El AVP de MarTech de Databricks comparte una guía práctica para dar a los especialistas en marketing respuestas rápidas y gobernadas con Genie, desde la creación de la base de datos adecuada hasta ganarse la confianza y mantener la adopción.
por Elizabeth Dobbs, Thomas Russell, Katy Yuan y Sydney Sundell
La mayoría de los equipos de marketing aspiran a basarse en los datos. En la práctica, obtener una respuesta confiable en el momento en que se debe tomar una decisión aún puede llevar días.
En Databricks, abordamos este desafío unificando nuestros datos de marketing en un lakehouse gobernado y creando Marge, nuestra implementación de marketing de Genie Agents. Marge permite a los profesionales de marketing hacer preguntas en lenguaje natural y recibir respuestas gobernadas en segundos.
Los resultados han cambiado la forma en que trabaja nuestra organización:
Estos resultados surgieron de tratar la analítica conversacional como un producto y un modelo operativo continuos. Partimos de datos gobernados, le enseñamos a Genie nuestro lenguaje de negocios, nos ganamos la confianza caso de uso por caso de uso y lo integramos directamente en la forma en que los profesionales de marketing ya trabajan.
Soy Liz Dobbs, AVP de Tecnología de Marketing de Databricks, y en este video comparto una guía práctica sobre cómo mi equipo ayudó al departamento de marketing de Databricks a utilizar los datos con una frecuencia 3 veces mayor en sus decisiones:
Los datos de marketing abarcan plataformas de campañas, analítica web, sistemas CRM, herramientas de eventos, canales de publicidad y datos de ventas. Cada sistema aporta sus propias definiciones, identificadores y lógica de informes. Incluso cuando existen paneles de control, los profesionales de marketing a menudo tienen dificultades para saber qué métrica está actualizada, qué fuente es la autorizada o cómo responder a la siguiente pregunta para la cual el panel de control no fue diseñado.
Nuestra organización de marketing se enfrentó a los mismos desafíos:
Primero creamos un Marketing Lakehouse dentro del lakehouse de Databricks de toda la empresa, compartido entre Marketing, Finanzas, Ventas y Producto. Se convirtió en la fuente de verdad gobernada para nuestros datos de go-to-market, alineando la información de campañas y ventas en torno a definiciones y métricas consistentes.
Esa base hizo posible a Marge.
Marge es un asistente de analítica conversacional creado con Genie Agents. Está fundamentado en los datos y el contexto empresarial de nuestro Marketing Lakehouse, incluidas las definiciones que los profesionales de marketing de Databricks utilizan para regiones, productos, canales, campañas, períodos fiscales y pipeline.
Los profesionales de marketing pueden hacer preguntas en inglés sencillo, como:
Marge traduce esas preguntas en consultas analíticas y devuelve respuestas basadas en datos empresariales gobernados. Unity Catalog proporciona gobernanza centralizada, linaje y controles de acceso basados en roles, de modo que cada usuario ve solo los datos para los que tiene autorización de acceso.
Los profesionales de marketing acceden a Marge a través de Genie One, la experiencia de cotrabajo con AI para usuarios de negocios que reúne paneles de control, Genie Agents, aplicaciones y análisis más profundos. Genie One dirige automáticamente cada solicitud al Genie Agent adecuado cuando corresponde. También hemos creado agentes enfocados para dominios como rendimiento web, analítica digital y planificación de marketing, lo que permite que cada uno opere con un contexto más acotado y relevante.
Para preguntas más complejas, el modo Agent puede evaluar múltiples pasos y producir un análisis más profundo. La experiencia ofrece a los profesionales de marketing un camino más rápido desde una pregunta comercial hasta una respuesta fundamentada y el siguiente paso recomendado.
La confianza ha sido nuestra máxima prioridad desde el piloto inicial hasta el despliegue generalizado. Ningún sistema de AI será perfecto, por lo que nos enfocamos en 4 mecanismos que hacen que Marge sea más preciso, confiable y transparente:
Genie necesita el mismo contexto que necesitaría un analista nuevo. Eso comienza con un modelo de datos claro, que incluya cómo se relacionan las tablas y cómo deben unirse.
Utilizamos Unity Catalog para centralizar los metadatos, las descripciones de las tablas, las anotaciones de las columnas, el linaje y los controles de acceso. Las descripciones generadas por AI nos dieron una primera versión útil, pero las partes interesadas de marketing y los expertos en datos las revisaron y enriquecieron con el contexto empresarial que solo las personas dentro de la organización conocerían.
