Ein Multi-Agenten-Ansatz für Audience Intelligence

Die Nordstern-Definition

Jede Werbekampagne verfolgt die gleichen Kernziele: die richtige Zielgruppe erreichen, sinnvolles Engagement schaffen und messbare Ergebnisse liefern. Wo sich Kampagnen unterscheiden, ist die Art und Weise, wie sie diese Ziele verfolgen. Die Abweichung beginnt in der Strategiephase, in der sich Planer und Strategen auf klare Ziele einigen, die bei effektiver Umsetzung die gewünschten Ergebnisse erzielen. In dieser Phase hat das Unternehmen das Steuer in der Hand – es greift auf jahrelange Erfahrung mit seiner Marke, seiner Botschaft und der Leistung früherer Kampagnen zurück, um Entscheidungen zu treffen. Das Ergebnis ist ein Kampagnenbriefing, das als Nordstern für alle nachgelagerten Aktivitäten dient, einschließlich Zielgruppenerstellung, Data-Science-Modellierung und Aktivierung. Dieser Blog untersucht, wie die heutigen Herausforderungen für Werbetreibende durch eine KI-gestützte Lösung zur Zielgruppengenerierung auf Databricks gelöst werden können.

Die Lücke zwischen Strategie und Ausführung

Gerade beim Austausch von Kampagnenbriefings zwischen dem Business und den Datenteams stoßen Agenturen und Werbetreibende auf Herausforderungen bei der Abstimmung der Kernstrategie mit der Ausführung, darunter:

1. Strategieverwässerung: Briefings sollen zwar präskriptiv und klar definiert sein, aber die Übersetzung der Strategie in „Datentermini“ ist für jeden Analysten eine Herausforderung. Unweigerlich gehen bei der Kommunikation Bits und Bytes verloren, und es ist von entscheidender Bedeutung, die wichtigsten Bits nicht zu verlieren.
2. Unvollständige Strategien: Im umgekehrten Fluss gelangen Erkenntnisse aus Datenteams nicht immer zurück zum Business, was die Fähigkeit einschränkt, auf nicht offensichtliche Muster zu reagieren und Wettbewerbsvorteile zu erzielen. Durch diese datengesteuerten Entdeckungen differenzieren sich Agenturen und Werbetreibende, indem sie Branchenkonventionen und Annahmen von Wettbewerbern in Frage stellen, um den Markt auf einzigartige Weise anzugehen.
3. Daten-Blindspots: Beide Seiten agieren mit Einschränkungen – Planer verlassen sich auf eine begrenzte Anzahl von Signalen, während Datenteams sich möglicherweise zu stark auf bekannte Attribute verlassen. Bei solch großen und komplexen Datensätzen ist keine Gruppe vollständig dateninformiert. Angesichts der Tatsache, dass die meisten Agenturen und Werbetreibenden Datensätze mit Tausenden von Attributen zu Millionen bestehender und potenzieller Kunden besitzen, kann man davon ausgehen, dass selbst die erfahrensten Datennutzer ihre Blindspots haben.

Zusammenfassend lässt sich sagen, dass diese Herausforderungen jeweils ein Symptom eines fragmentierten Prozesses sind, bei dem:

• Die Personen, die der Strategie am nächsten sind, am weitesten von den Daten entfernt sind.
• Die Personen, die den Daten am nächsten sind, den vollständigen strategischen Kontext nicht kennen.
• Unabhängig vom Datenzugang ist der Umfang begrenzt.

Die Brücke auf Databricks bauen

Man kann die Rolle, die Technologie bei der Verfestigung dieser suboptimalen Prozesse gespielt hat, nicht ignorieren. Technologie konnte die Absicht nicht genau übersetzen, und Datenplattformen selbst boten wenige Werkzeuge, um Dateneinblicke für das Business auf sinnvolle Weise zu synthetisieren. Die effektivste Brücke zwischen diesen beiden Gruppen war entweder ein dateninteressierter Stratege oder ein Datenanalyst, der die Mission, das Produkt-Markt-Fit und die strategischen Ziele eines Unternehmens artikulieren konnte. Dies setzt auch voraus, dass der Stratege Zugriff auf die Datenbank hat und der Analyst das Ohr des Business hat (eine große Annahme).

Um die Lücke zwischen Absicht und Ausführung zu schließen, die heute noch besteht, ermöglicht unsere KI-gestützte Lösung auf der Databricks Data Intelligence Platform Werbetreibenden und Agenturen, Zielgruppen in natürlicher Sprache zu erstellen, bisher unbekannte Muster in ihren Daten zu entdecken und effektivere Kampagnen durchzuführen.

