Der AVP of MarTech von Databricks teilt ein praktisches Playbook, um Marketern mit Genie schnelle, governed Antworten zu liefern – vom Aufbau der richtigen Datengrundlage über den Vertrauensaufbau bis hin zur nachhaltigen Akzeptanz.
von Elizabeth Dobbs, Thomas Russell, Katy Yuan und Sydney Sundell
Die meisten Marketingteams streben danach, datengesteuert zu arbeiten. In der Praxis kann es jedoch immer noch Tage dauern, eine verlässliche Antwort genau in dem Moment zu erhalten, in dem eine Entscheidung getroffen werden muss.
Bei Databricks haben wir diese Herausforderung gelöst, indem wir unsere Marketingdaten in einem governed Lakehouse zusammengeführt und Marge entwickelt haben, unsere Marketing-Implementierung von Genie Agents. Mit Marge können Marketer Fragen in natürlicher Sprache stellen und erhalten in Sekundenschnelle verlässliche, governed Antworten.
Die Ergebnisse haben die Arbeitsweise unserer Organisation grundlegend verändert:
Diese Ergebnisse wurden erzielt, indem wir Conversational Analytics als kontinuierliches Produkt und Betriebsmodell behandelt haben. Wir haben auf governed Daten aufgebaut, Genie unsere Geschäftssprache beigebracht, uns das Vertrauen Use Case für Use Case erarbeitet und das Tool direkt in die bestehenden Arbeitsabläufe der Marketer integriert.
Ich bin Liz Dobbs, AVP of Marketing Technology bei Databricks, und in diesem Video präsentiere ich einen praktischen Leitfaden dazu, wie mein Team der Marketingabteilung von Databricks geholfen hat, Daten dreimal häufiger für Entscheidungen zu nutzen:
Marketingdaten erstrecken sich über Kampagnenplattformen, Web-Analytics, CRM-Systeme, Event-Tools, Werbekanäle und Vertriebsdaten. Jedes System bringt eigene Definitionen, Identifikatoren und Berichtslogiken mit sich. Selbst wenn Dashboards vorhanden sind, fällt es Marketern oft schwer zu wissen, welche Metrik aktuell ist, welche Quelle als maßgeblich gilt oder wie sie die nächste Frage beantworten können, für die das Dashboard gar nicht ausgelegt war.
Unsere Marketingorganisation stand vor denselben Herausforderungen:
Zuerst haben wir ein Marketing Lakehouse innerhalb des unternehmensweiten Databricks Lakehouse eingerichtet, das gemeinsam von Marketing, Finance, Sales und Product genutzt wird. Es wurde zur governed Source of Truth für unsere Go-to-Market-Daten und führte Kampagnen- und Vertriebsinformationen auf Basis einheitlicher Definitionen und Metriken zusammen.
Dieses Fundament hat Marge erst möglich gemacht.
Marge ist ein Conversational-Analytics-Assistent, der mit Genie Agents erstellt wurde. Er basiert auf den Daten und dem geschäftlichen Kontext in unserem Marketing Lakehouse, einschließlich der Definitionen, die Databricks-Marketer für Regionen, Produkte, Kanäle, Kampagnen, Geschäftsperioden und die Pipeline verwenden.
Marketer können Fragen in einfachem Englisch stellen, wie zum Beispiel:
Marge übersetzt diese Fragen in analytische Abfragen und liefert Antworten auf Basis von governed Unternehmensdaten. Unity Catalog bietet eine zentrale Governance, Lineage und rollenbasierte Zugriffskontrollen, sodass jeder Benutzer nur die Daten sieht, für die er eine Zugriffsberechtigung hat.
Marketer greifen über Genie One auf Marge zu – der AI-Coworking-Umgebung für geschäftliche Anwender, die Dashboards, Genie Agents, Apps und tiefergehende Analysen vereint. Genie One leitet jede Anfrage bei Bedarf automatisch an den passenden Genie Agent weiter. Wir haben außerdem spezialisierte Agents für Bereiche wie Web-Performance, Digital Analytics und Marketingplanung erstellt, sodass jeder Agent in einem eingegrenzten und hochrelevanten Kontext agieren kann.
