyse – in ein agentisches Framework zu integrieren. Diese gesamte „AI for BI“-Funktion, die Databricks über Genie und das agentische Ökosystem aufbaut, ist genau das, wohin sich Marketing-Workloads wie unsere entwickeln. Das alles lässt sich End-to-End einsetzen.
Aly: Acxiom ist in stark regulierten Branchen tätig, und der Einsatz von Agenten erfordert ein hohes Maß an Vertrauen. Wie beeinflusst das die Art und Weise, wie Sie Governance in agentische Workflows integrieren?
Ankur: Die von uns verarbeiteten Daten umfassen PII, daher beginnt jeder von uns erstellte agentische Workflow mit dem Datenschutz als Architekturprinzip.
In der Praxis bedeutet dies, dass durch AI generierte Inhalte niemals direkt in eine Live-Kampagne einfließen. Sie durchlaufen einen Freigabe-Workflow, bei dem die Rechtsabteilung die Kreation und die Botschaften prüft, bevor etwas den Kunden erreicht. Die Agenten agieren innerhalb definierter Grenzen, wobei Sicherheits- und Datenschutzkontrollen fest in die Pipeline integriert sind, und an jedem Entscheidungspunkt, der ein regulatorisches oder Markenrisiko birgt, bleibt der Mensch im Loop („Human-in-the-Loop“). Das Ziel ist es nicht, die Dinge zu verlangsamen. Es geht darum, sicherzustellen, dass die Geschwindigkeit nicht auf Kosten des Vertrauens geht – weder für den Kunden, die Marke noch für Acxiom.
Aly: Was bedeutet es für die Produkte von Acxiom, AI-native zu sein, und wie verändert das die tatsächliche Erfahrung der Kunden?
Ankur: AI-native bedeutet, dass Intelligenz in die gesamte Marketing-Wertschöpfungskette eingebettet ist: Erfassung von First-Party-Daten, Auflösung von Kundenidentitäten, Anreicherung von Profilen mit den Datenbeständen von Acxiom, Erstellung von Zielgruppensegmenten, Planung von Medieneinkäufen, Aktivierung von Kampagnen über verschiedene Kanäle hinweg und Rückführung von Performance-Analysen in den nächsten Zyklus. Jeder dieser Schritte kann jetzt AI-gesteuert statt manuell orchestriert werden.
Für die Kunden ist die größte Veränderung die Transparenz. Traditionell funktionierte vieles von dem, was wir anboten, wie eine Blackbox. Marken gaben Daten ein, Ergebnisse kamen zurück, und die Logik dazwischen war undurchsichtig. Jetzt können dieselben Funktionen kollaborativ auf den Plattformen bereitgestellt werden, die die Kunden bereits nutzen – mit voller Transparenz darüber, wie Entscheidungen getroffen werden. Genau das verlangen die Kunden: Holen Sie sie dort ab, wo sie sind, agieren Sie in ihrer Umgebung und machen Sie den Prozess transparent.
Und das ist ein Zugzwang, der nicht nur aus dem Unternehmen selbst kommt, sondern direkt von unseren Kunden. Sie fragen uns: Wie können Sie es kostengünstiger machen? Wie können Sie es performanter machen? Wie können Sie es schneller machen? Wenn man diese Fragen ehrlich beantworten will, muss man AI einsetzen.
Aly: Ihre Datenbestände sind das Herzstück dessen, was Acxiom verkauft. Wie entwickelt sich die Art und Weise, wie Sie diese Daten an Kunden liefern, und was wird dadurch ermöglicht?
Ankur: Acxiom hilft Kunden, das Beste aus ihren Kundendaten herauszuholen. Wir unterstützen sie dabei, diese zu nutzen und zu monetarisieren. Wir stellen Datenbestände zur Verfügung, die Marken andernfalls nicht hätten – in den Bereichen Automobil, Einzelhandel, Gesundheitswesen und Pharmazie. In der Vergangenheit erfolgte die Bereitstellung dieser Daten auf traditionellem Weg – über SFTP. Eine Marke forderte eine Anreicherung an, wir schlossen einen Vertrag ab und sendeten die Dateien. Das war der alte Weg.