1. Datenquellen: First-Party-Daten und Partner-/lizenzierte Daten werden in die Plattform aufgenommen
2. Datenkuratierung: Spark Declarative Pipelines bereinigen, transformieren und vereinheitlichen Rohdaten in eine Population Attributes Table im Unity Catalog
3. Audience Genie Space: Der kuratierte Genie Space auf der Population Table übersetzt Anfragen in natürlicher Sprache in Zielgruppensegmente
4. Affinity Agent: UC Tools analysieren zusätzliche Zielgruppenaffinitäten durch Berechnung statistischer Muster
5. Supervisor Agent: Agent Bricks orchestriert das Multi-Agenten-System und leitet Anfragen an Genie & Affinity Sub-Agenten weiter
6. App: Eine Databricks App bietet Werbetreibenden eine intuitive Benutzeroberfläche, um Zielgruppen zu beschreiben, Affinitäten anzuzeigen und Erkenntnisse zu erkunden
7. Aktivieren & Speichern: Zielgruppen werden als Tabellen im Unity Catalog gespeichert und an nachgelagerte Ausführungskanäle (z. B. DSPs, E-Mail-Plattformen, soziale Medien usw.) aktiviert

Im Kern nutzt diese Lösung die neuesten Fortschritte von Databricks im Bereich Agentic AI – Genie, benutzerdefinierte Tool-Calling-Agenten und Agent Bricks –, um Werbetreibenden effektiver Erkenntnisse zu liefern und eine schnellere Zielgruppensegmentierung auf einheitlichen Bevölkerungsdatensätzen zu ermöglichen, die Hunderte von Millionen Verbraucher und Tausende von Attributen umfassen.

Betrachten wir ein Beispiel, um dies greifbar zu machen: Ein Kampagnenplaner bereitet ein Briefing für eine Luxusreisemarke vor, die exklusive Resort-Pakete bewirbt. Das Briefing fordert „wohlhabende Reisende im Alter von 35-54 Jahren, die häufig Premium-Erlebnisse buchen“. Traditionell landet dieses Briefing auf dem Schreibtisch eines Analysten, der es in SQL-Abfragen übersetzt, um Zielgruppen zu segmentieren und Ad-hoc-Analysen durchzuführen. Dies ist zwar ein vernünftiger Ansatz, aber er verengt unweigerlich die strategische Absicht auf eine Handvoll bekannter Attribute.

Anstatt manuell SQL generieren zu müssen, ermöglicht unsere Lösung dem Planer, diese Zielgruppe direkt in natürlicher Sprache zu beschreiben. Genie übersetzt dies dann in Sekundenschnelle in eine präzise Abfrage gegen Millionen von Datensätzen, komplett mit der zugrunde liegenden SQL-Logik für vollständige Transparenz.

Aber die eigentliche Entriegelung kommt als Nächstes. Das System analysiert automatisch zusätzliche Verhaltensweisen und Attribute, die diese Zielgruppe definieren, um nicht erkannte Muster zu identifizieren. Diese Ergebnisse und neuen Erkenntnisse sind ein Gamechanger. Beispiele für dieses Segment könnten sein:

• Überdurchschnittliche Nutzung als Early Adopter von Technologie im Vergleich zum Rest der Bevölkerung
• Investition in Kryptowährungen mit dem 2,5-fachen des Basisraten
• Zeigt eine starke Affinität zu Wellness- und Spa-Inhalten (z. B. außergewöhnliches Fitness-Engagement 5,7x)

Und das Beste daran ist, dass dies keine Annahmen sind. Es handelt sich um statistisch validierte Lift-Berechnungen gegen die Gesamtbevölkerung. Planer arbeiten nicht mehr nur mit einem Briefing, sondern mit einem Briefing, das mit Entdeckungen angereichert ist, die die kreative Strategie, die Medienplatzierung und die Kanalwahl verändern können.

Darüber hinaus erzielt diese Lösung spürbare und kumulative Geschäftsergebnisse:

• Kampagnen bewegen sich schneller von der Idee zur Aktivierung und verkürzen Planungszyklen, die früher Tage oder Wochen dauerten
• Planer können in Echtzeit auf Marktveränderungen, Laufzeitprobleme oder Kundenanfragen reagieren, ohne auf Analysten-Warteschlangen warten zu müssen
• Die direkte Einbettung strategischer Absichten in den Zielgruppengenerierungsprozess führt zu besserer Zielgruppenansprache und Kampagnenleistung

Damit diese Erfahrung jedoch nahtlos verläuft, ist eine sorgfältige Orchestrierung im Hintergrund erforderlich. In den folgenden Abschnitten werden wir die drei Kernbausteine dieser Lösung aufschlüsseln, einschließlich der Funktionsweise jeder Komponente, warum sie so aufgebaut ist und der Designentscheidungen, die sicherstellen, dass dieses System produktionsreif ist.