Los ejemplos prácticos incluyen documentar:
Los metadatos claros ayudan a Genie a interpretar una pregunta correctamente antes de generar una consulta.
Para preguntas comunes y de alto valor, proporcionamos activos de confianza y lógica verificada que los expertos en el dominio han revisado. Estos cubren áreas como las tasas de conversión, el valor de vida del cliente y el registro de eventos. Los usuarios pueden ver cuándo una respuesta se basa en una lógica verificada, lo que añade una importante señal de confianza.
También agregamos pares de preguntas y consultas de ejemplo para preguntas complejas o frecuentes. Estos ejemplos le enseñan a Genie cómo manejar un escenario conocido y le ayudan a generalizar el mismo patrón para preguntas similares.
Como regla general:
Cada organización tiene una terminología que parece simple pero que conlleva un significado específico. “Pipeline”, “región”, “año fiscal” y “campaña” pueden tener definiciones que difieran de una empresa a otra.
Le damos a Marge una guía de comportamiento clara para interpretar estos términos y para manejar la ambigüedad. Por ejemplo, los usuarios pueden decir “gasto” o “inversión” cuando el campo subyacente se llama “costo”. Marge debe comprender que esas palabras se refieren al mismo concepto.
También le indicamos a Marge que haga una pregunta de aclaración cuando a una solicitud le falte información crítica, como el período de tiempo, el canal o la región. El objetivo es sacar a la luz la ambigüedad en lugar de adivinar.
Cada respuesta ofrece a los usuarios la oportunidad de proporcionar comentarios positivos o negativos. El equipo de análisis de marketing revisa las calificaciones y los comentarios en un panel de control de monitoreo, investiga los problemas y actualiza el agente según sea necesario.
También realizamos preguntas de referencia (benchmark) frente a respuestas conocidas para evaluar el rendimiento de manera sistemática. Una disminución significativa en la precisión de la referencia indica que el modelo de datos, las definiciones o el contexto del agente podrían necesitar atención.
Esta gestión es ligera. Hoy en día, un gerente de BI dedica aproximadamente una hora a la semana a revisar los comentarios y mantener a Marge. Esa pequeña pero constante inversión ha ayudado a reducir la tasa de respuestas incorrectas marcadas en un 25%.
La calidad técnica era solo la mitad del trabajo. Los profesionales de marketing también debían confiar en que Marge entendía sus necesidades y podía integrarse de forma natural en su flujo de trabajo diario.
Como suelo decir a mis colegas, este no es un producto de tipo "construye y vendrán". Crearlo no garantiza que la gente lo vaya a usar. Nos enfocamos en 4 prácticas de adopción:
Trabajamos directamente con los profesionales de marketing para comprender las preguntas que hacían con más frecuencia, los paneles de control que ya utilizaban y el lenguaje que empleaban para describir su trabajo. Sus aportaciones dieron forma a los datos, ejemplos e instrucciones que utilizamos para configurar a Marge.
Esto también convirtió a los profesionales de marketing en participantes activos del producto. Pudieron ver que la experiencia se estaba construyendo con ellos y para ellos.
Nuestro primer caso de uso fue el rendimiento de las campañas de correo electrónico. Incluimos únicamente los datos esenciales de la campaña, los destinatarios y la interacción (engagement) necesarios para responder a esas preguntas.
Comenzar con un alcance limitado facilitó la validación de la precisión, generó confianza y demostró el valor rápidamente. Más adelante agregamos datos de cuentas, atribución y otros dominios, basándonos principalmente en las solicitudes de los usuarios.
Integramos a Marge en nuestro proceso de soporte analítico. Cada ticket de análisis de marketing recibe una respuesta automatizada que pregunta: “¿Le has preguntado a Genie?”. Los analistas solo intervienen después de que el solicitante indica que ya ha probado Genie.
Este sencillo cambio dirige las preguntas básicas al análisis de autoservicio y reserva el tiempo de los analistas para tareas más complejas. Nuestro equipo suele describir la diferencia como alejar a los analistas de las solicitudes de nivel 101 y 201 para que puedan centrarse en análisis de nivel 301 y 401.
Actualizamos continuamente los metadatos, los ejemplos, las respuestas de confianza y las instrucciones en función de los comentarios de los usuarios. Las mejoras rápidas demuestran a los profesionales de marketing que su opinión importa y ayudan a que Marge sea más útil con cada iteración.