Bei komplexeren Fragen kann der Agent-Modus mehrere Schritte evaluieren und eine tiefergehende Analyse erstellen. Dies ermöglicht Marketern einen schnelleren Weg von einer geschäftlichen Frage zu einer fundierten Antwort und der Empfehlung für den nächsten Schritt.
Vertrauen war von der ersten Pilotphase bis zum breiten Rollout unsere oberste Priorität. Kein AI-System ist perfekt. Deshalb haben wir uns auf 4 Mechanismen konzentriert, die Marge präziser, zuverlässiger und transparenter machen:
Genie benötigt denselben Kontext, den auch ein neuer Analyst brauchen würde. Das beginnt mit einem klaren Datenmodell, das zeigt, wie Tabellen zusammenhängen und wie sie verknüpft werden sollten.
Wir nutzen Unity Catalog, um Metadaten, Tabellenbeschreibungen, Spaltenanmerkungen, Lineage und Zugriffskontrollen zu zentralisieren. AI-generierte Beschreibungen lieferten uns einen nützlichen ersten Entwurf, aber die Marketing-Verantwortlichen und Datenexperten haben diese überprüft und mit dem geschäftlichen Kontext angereichert, den nur Personen innerhalb der Organisation kennen können.
Praktische Beispiele hierfür sind die Dokumentation von:
Klare Metadaten helfen Genie, eine Frage richtig zu interpretieren, bevor eine Abfrage generiert wird.
Für häufige, besonders wichtige Fragen stellen wir verlässliche Assets und eine verifizierte Logik bereit, die von Fachexperten geprüft wurden. Diese decken Bereiche wie Konversionsraten, Customer Lifetime Value und Event-Registrierungen ab. Benutzer können sehen, wenn eine Antwort auf einer verifizierten Logik basiert, was ein wichtiges Signal für Vertrauen darstellt.
Wir fügen auch Paare aus Beispielfragen und -abfragen für komplexe oder häufig gestellte Fragen hinzu. Diese Beispiele zeigen Genie, wie ein bekanntes Szenario zu handhaben ist, und helfen dem System, dasselbe Muster auf ähnliche Fragen zu übertragen.
Als Faustregel gilt:
Jedes Unternehmen hat eine eigene Terminologie, die einfach aussieht, aber eine spezifische Bedeutung hat. „Pipeline“, „Region“, „Geschäftsjahr“ und „Kampagne“ können von Unternehmen zu Unternehmen unterschiedlich definiert sein.
Wir geben Marge klare Verhaltensrichtlinien für die Interpretation dieser Begriffe und den Umgang mit Mehrdeutigkeiten. Beispielsweise sagen Benutzer manchmal „Ausgaben“ oder „Investitionen“, wenn das zugrunde liegende Feld „Kosten“ heißt. Marge muss verstehen, dass sich diese Wörter auf dasselbe Konzept beziehen.
Wir weisen Marge außerdem an, eine klärende Frage zu stellen, wenn einer Anfrage wichtige Informationen fehlen, wie z. B. der Zeitraum, der Kanal oder die Region. Das Ziel ist es, Unklarheiten aufzudecken, anstatt zu raten.
Jede Antwort gibt den Nutzern die Möglichkeit, positives oder negatives Feedback zu hinterlassen. Das Marketing-Analytics-Team überprüft die Bewertungen und Kommentare in einem Monitoring-Dashboard, untersucht Probleme und aktualisiert den Agenten bei Bedarf.
Wir führen auch Benchmark-Fragen mit bekannten Antworten durch, um die Leistung systematisch zu evaluieren. Ein deutlicher Rückgang der Benchmark-Genauigkeit signalisiert, dass das Datenmodell, die Definitionen oder der Agenten-Kontext überprüft werden müssen.
Diese Betreuung ist unkompliziert. Heute verbringt ein BI-Manager etwa eine Stunde pro Woche damit, Feedback zu prüfen und Marge zu pflegen. Diese kleine, kontinuierliche Investition hat dazu beigetragen, die Rate der als falsch markierten Antworten um 25 % zu senken.
Die technische Qualität war nur die halbe Miete. Die Marketing-Teams mussten auch darauf vertrauen können, dass Marge ihre Bedürfnisse versteht und sich natürlich in ihren täglichen Workflow einfügt.
Wie ich meinen Kollegen oft sage, ist dies kein „Field of Dreams“-Produkt. Nur weil man es baut, heißt das noch lange nicht, dass die Leute es auch nutzen. Wir haben uns auf 4 Best Practices für die Einführung konzentriert:
Wir haben direkt mit den Marketing-Teams zusammengearbeitet, um zu verstehen, welche Fragen sie am häufigsten stellen, welche Dashboards sie bereits nutzen und welche Sprache sie zur Beschreibung ihrer Arbeit verwenden. Ihr Input hat die Daten, Beispiele und Anweisungen geprägt, mit denen wir Marge konfiguriert haben.
Dadurch wurden die Marketer auch zu aktiven Mitgestaltern des Produkts. Sie konnten sehen, dass die Lösung mit ihnen und für sie entwickelt wurde.
Unser erster Anwendungsfall war die Performance von E-Mail-Kampagnen. Wir haben nur die wesentlichen Kampagnen-, Empfänger- und Interaktionsdaten einbezogen, die zur Beantwortung dieser Fragen erforderlich waren.
Der Einstieg mit einem eng gesteckten Rahmen machte es einfacher, die Genauigkeit zu validieren, Vertrauen aufzubauen und schnell erste Erfolge aufzuzeigen. Account-Daten, Attribution und andere Bereiche haben wir später hinzugefügt, hauptsächlich basierend auf den Wünschen der Nutzer.
Wir haben Marge in unseren Analytics-Support-Prozess eingebettet. Jedes Ticket für Marketing-Analytics erhält eine automatische Antwort mit der Frage: „Hast du schon Genie gefragt?“ Analysten schalten sich erst ein, wenn der Anfragende angibt, dass er Genie bereits ausprobiert hat.
Diese einfache Änderung leitet grundlegende Fragen an die Self-Service-Analytics weiter und spart den Analysten Zeit für komplexere Aufgaben. Unser Team beschreibt den Unterschied oft so, dass Analysten von einfachen Einstiegsfragen (Level 101 und 201) entlastet werden, damit sie sich auf fortgeschrittene Analysen (Level 301 und 401) konzentrieren können.
Wir aktualisieren Metadaten, Beispiele, verifizierte Antworten und Anweisungen kontinuierlich auf der Grundlage von Nutzerfeedback. Schnelle Verbesserungen zeigen den Marketern, dass ihr Input wichtig ist, und helfen Marge, mit jeder Iteration nützlicher zu werden.
Die Feedbackschleife hilft uns auch dabei, kontrolliert zu expandieren. Wir fügen Daten und Funktionen als Reaktion auf die tatsächliche Nachfrage hinzu, anstatt zu versuchen, jede mögliche Frage bereits beim Start vorwegzunehmen.
Marge ist zur größten Zeitersparnis für unser Marketing-Analytics-Team geworden. Marketer erhalten in Sekundenschnelle kontrollierte Antworten, während Analysten und Data Engineers weniger Zeit mit der wiederholten Datenabfrage verbringen.
Diese frei gewordenen Kapazitäten wurden für höherwertige Aufgaben genutzt, darunter Experimente, Modelldesign und Verbesserungen an grundlegenden Datenprodukten. Technische Kapazitäten sind kein Engpass mehr für alltägliche Aktivitäten wie Kampagnen-Launches und vierteljährliche Geschäftsberichte.