Jetzt binden wir unsere Daten auf agentische Weise ein, entweder in unseren eigenen Plattformen oder direkt in der Umgebung des Kunden. Wir arbeiten mit führenden Martech-Plattformen zusammen, auf denen unsere Datenbestände nativ verfügbar sind. Wenn ein Kunde seine eigene AI-Plattform aufbaut, können wir uns agentisch integrieren, sodass er unsere Bestände abrufen und direkt bereitstellen kann. Zudem entwickeln wir in Partnerschaft mit Databricks Clean-Room-Lösungen, bei denen sich Kunden in einer datenschutzsicheren Umgebung innerhalb ihres eigenen Ökosystems mit den Acxiom-Daten integrieren können.
Die Marken, mit denen wir zusammenarbeiten, wissen, dass First-Party-Daten ihr wertvollstes Gut sind. Der Datenschutz spielt bei der Handhabung und Verarbeitung dieser Daten eine sehr wichtige Rolle. Marken wollen eine größere Kontrolle ausüben und holen ihre Marketingfunktionen zunehmend ins eigene Haus. Die Erwartungshaltung verschiebt sich dahingehend, dass Agenturen innerhalb der Plattformen und Governance-Frameworks der Marken arbeiten müssen. Die Agenturen, die in dieser Umgebung nativ agieren und Ergebnisse liefern können, werden unverzichtbar sein.
Aly: Wenn Sie mit einem Kollegen aus der Führungsebene sprechen würden, der gerade erst damit beginnt, seine KI-Initiativen zu skalieren, was wäre das Eine, das Sie ihm mitgeben möchten?
Ankur: Stellen Sie sicher, dass das Fundament solide ist. Es gibt viel Hype um KI, aber das ist kein Hype mehr, sondern Realität. Was jedoch über den Erfolg oder Misserfolg der gesamten KI-Initiative entscheidet, ist das Fundament, auf dem sie aufbaut. In unserem Fall war der Wechsel von On-Premises in die Cloud nicht nur ein ehrgeiziges Ziel. Mit Blick auf die Zukunft war es eine Notwendigkeit, um eine aktive Rolle auf dem Weg der KI spielen zu können. Ein solides Datenfundament, eine Cloud-native Architektur, Data Governance und Sicherheit – das sind die entscheidenden Zutaten. Jedes Unternehmen, das diesen Schritt überspringt, wird früher oder später feststellen, dass er nicht optional war.
Das Vorgehen bei Acxiom ist ein nützlicher Orientierungsrahmen für jede Führungskraft, die abwägt, worauf sie ihre Energie richten soll. Die Modernisierung des Fundaments und das Streben nach agentischer KI sind keine zwei getrennten Programme, die um Budget und Aufmerksamkeit konkurrieren. Es ist dieselbe Wette, die nacheinander abgeschlossen wird. Bringen Sie die Datenebene in Ordnung, beweisen Sie den Mehrwert durch gezielte Pilotprojekte und betten Sie dann Ihre differenzierten Funktionen dort ein, wo die Kunden sie tatsächlich benötigen.
Der Wandel, den Ankur beschreibt – von der Datenbereitstellung über Dateiübertragungen hin zur nativen Einbettung von Intelligenz direkt in die Kundenumgebungen –, ist nicht nur ein architektonisches Upgrade. Er verändert die Art des Unternehmens, das Acxiom ist. Eine solche Neupositionierung lässt sich nicht dadurch erreichen, dass man KI einfach auf einen On-Premises-Stack aufpropft. Sie setzt voraus, dass das Fundament an erster Stelle steht.
Erfahren Sie, wie über 25 Branchenexperten und mehr als 1.200 Befragte auf Führungsebene den Weg für eine erfolgreiche KI-Bereitstellung ebnen, indem Sie auf den Bericht "Making AI Deliver" zugreifen, der von Economist Enterprise in Partnerschaft mit Databricks erstellt wurde.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.