Sciene AI Companion: Entwicklung einer autonomen Customer-Success-Plattform auf Databricks

Sciene entwickelt AI-Produkte, die volumenstarke, beziehungsorientierte Unternehmens-Workflows standardisieren und skalieren. Als Quartile – die weltweit größte Plattform zur Optimierung von Retail Media, die das Performance-Marketing für über 1.000 Marken verwaltet – die Plattform von Sciene zur Skalierung ihres Customer Success-Betriebs einführte, veränderte dies die Arbeitsweise über verschiedene Regionen und Zeitzonen hinweg grundlegend.

In der digitalen Werbung sind Customer Success Manager (CSMs) das Bindeglied zwischen einer Agentur und ihren Kunden. Sie analysieren die Kampagnen-Performance, bereiten Strategiepräsentationen vor, weisen proaktiv auf Probleme hin und pflegen die laufende Beziehung, damit die Accounts gesund bleiben und wachsen. Diese Rolle erfordert sowohl analytische Tiefe als auch eine persönliche Note. Bei einer Skalierung stößt diese Kombination jedoch an ihre Grenzen.

CSMs verbringen jede Woche Stunden damit, Präsentationen von Grund auf neu zu erstellen, den Account-Kontext zu rekonstruieren und Accounts ohne systematischen Überblick über das gesamte Kundenportfolio zu priorisieren. Ohne die richtigen Tools und Technologien können sie nicht Schritt halten.

Dies ist ein perfekter Anwendungsfall für generative AI. Sciene versucht über Quartile hinaus zu lösen, wie man AI-Effizienz in beziehungsorientierte Geschäftsprozesse einführt und gleichzeitig die entscheidende Personalisierung für die wesentliche menschliche Verbindung beibehält.

Barrieren für angewandte AI im Customer Success

Die Plattform von Sciene musste drei Probleme gleichzeitig lösen:

1. Personalisierung im großen Stil – ob E-Mail-Entwurf, Meeting-Präsentation oder Account-Diagnose: Jedes AI-generierte Ergebnis muss den geschäftlichen Kontext berücksichtigen – die Performance und Kennzahlen des Accounts sowie den persönlichen Stil und die Kommunikationsstandards des jeweiligen CSM.
   Dies einmalig zu lösen ist einfach, aber die Umsetzung für über 350 CSMs mit unterschiedlichen Kommunikationsstilen weltweit und mehreren wöchentlichen Interaktionen für 1.000 Accounts mit jeweils eigener Historie ist eine Herausforderung.
2. Inhaltserstellung in hohem Volumen – jede Woche 1.600 standardisierte Präsentationen mit je 80 Folien erstellen, E-Mail-Antworten für jeden Kunden entwerfen – bei gleichbleibender Qualität und ohne Verarbeitungsengpässe.
3. Ursachenanalyse statt reiner Erkennung – Kunden benötigen mehr als nur Warnmeldungen bei Account-Änderungen. Sie brauchen Erklärungen dafür, warum Änderungen aufgetreten sind, und Empfehlungen für die nächsten Schritte. Die Lösung muss Werbe-, Kampagnen-, Inventar-, Abrechnungs- und CRM-Daten verknüpfen, um Anomalien zu diagnostizieren, die auf saisonale Schwankungen, Aktivitäten von Mitbewerbern oder globale Marktveränderungen zurückzuführen sein können.

Von der Datenverfügbarkeit bis zur CSM-Präsentation hat Sciene nur ein sehr kurzes Zeitfenster für die Verarbeitung. Die Plattform muss Daten erfassen, modellieren, AI-Inferenz ausführen und Ergebnisse in Echtzeit bereitstellen. Alle Pipelines, AI-Workloads und die operative Ebene müssen dieselbe kontrollierte Source of Truth nutzen – was Databricks zur idealen Architekturlösung macht.