Marketer können außerdem schneller handeln. Der einfachere Zugriff auf vertrauenswürdige Daten ermöglicht schnellere Kampagnenanpassungen, eine intelligentere Segmentierung und eine fundiertere Budgetallokation. Vor allem aber sind Daten zu einem festen Bestandteil alltäglicher Entscheidungen im gesamten Unternehmen geworden.
Für MarTech- und Datenteams, die einen ähnlichen Weg einschlagen, empfehlen wir folgende Reihenfolge:
Drei Erkenntnisse stechen aus unserer Erfahrung hervor.
Erstens: Self-Service-Analytics setzt ein starkes Datenfundament voraus. Die zugrunde liegenden Daten müssen kontrolliert, vertrauenswürdig und über konsistente Definitionen miteinander verknüpft sein. KI erleichtert den Zugriff auf diesen Kontext, gleicht jedoch widersprüchliche Quelldaten und unklare Geschäftslogiken nicht aus.
Zweitens: Eine zentrale Governance hilft Teams, den Zugriff vertrauensvoll zu erweitern. Unity Catalog bot uns eine zentrale Stelle zur Verwaltung von Definitionen, Lineage und rollenbasiertem Zugriff auf sensible Daten, während die Akzeptanz stieg.
Drittens: Vertrauen wird durch die User Experience gewonnen. Fangen Sie klein an, beobachten Sie, wie Marketer tatsächlich arbeiten, und verbessern Sie das System auf der Grundlage ihres Feedbacks. Wenn Nutzer sehen, dass ein Agent ihre Sprache versteht, ihre Zugriffsberechtigungen respektiert und durch ihr Feedback immer nützlicher wird, folgt die Akzeptanz von ganz allein.
Marge begann als Prototyp für 10 Nutzer und einen einzigen Anwendungsfall. Heute unterstützt sie mehr als 85 % unserer Marketingorganisation und hat über 5.000 Fragen beantwortet. Der Weg vom Pilotprojekt zur Skalierung wurde Schritt für Schritt mit jeder vertrauenswürdigen Antwort geebnet.
Sehen Sie sich das vollständige Interview mit Liz Dobbs an, lesen Sie die Dokumentation zu Genie-Agenten oder werfen Sie einen Blick auf diese verwandten Blogbeiträge:
Genie-Agenten bieten Marketing- und Businessteams eine Schnittstelle in natürlicher Sprache für kontrollierte Geschäftsdaten. Marketer können Fragen zu Kampagnen-Performance, Pipeline, Webaktivitäten, Events und anderen freigegebenen Daten stellen, ohne SQL schreiben zu müssen. Jede Antwort berücksichtigt die Unity Catalog-Berechtigungen des Nutzers.
Wählen Sie eine häufige, klar definierte Frage, die durch eine kleine Auswahl vertrauenswürdiger Daten gestützt wird. Databricks begann mit der Performance von E-Mail-Kampagnen unter Verwendung von Kampagnen-, Empfänger- und Interaktionstabellen und expandierte dann basierend auf der Nachfrage der Nutzer.
Tabellen und Beziehungen dokumentieren, Business-Metriken definieren, Beispiel-SQL und vertrauenswürdige Assets hinzufügen, spezifische Klärungsanweisungen geben, Nutzerfeedback überprüfen und anhand von Benchmark-Fragen testen. Die Genauigkeit verbessert sich durch gezielten Kontext und kontinuierliche Evaluierung.
Genie beantwortet viele repetitive Fragen mit geringerer Komplexität, sodass Analysten mehr Zeit für Experimente, Modelldesign und strategische Analysen aufwenden können. Bei Databricks half diese Umstellung dem Marketing-Analytics-Team, eine breitere Nutzung ohne zusätzliches Personal zu unterstützen.
Der Aufwand hängt vom Umfang und der Datenkomplexität ab. Bei Databricks erfordert die laufende Betreuung derzeit etwa eine Stunde pro Woche von einem BI-Manager, um Feedback zu prüfen, Probleme zu untersuchen und den Kontext zu aktualisieren.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.