Databricks Genie: Natürliche Sprache für Ihre Daten

Der erste Schritt, den Teams in jedem Zielgruppen-Workflow unternehmen, ist die Definition des „Wer“, das sie erreichen wollen. Genie Spaces ermöglichen es Werbetreibenden, dies in natürlicher Sprache zu tun, indem sie Anfragen wie „wohlhabende Reisende im Alter von 35-54 Jahren finden, die häufig Premium-Erlebnisse buchen“ in gesteuerte SQL-Abfragen übersetzen, die gegen die Population Table ausgeführt werden, ohne direkte Interaktion mit dem Datenteam.

Obwohl Genie die direkten Interaktionen zwischen Strategie- und Datenteams reduziert, spielen die Datenteams in diesem Workflow weiterhin eine entscheidende Rolle, indem sie die zugrunde liegende Ebene sorgfältig kuratieren. Ein Genie Space ist nur so gut wie der Kontext und die Daten, die ihm zur Verfügung gestellt werden. Für die Zielgruppengenerierung bedeutet dies Investitionen in vier Bereiche:

1. Ein starkes Datenmodell, einschließlich vordefinierter oder denormalisierter Goldtabellen und Metrikansichten
2. Beschreibende Spaltenkommentare zu jedem Attribut in der Tabelle
3. Beispiel-SQL-Abfragen, die Genie die Muster und Konventionen der Daten lehren
4. Textanweisungen, die Geschäftsbedingungen und Scoring-Logiken definieren, die das Modell sonst nicht kennen würde

Durch die Zeit, die für die Kuratierung der Datenebene und Metadaten aufgewendet wird, wird das Fachwissen des Datenteams einmal kodiert, im Laufe der Zeit kontinuierlich verbessert und in der gesamten Organisation skaliert. Jeder Manager, Planer und Stratege profitiert von derselben kuratierten Logik, ohne ein Ticket einreichen oder auf manuelle Ad-hoc-Analysen warten zu müssen.

Zum Beispiel ist die Genie in dieser Lösung mit über 30 kuratierten Beispielabfragen konfiguriert, die gängige Zielgruppenmuster abdecken, von "Konsumenten mit Kaufabsicht für Autos und Kredit-Scores über 750 finden" bis hin zu "Luxusreisende in städtischen Gebieten mit hohem Nettovermögen identifizieren". Diese Beispiele verbessern nicht nur die Genauigkeit, sondern lehren Genie auch, wie das Unternehmen über seine Daten denkt.

Das Ergebnis ist ein System, bei dem ein Planer seine Zielgruppe für einen bestimmten Kampagnenauftrag beschreiben und genaue Segmentdaten, Zielgruppengröße, prozentuale Vergleiche mit der Gesamtbevölkerung und Beispieldaten erhalten kann – und das alles innerhalb von Sekunden.

Letztendlich verändert Genie die Art und Weise, wie Marketingteams Zielgruppensegmente aufbauen und neue Kampagnen durchführen können, grundlegend, indem es:

• Den Datenzugang demokratisiert, indem die Zielgruppenerstellung von einer technischen Aufgabe zu einem strategischen Gespräch verlagert wird. Jeder Planer kann die benötigte Zielgruppe beschreiben, ohne Kenntnis des zugrunde liegenden Tabellenschemas oder der SQL-Syntax.
• Iterationszyklen von Tagen auf Sekunden komprimiert, sodass Teams mehr Hypothesen testen und die Zielgruppenausrichtung in Echtzeit verfeinern können, anstatt auf Analysten-Warteschlangen zu warten.
• Institutionelles Wissen erfasst – jede kuratierte Abfrage, jeder Spaltenkommentar und jede Textanweisung kodiert das Daten-Know-how des Unternehmens in einer wiederverwendbaren Ebene, die neue Teammitglieder einarbeitet und die Erstellung von Zielgruppen für Kampagnen standardisiert.
• Die Governance stärkt, indem die natürliche Sprachabsicht und das generierte SQL für jede Zielgruppe protokolliert werden, wodurch eine Überprüfungsprotokollierung entsteht, die sowohl von technischen als auch von nicht-technischen Stakeholdern gelesen werden kann.

Zusammenfassend lässt sich sagen, dass diese Vorteile die Zielgruppenerstellung von einem Engpass in einen Wettbewerbsvorteil verwandeln.