Databricks für Customer Success: Ein Blick in den AI Companion von Sciene

Um all diese Anforderungen zu erfüllen, hat Sciene eine AI Companion-Plattform entwickelt, die in drei Module unterteilt ist, um spezifische Engpässe bei der Bereitstellung für die Nutzer zu beseitigen:

• Email Hub – Entwerfen von E-Mail-Antworten mit vollständigem Kontextbewusstsein. Generiert schnelle, durchdachte und datengestützte Antworten, die im Stil des jeweiligen CSM verfasst sind und den Unternehmensrichtlinien entsprechen. Dies schont die Kundenbeziehungen und spart erheblich Zeit. Eine interne Umfrage ergab, dass sich die Antwortzeit mit dem AI Companion von 15–30 Minuten auf etwa 3 Minuten verkürzte, was einer 8-fachen Beschleunigung entspricht.
• Meeting Hub – Erstellung standardisierter Präsentationen im großen Stil. Es zentralisiert Gesprächspunkte und Zusammenfassungen früherer Meetings, um eine Präsentation mit mehr als 80 Folien zu erstellen. So wird sichergestellt, dass Kunden eine konsistente und aktuelle Erfahrung erhalten. Diese Vorbereitungszeit wird von über 2 Stunden auf etwa 10 Minuten verkürzt – 12-mal schneller –, sodass CSMs im Handumdrehen vorbereitet sind.
• Account-Flagging-System – automatische Erkennung von Geschäftsschwankungen. Über ein reines Warnmeldungs-Dashboard hinaus identifiziert das System, was sich geändert hat, und diagnostiziert die Ursache, wodurch stundenlange manuelle Nachforschungen entfallen. CSMs erhalten ein vorab diagnostiziertes Briefing anstelle einer mühsamen Suche in Tabellenkalkulationen, was ein schnelleres Eingreifen beim Kunden ermöglicht. Eine CSM-Umfrage ergab, dass die Diagnose eines markierten Accounts von über 30 Minuten auf ca. 5 Minuten sank – 6-mal schneller.

Nichts davon ersetzt das Urteilsvermögen des CSM – es nimmt ihnen lediglich die Arbeit ab, die sie daran gehindert hat. Der CSM behält weiterhin die Verantwortung für den Account, die Beziehung und die Entscheidung über die nächsten Schritte. Der AI Companion sorgt lediglich dafür, dass sie jedes Kundengespräch mit dem bereits vorliegenden Kontext führen.

AI zur Unterstützung strategischer menschlicher Workflows

Der Sciene AI Companion ist in der gesamten CS-Organisation von Quartile im Einsatz, die über 1.000 Marken verwaltet. Da die Datenzusammenstellung und das Entwerfen übernommen werden, können CSMs mehr Zeit in der Woche für das aufwenden, was schon immer der Kern ihrer Rolle war: tiefere Account-Strategien, präzisere Kundengespräche und die wichtigsten Ermessensentscheidungen. Die positiven Auswirkungen zeigen sich direkt beim Kunden: Sie erhalten einen schnelleren, datengestützten Service, und das Unternehmen profitiert von einer CS-Organisation, die effizient skaliert.

Warum Databricks: Governance und Kontext im Mittelpunkt

Die Architektur des AI Companion basiert auf einem Prinzip: Alle Consumer (Datenpipelines, AI-Modelle, Dashboards) müssen aus denselben kontrollierten Tabellen lesen, ohne dass es zu Synchronisationsabweichungen kommt.

Sciene kam zu dem Schluss, dass die Alternative – ein zusammengeschusterter Stack aus separaten Datenbanken, Compute-Ressourcen und AI-Serving-Infrastruktur – aufgrund mehrerer Datenkopien, komplexer Abstimmungen und unvermeidlicher Datenabweichungen einen enormen Wartungsaufwand bedeuten würde. Databricks eliminiert dies vollständig durch den Einsatz von:

• Delta Sharing bringt die Daten von Quartile ohne Kopien, Exporte oder Abweichungen in die Umgebung von Sciene – dieselben kontrollierten Tabellen, auf denen das Geschäft von Quartile basiert, stehen sofort für die Erfassung und Modellierung zur Verfügung. Ohne Delta Sharing müsste Sciene für jede Datenquelle eigene ETL-Pipelines erstellen und warten, was bei jedem Schritt zu Latenzen und Abstimmungsrisiken führen würde. Dies ermöglicht es dem Sciene-Ökosystem auch, in neue Bereiche zu expandieren, während die Daten dezentralisiert bleiben.
• Lakebase, das verwaltete Postgres von Databricks, speichert den operativen Zustand, die Konfigurationen und den Verlauf von Warnmeldungen, Meeting-Metadaten, Benutzeraktionen und AI-generierte Inhalte – mit transaktionaler Reaktionsfähigkeit und Lakehouse-Governance. Es schließt die Lücke zwischen analytischen und operativen Workloads, ohne dass Sciene eine separate Datenbank außerhalb des Databricks-Ökosystems betreiben muss.
• Databricks SQL Warehouses bedienen analytische Workloads, AI-Inferenz und operative Lesevorgänge aus denselben kontrollierten Tabellen auf Serverless-Endpunkten – ohne Cluster-Management und ohne Warm-up-Kosten. Jeder Consumer sieht dieselben Zahlen, da jeder Consumer dieselbe Ebene abfragt.

Das Ergebnis: Das Data Engineering muss keine benutzerdefinierten Exporte mehr bereitstellen, die Anwendung muss die analytische Logik nie neu berechnen und AI-Workloads müssen keinen eigenen Datenspeicher verwalten. Eine gemeinsame Basis, keine Abweichungen.

Wie die Databricks-Basis die einzelnen Module unterstützt

Dieselbe Architektur unterstützt alle drei AI Companion-Module auf leicht unterschiedliche Weise:

• Email Hub kombiniert aktuelle Account-Daten mit dem Kommunikationsstil des CSM und den Unternehmensrichtlinien, basierend auf AI-Plattform-Abfragen in Databricks. Dies verhindert veraltete Daten, wie sie beim Abrufen von Kopien entstehen. Kunden erhalten zeitnahe, fundierte Antworten, weil die Datenebene skaliert, und nicht, weil jede Antwort ihren eigenen Kontext verwalten muss.
• Meeting Hub erstellt jede Präsentation mit dem neuesten Zustand des Accounts und bezieht den Folieninhalt aus denselben kontrollierten Tabellen, die auch für das Reporting an anderer Stelle im Unternehmen genutzt werden. Eine einzige Source of Truth bedeutet, dass Kunden Zahlen sehen, die immer übereinstimmen – Präsentationen weichen nie von Dashboards ab.
• Account Flagging führt täglich eine Bewertung von Werbe-Performance, Kampagnenstatus, Inventar, Abrechnung und CRM-Daten durch. Schreibt nach Schweregrad sortierte Warnmeldungen in Lakebase, wo die Anwendung sie sofort erfasst. Der CSM kann eingreifen, noch bevor der Kunde überhaupt ein Problem bemerkt. Schwellenwertanpassungen und neue Warnmeldungsdefinitionen sind Konfigurationsänderungen, keine Code-Releases.

Die Basis für die AI-Erweiterung auf Databricks

Die einheitliche Architektur der Databricks Data Intelligence Platform ermöglicht neue Funktionen. Sciene prüft eine tiefere Integration in die Databricks AI-Plattform, einschließlich Databricks Apps für skalierbare AI-Inferenz, MLflow für das Experiment-Tracking über die verschiedenen Generierungsaufgaben des AI Companion hinweg sowie Unity Catalog Lakeflow Connect zur Erweiterung von Governance und Datenerfassung über die wachsende Anzahl von AI-generierten Assets, die die Plattform produziert.

Sobald Databricks neue Funktionen veröffentlicht, werden diese in die Plattform von Sciene integriert. Dadurch wird der AI Companion schneller und leistungsfähiger, ohne dass architektonische Änderungen erforderlich sind.

Um mehr darüber zu erfahren, wie Sciene mit Databricks kooperiert, um daten- und KI-native Produkte für Enterprise-Workflows zu entwickeln, besuchen Sie sciene.com oder wenden Sie sich an Ihren Ansprechpartner bei Sciene oder Databricks.

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