El bucle de retroalimentación también nos ayuda a expandirnos con disciplina. Agregamos datos y capacidades en respuesta a la demanda demostrada, en lugar de intentar anticipar cada pregunta posible en el lanzamiento.
Marge se ha convertido en la mayor fuente de ahorro de tiempo para nuestro equipo de Marketing Analytics. Los profesionales de marketing obtienen respuestas gobernadas en segundos, mientras que los analistas e ingenieros dedican menos tiempo a realizar extracciones de datos repetitivas.
Esa capacidad se ha reorientado hacia tareas de mayor valor, como la experimentación, el diseño de modelos y las mejoras en los productos de datos fundamentales. El ancho de banda técnico ya no es un cuello de botella para actividades comunes como los lanzamientos de campañas y las revisiones comerciales trimestrales.
Los profesionales de marketing también pueden actuar más rápido. Un acceso más sencillo a datos de confianza permite realizar ajustes de campaña más rápidos, una segmentación más inteligente y una asignación de presupuesto más informada. Lo más importante es que los datos se han convertido en parte de más decisiones cotidianas en toda la organización.
Para los equipos de martech y de datos que comienzan un camino similar, recomendamos esta secuencia:
Tres lecciones se destacan de nuestra experiencia.
En primer lugar, el análisis de autoservicio depende de una base de datos sólida. Los datos subyacentes deben estar gobernados, ser confiables y estar conectados a través de definiciones coherentes. La AI hace que ese contexto sea más fácil de acceder, pero no compensa los datos de origen contradictorios ni una lógica comercial poco clara.
En segundo lugar, la gobernanza centralizada ayuda a los equipos a ampliar el acceso con confianza. Unity Catalog nos brindó un único lugar para administrar las definiciones, el linaje y el acceso basado en roles a datos confidenciales a medida que crecía la adopción.
En tercer lugar, la confianza se gana a través de la experiencia del usuario. Comience con algo pequeño, observe cómo trabajan realmente los profesionales de marketing y mejore el sistema en función de lo que le digan. Cuando los usuarios ven que un agente entiende su lenguaje, respeta sus permisos de acceso y se vuelve más útil gracias a sus comentarios, la adopción llega de forma natural.
Marge comenzó como un prototipo para 10 usuarios y un único caso de uso. Hoy en día, brinda soporte a más del 85% de nuestra organización de marketing y ha respondido a más de 5,000 preguntas. El camino desde el piloto hasta la escala se construyó una respuesta de confianza a la vez.
Vea la entrevista completa con Liz Dobbs, explore la documentación de Genie Agents o consulte estos blogs relacionados:
Los Genie Agents ofrecen a los equipos comerciales y de marketing una interfaz de lenguaje natural para datos comerciales gobernados. Los profesionales de marketing pueden hacer preguntas sobre el rendimiento de las campañas, el pipeline, la actividad web, los eventos y otros datos aprobados sin necesidad de escribir SQL. Cada respuesta respeta los permisos de Unity Catalog del usuario.
Elija una pregunta frecuente y bien definida que esté respaldada por un pequeño conjunto de datos de confianza. Databricks comenzó con el rendimiento de las campañas de correo electrónico utilizando tablas de campañas, destinatarios e interacción (engagement), y luego se expandió en función de la demanda de los usuarios.
Documenta tablas y relaciones, define métricas de negocio, añade ejemplos de SQL y activos de confianza, ofrece instrucciones de aclaración específicas, revisa los comentarios de los usuarios y realiza pruebas con preguntas de referencia. La precisión mejora mediante un contexto enfocado y una evaluación continua.
Genie gestiona muchas preguntas repetitivas y de menor complejidad, lo que permite a los analistas dedicar más tiempo a la experimentación, el diseño de modelos y el análisis estratégico. En Databricks, este cambio ayudó al equipo de analítica de marketing a dar soporte a un uso más amplio sin aumentar la plantilla.
El esfuerzo depende del alcance y de la complejidad de los datos. En Databricks, la gestión continua requiere actualmente alrededor de una hora a la semana por parte de un responsable de BI para revisar los comentarios, investigar problemas y actualizar el contexto.
(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original
Suscríbete a nuestro blog y recibe las últimas publicaciones directamente en tu bandeja de entrada.