Affinity Agent: Unbekannte Beziehungen und Zielgruppen entdecken

Beim Aufbau einer umfassenden Lösung zur Zielgruppenerstellung ist die Definition der Zielgruppe nur die halbe Miete. Der eigentliche strategische Wert liegt im Verständnis des "Was noch" über die Zielgruppe. Mit anderen Worten: Gibt es ungeahnte Muster, Verhaltensweisen, Tendenzen und Affinitäten, die die gesamte Kampagnenverteilungsstrategie stärken könnten? Hier wird der Affinity Agent zum Differenzierungsmerkmal.

Sobald Genie ein Segment erstellt hat, nimmt der Affinity Agent dieses Segment automatisch und analysiert es anhand der Gesamtbevölkerung, um statistisch signifikante Muster aufzudecken. In Bezug auf die Werbung beantwortet er die Frage, die jeder Stratege stellen sollte, aber selten die Zeit oder die Werkzeuge hat, um sie zu verfolgen: "Über die von mir angegebenen Kriterien hinaus, was macht diese Zielgruppe einzigartig?"

In dieser Lösung kommt die Antwort in Form von Lift. Diese einfache, aber leistungsstarke Metrik vergleicht, wie häufig ein Attribut in einem bestimmten Zielgruppensegment im Vergleich zur Allgemeinbevölkerung vorkommt. Ein Lift von 2,0x bedeutet, dass die gegebene Zielgruppe diese Eigenschaft doppelt so wahrscheinlich aufweist. Für einen Kampagnenplaner sind diese Erkenntnisse sofort umsetzbar. Nehmen wir zum Beispiel die Luxusreisenden-Zielgruppe, die überdurchschnittlich stark auf Wellness-Inhalte und Kryptowährungsinvestitionen abzielt. Diese Signale fließen direkt in die Ausführung ein, und anstatt Standard-Reiseanzeigen über breite Lifestyle-Kanäle zu schalten, könnte das Medienteam die Ausgaben auf Premium-Wellness-Publikationen, Podcast-Sponsoring im Bereich persönliche Finanzen oder programmatische Platzierungen auf Fintech-Plattformen verlagern. Das Kreativteam könnte sich stattdessen auf Botschaften rund um erlebnisorientierte Wellness-Retreats konzentrieren, anstatt auf generische Resort-Bilder.

Unter der Haube folgt der Affinity Agent einem durchdachten Designmuster, das ein LLM mit Werkzeugen ausstattet, die statistische Analysen für eine gegebene Zielgruppe durchführen. Der Agent entscheidet, welche Analysen durchgeführt werden sollen, aber jede Zahl wird von deterministischen Werkzeugen berechnet. Diese Werkzeuge sind Funktionen, die in Unity Catalog vordefiniert und verwaltet werden.

In der Praxis dient eine gegebene Zielgruppe als Eingabedaten, und der Agent nutzt Unity Catalog-Funktionen, um den Lift gegenüber der Basisbevölkerung zu berechnen, und gibt nur Ergebnisse zurück, die die Mindestschwellenwerte für Vertrauen und Unterstützung erfüllen. Der folgende Pseudo-Code-Schnipsel beschreibt, wie diese Funktion funktioniert.

Diese Trennung zwischen Reasoning und Berechnung ist eine bewusste und entscheidende Wahl für die Werbung. Wenn Millionen von Dollar an Mediengeschäft von Zielgruppen-Einblicken abhängen, müssen diese Einblicke überprüfbar, reproduzierbar und auf realen Daten basierend sein. Durch die Verwaltung jeder analytischen Funktion über Unity Catalog bietet das System eine klare Abstammung von natürlichen Sprachfragen über die SQL-Ausführung bis hin zu statistischen Ergebnissen. Das LLM fügt dem Workflow Intelligenz hinzu, ohne Risiken einzuführen.

Agent Bricks: Erstellung von Multi-Agent Audience Intelligence

Während Genie die Zielgruppenerstellung übernimmt und der Affinity Agent versteckte Muster aufdeckt, ist das letzte Teil die Zusammenstellung einer intelligenten Orchestrierungsschicht, um sicherzustellen, dass diese Komponenten als eine einzige, kohärente Erfahrung und nicht als getrennte Werkzeuge zusammenarbeiten.

Agent Bricks macht dies in wenigen Minuten mit wenigen Klicks möglich. Der vorgefertigte Supervisor Agent empfängt jede Benutzeranfrage, ermittelt, welcher Sub-Agent am besten geeignet ist, sie zu bearbeiten, und leitet sie entsprechend weiter. Eine Anfrage wie "Erstelle mir eine Zielgruppe von häufigen Luxusreisenden" geht an Genie. Eine Folgefrage wie "Was kennzeichnet diese Gruppe noch?" wird an den Affinity Agent weitergeleitet. Und wenn ein Benutzer eine komplexe Frage stellt wie "Finde Outdoor-Enthusiasten mit hohem Einkommen und sage mir, was sie einzigartig macht", verknüpft der Supervisor beide Agenten – Genie erstellt das Segment, dann analysiert der Affinity Agent es – und liefert eine einheitliche Antwort.

Für Endbenutzer dieses Multi-Agenten-Systems liegt die Stärke darin, dass sie nie wissen müssen, welcher Agent die Arbeit erledigt, da der Supervisor Agent mit seinen Sub-Agenten zusammenarbeitet, um die Anfragen zu bearbeiten. Das Ergebnis ist eine nahtlose Erfahrung, die sich wie ein einziges Gespräch anfühlt.

Über das Routing hinaus ist der Supervisor das, was einzelne Agenten in ein sich verstärkendes System verwandelt. Durch die Orchestrierung der Übergabe zwischen Genie und dem Affinity Agent schafft er eine Feedbackschleife zwischen menschlicher Absicht und Datenentdeckung, die in traditionellen Workflows nicht existiert. Ein Planer kann eine Zielgruppe aufbauen, die aufkommenden Affinitäten überprüfen und das Segment sofort auf der Grundlage dessen, was er gelernt hat, verfeinern, und das alles innerhalb desselben Gesprächs. Dies reduziert den Zyklus von Briefings, Analysten-Warteschlangen, Qualitätssicherung und Iteration, der normalerweise Tage bis Wochen dauert, auf Minuten, sodass Teams mehr Hypothesen testen und schneller zu besseren Zielgruppen gelangen können. Im Laufe der Zeit baut jede Interaktion eine wachsende Bibliothek von Zielgruppendefinitionen und entdeckten Mustern auf, was zu institutionellem Wissen führt, das sich mit jeder Kampagne vervielfacht und auf jeden Benutzer in der Organisation skaliert.

Das fertige Produkt

Bisher haben wir untersucht, wie Genie strategische Absichten in verwaltete Zielgruppensegmente übersetzt, wie der Affinity Agent Muster aufdeckt, an die niemand gedacht hätte, und wie der Supervisor Agent die beiden Sub-Agenten zu einem nahtlosen Workflow orchestriert. Aber diese Fähigkeiten liefern nur dann einen Mehrwert, wenn die Personen, die sie am dringendsten benötigen, sie tatsächlich nutzen können, ohne Databricks Workspaces, Notebooks oder API-Endpunkte durchsuchen zu müssen. Databricks Apps entfernen diese Hürde und bieten eine native Anwendungsebene, die das gesamte Multi-Agenten-System in einer einzigen, intuitiven Benutzeroberfläche zusammenführt, die speziell für den Endbenutzer entwickelt wurde.

Innerhalb dieser App können Werbetreibende:

Erstellen, entdecken und iterieren Sie Zielgruppensegmente mithilfe natürlicher Sprache.

Erkunden Sie Details zu Zielgruppen, einschließlich des zugrunde liegenden SQL-Codes, der zur Generierung verwendet wird, Affinitätszusammenfassungen und Empfehlungen für Platzierungs- und Kampagnenstrategien.

Tauchen Sie mit integrierten KI/BI-Dashboards, die direkt in der App eingebettet sind, tiefer in Zielgruppensegmente ein.

Speichern Sie Zielgruppen als persistente Tabellen in Unity Catalog zur zukünftigen Ansicht, Verwaltung und Überprüfbarkeit und exportieren Sie dann Zielgruppen in Ausführungskanäle zur Kampagnenaktivierung.

Demokratisierung der Zukunft der Zielgruppenerstellung

Die Lücke zwischen strategischer Absicht und Datenausführung besteht seit Jahren – nicht, weil Organisationen keine Daten haben, sondern weil ihre Tools nicht dafür ausgelegt waren, diese Lücke zu schließen. Mit den agentenbasierten KI-Funktionen von Databricks existiert diese Brücke jetzt und befähigt alle Personas mit den Werkzeugen, um hochwertige Zielgruppen zu entdecken und zu erstellen, die einen Unterschied machen. Die Zielgruppe, von der Sie nicht wussten, dass Sie nach ihr gesucht haben, ist bereits in Ihren Daten vorhanden, Sie brauchten nur das richtige System, um sie zu finden und zu kuratieren.

Weitere Informationen zu Best Practices für die Erstellung eines effektiven Genie Space finden Sie in diesem Leitfaden.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag