La última milla: por qué contar con excelentes datos de primera mano sigue sin traducirse en un marketing excelente

El mes pasado, un equipo de datos y un equipo de marketing se sentaron en la misma sala y hablaron sin entenderse durante 45 minutos.

Los ingenieros hablaban de tablas Delta y arquitectura de medallón. Los especialistas en marketing hablaban de recorridos, segmentos y optimización de la hora de envío. El mismo cliente. Los mismos datos. Dos idiomas completamente diferentes. Nadie se equivocaba. Simplemente no podían escucharse.

Ese espacio muerto (entre donde viven los datos y donde se activan) es donde se pierden millones de dólares en valor para el cliente cada semana, en empresas con una infraestructura de datos de primer nivel y ambiciones de marketing de primer nivel. Tienen el cohete. Se olvidaron de la plataforma de lanzamiento.

El informe de investigación de Scott Brinker, The New Martech "Stack" for the AI Age, publicado en colaboración con Databricks, da el nombre correcto a lo que debe reemplazar a la arquitectura que creó este problema. Lo llama el lienzo componible. El diagnóstico es totalmente acertado y la dirección a la que apunta es exactamente hacia donde se dirige esta colaboración.

Qué significa realmente el lienzo componible para los profesionales del marketing

Si alguna vez has exportado un CSV de tu almacén de datos, lo has enviado por correo electrónico al equipo de campaña y has esperado tres días para que se cargue en tu plataforma de marketing, ese es el viejo modelo de stack que te está fallando.

Durante dos décadas, la tecnología de marketing (martech) se construyó en capas verticales rígidas: los datos en la base, los sistemas de interacción en el medio y las campañas en la cima. Cada capa era su propia caja. Lograr que esas cajas se comunicaran entre sí requería pipelines, conectores, tareas de sincronización y equipos de personas cuyo único trabajo era mover datos de un sistema a otro. Como señala el informe de Brinker, la integración siguió siendo uno de los tres principales desafíos para la mayoría de las organizaciones de marketing encuestadas, no en 2015, sino a finales de 2025. Después de treinta años de promesas de los proveedores para resolverlo.

El lienzo componible es la alternativa arquitectónica: una base de datos unificada donde cada herramienta, desde tus plataformas de interacción con el cliente hasta tus agentes de AI y tus análisis, funciona sobre el mismo sustrato compartido, sin necesidad de mover los datos. Sin middleware. Sin retrasos. Sin el ritual de las hojas de cálculo de los domingos por la noche.

Bryce Peake, ex-VP de Ciencias de Decisiones de Marketing en Domino's, lo expresa claramente:

Hemos estado intentando modificar el mismo stack de martech que tenemos desde que internet empezó a ser internet. Amigos, vamos a tener que construir uno nuevo.

Las plataformas de datos modernas como Databricks proporcionan una base abierta y compartida sobre la que los profesionales del marketing, los agentes y las aplicaciones pueden operar juntos. Y el caso de negocio es concreto: "Velocidad: de meses a minutos. Hoy en día, añadir una nueva capacidad de marketing implica proyectos de integración, pipelines de datos y tickets de IT. En el lienzo componible, las nuevas herramientas y agentes de AI se conectan a una base de datos compartida al instante".

La arquitectura: cinco anillos, un centro de gravedad

El marco de Brinker organiza el lienzo componible en posicionamiento de cinco anillos concéntricos, cada uno con una función distinta.

• Núcleo de datos: la base unificada de datos de clientes, empresas, contenido, código y control; el centro de gravedad de todo.
• Capa semántica: definiciones compartidas que hacen que los datos sean consistentes y significativos en todos los sistemas que los utilizan.
• CaaS (Context-as-a-Service): plataformas como las CDP que empaquetan los datos y el contexto relevantes para las aplicaciones y los agentes que los necesitan.
• Toma de decisiones: donde los motores de AI optimizan las mejores acciones siguientes y resuelven conflictos cuando varios agentes quieren llegar al mismo cliente simultáneamente.
• Aplicaciones y agentes: el anillo más externo, donde realmente se ofrecen las experiencias del cliente.

El beneficio de esta estructura es una reducción drástica de la complejidad de la integración. En el antiguo modelo punto a punto, diez sistemas podían requerir hasta 45 integraciones. En el modelo componible, cada nueva capacidad se une a un ecosistema compartido coherente en lugar de a una red de pipelines frágiles. Como dice Rick Schultz, CMO de Databricks:

Todos los CMO intentan resolver las mismas tres cosas: eficacia, eficiencia y autoservicio.

El lienzo componible es la forma en que las tres se vuelven alcanzables simultáneamente.

Elizabeth Dobbs, AVP de Tecnología de Marketing en Databricks, describe el impacto a partir de su propia experiencia:

Una vez que todos nuestros datos de marketing se centralizaron en el lakehouse, volvimos a analizar modelos que nunca habían aprovechado al máximo esa riqueza... El modelo reconstruido convirtió a una tasa 4 veces superior a la anterior. A partir de ahí, replicamos rápidamente el mismo enfoque para lanzar un modelo de puntuación de cuentas altamente predictivo en solo cuatro semanas.

La última milla: la brecha entre tu plataforma de datos de origen y una campaña activa

Brinker deja claro que este informe es una guía de referencia, no una guía de implementación paso a paso, y eso es exactamente lo que lo hace valioso. Lo que plantea intencionadamente es la pregunta del profesional: ¿cómo se convierte realmente una base de datos unificada en una campaña activada? ¿Cómo se construye una capa de toma de decisiones para un equipo de marketing que no habla el lenguaje de la ingeniería de datos? ¿Cómo pasan los cinco anillos de un diagrama de arquitectura a una experiencia de cliente que se activa en el momento adecuado?

En estas preguntas es donde reside el verdadero trabajo de implementación, lo que Stitch llama la última milla.

Así es como se ve en la práctica la brecha entre el punto de partida y la línea de meta de la última milla:

• Los agentes autónomos sin adónde ir. Una responsable de marketing de una marca importante describió recientemente una situación desesperante: su equipo de ingeniería acababa de implementar un sistema de agentes autónomos en Databricks que podía razonar sobre todo su conjunto de datos de clientes en tiempo real. Pero no tenía ni idea de cómo activar una campaña. Mientras tanto, los recorridos del ciclo de vida de su equipo de marketing seguían alimentándose de un archivo por lotes que se actualizaba una vez al día. Dos equipos con talento construyendo el futuro, sin ninguna visibilidad sobre el trabajo del otro.
• La puntuación de propensión sobre la que nadie actuó. El equipo de ciencia de datos de una marca de videojuegos creó un modelo sofisticado de pérdida de clientes (churn). La puntuación de propensión se calculó correctamente, identificando a los clientes en riesgo. Fue a parar a un panel de control que nadie consultaba. El cliente no percibió nada por parte de la marca en el momento en que necesitaba percibir algo... y se fue. Porque la última milla nunca se construyó.
• La hoja de cálculo del domingo por la noche. Un minorista nacional de alimentación tenía un entorno de Databricks lleno de datos de elegibilidad de ofertas y una plataforma de interacción con el cliente creada exactamente para este tipo de personalización. ¿La brecha entre ellos? Cuatro horas, cada domingo por la noche, y un CSV. Tiempo de preparación de la campaña: horas. Los datos estaban allí. La capacidad de activación estaba allí. Nadie había construido el puente. Una vez conectado, los flujos de elegibilidad de ofertas se integran automáticamente en los perfiles de los clientes y las campañas, activándose en tiempo real. Esas cuatro horas se convirtieron en minutos, cada semana, de forma permanente.

Como señala Brinker,

El stack de martech no se asienta sobre los datos. Son los datos.

Desde el punto de vista arquitectónico, es cierto. Desde el punto de vista operativo, para la mayoría de las marcas actuales, los datos y la campaña siguen viviendo en mundos completamente diferentes.

Qué se necesita para cerrar la última milla

Las marcas que están haciendo realidad el lienzo componible no lo consiguen comprando mejores herramientas. Lo hacen construyendo el puente, y eso requiere un profundo dominio tanto de la plataforma de datos como de la capa de ejecución de marketing de forma simultánea.

Arquitectura de datos de marketing diseñada para la activación. Hay una diferencia significativa entre una base de datos creada para analistas y otra creada para profesionales del marketing. La primera está optimizada para consultas, información y gobernanza. La segunda está optimizada para activar una campaña en el momento adecuado, enriquecer el perfil de un cliente en tiempo real y proporcionar a un agente de AI el contexto que necesita para tomar una decisión. Lograrlo requiere comprender tanto lo que Databricks puede hacer como lo que la capa de interacción realmente necesita de ella.

Analítica de autoservicio para equipos de marketing. Brinker describe las interfaces de lenguaje natural como una característica principal del modelo composable, y con razón. Esto es viable, pero la mayoría de los equipos de marketing siguen enviando tickets para obtener datos básicos sobre el rendimiento de las campañas.

La oportunidad: crear entornos de analítica adaptados a casos de uso reales de marketing, para que los equipos no técnicos puedan responder a sus propias preguntas sin SQL, sin colas de espera y sin tener que esperar a ingeniería de datos. Es una de las implementaciones de mayor impacto disponibles en este momento.

Agentes de AI que se ejecutan de forma nativa en la capa de datos. Los flujos de trabajo de marketing basados en agentes más potentes no son agentes añadidos a la fuerza sobre la pila tecnológica existente. Son agentes que residen dentro de la base de datos y se ejecutan a través de la capa de interacción: extrayendo segmentos, validando la calidad de los datos, activando campañas y midiendo los resultados sin archivos CSV, sin transferencias manuales y sin demoras. Kumar Ram, VP y director global de Ciencias de Datos de Marketing en HP, define este principio estratégico con precisión:

Queremos ser dueños de la estructura central de los datos y la infraestructura. Si cambiamos de agencia, lo único que tenemos que hacer es cambiar la capa de activación en la parte superior. La base se queda con nosotros.

Migraciones que apuntan hacia la composabilidad, no que se alejen de ella. Para las marcas que aún operan con plataformas de marketing heredadas y rígidas, el paso a una arquitectura composable no es un simple cambio de plataforma; es una decisión arquitectónica. Si se hace bien, posiciona a Databricks como la capa de datos debajo de una pila de interacción que puede adaptarse y evolucionar a medida que cambian las capacidades de AI. Elizabeth Dobbs resume el objetivo:

Hemos diseñado nuestra pila tecnológica como bloques de Lego modulares para que el negocio pueda avanzar más rápido. A medida que surgen nuevas tecnologías y agentes de AI, tenemos la flexibilidad de adoptar las mejores herramientas con el mínimo esfuerzo.

Tres formas de empezar a construir hoy mismo hacia el lienzo composable

Brinker tiene claro que este es un recorrido arquitectónico de 3 a 5 años, no un proyecto de reemplazo total. La buena noticia: cada paso aporta valor por sí mismo. Aquí tiene tres puntos de partida que, de manera constante, generan el impacto más inmediato.

1. Lleve sus datos de marketing a Databricks; pero de verdad.

La versión más común de «tenemos Databricks» es: el equipo de ingeniería de datos tiene Databricks y el de marketing tiene un panel de control que de vez en cuando lo refleja. Eso no es una base de datos unificada. Es una capa de informes.

El primer paso es la consolidación: hacer que los datos de rendimiento de las campañas, las señales de comportamiento de los clientes, los datos de fidelización y el historial de interacción fluyan hacia el mismo lakehouse donde ya residen sus datos transaccionales y operativos. Este es un trabajo de infraestructura básica (conectores, canalizaciones, controles de calidad de datos), pero es la base de la que depende todo lo demás.

El beneficio inmediato son los informes unificados: una única versión de la verdad que ven los equipos de marketing, ventas y finanzas. Como dice el informe de Brinker:

Cuando todo el mundo mira las mismas cifras, calculadas de la misma manera, las reuniones pasan de debatir sobre los datos a decidir qué hacer con ellos.

Eso por sí solo ya vale la pena la inversión. Pero además, acaba con el «peaje de datos» que ralentiza cada campaña: los tickets, las exportaciones y las esperas.

Por dónde empezar: Mapee dónde residen actualmente sus datos de marketing frente a dónde deben estar. Identifique las dos o tres fuentes de datos que más cambiarían lo que el equipo de marketing puede hacer si estuvieran unificadas (normalmente, el historial de transacciones, los eventos de comportamiento y los datos de ofertas o fidelización) y empiece a construir en función de ellas.

2. Cree un caso de uso de analítica de autoservicio para su equipo de marketing

La mayoría de los equipos de marketing están a una sola pregunta de distancia de obtener una información valiosa que cambiaría la forma en que ejecutan sus campañas. El problema no son los datos. Es la fricción entre el profesional de marketing y la respuesta.

El lienzo composable de Brinker sitúa la analítica de autoservicio (específicamente, las interfaces de lenguaje natural que permiten a los usuarios no técnicos consultar datos directamente) en el centro del modelo. Herramientas como Databricks AI/BI Genie hacen que esto sea posible hoy en día: un profesional de marketing escribe una pregunta en lenguaje sencillo y obtiene una respuesta en segundos, sin SQL, sin un ticket y sin una espera de tres días.

El responsable de campaña de una marca pasó de tardar cuatro días en resolver una pregunta básica sobre el rendimiento a obtener una respuesta en segundos, y luego hizo 12 preguntas más en los siguientes 20 minutos, lo que reveló información valiosa sobre el momento de envío de las notificaciones push que había estado oculta en los datos durante un trimestre. La fricción había desaparecido, y también el límite de lo que podía descubrir.

Por dónde empezar: Identifique la pregunta de datos más común que su equipo de marketing suele derivar al equipo de datos. Cree primero un entorno de analítica gobernado y centrado en ese caso de uso específico. A partir de ahí, expándalo.

3. Elija un caso de uso de agente de AI y póngalo en marcha

El mayor error que cometen los equipos de marketing con la AI es tratarla como una estrategia en lugar de como una práctica. El lienzo composable hace que los agentes de AI sean realmente operativos, pero solo si empieza a crearlos con datos reales, en flujos de trabajo reales y orientados a resultados reales.

Los primeros casos de uso de agentes más eficaces son específicos, de alta frecuencia y están conectados directamente con el resultado de una campaña. Un agente de QA que valide cada correo electrónico antes de enviarlo. Un agente de personalización que extraiga señales de inventario o fidelización en tiempo real y genere textos sobre la marcha. Un agente de abandono (churn) que supervise las señales de comportamiento en Databricks y active una campaña en el momento en que un cliente cruce un umbral de riesgo, no tres días después, cuando se ejecute un archivo por lotes (batch).

Lo que hace que estos casos de uso funcionen es la arquitectura: agentes que residen en la capa de datos y se ejecutan a través de la capa de interacción: sin exportaciones de CSV, sin transferencias manuales y sin demoras. La campaña es tan inteligente como los datos que la alimentan, razón por la cual la base de datos es lo primero.

Como señala Brinker en el informe,

Los flujos de trabajo basados en agentes más valiosos cruzan los límites del sistema de forma natural. Los agentes están ávidos de contexto: datos relevantes, instrucciones y herramientas para el objetivo específico que están resolviendo.

El lienzo composable es lo que les proporciona ese contexto. El agente es simplemente el elemento que actúa en consecuencia.

Por dónde empezar: Identifique un proceso manual de alta frecuencia y alto coste en sus operaciones de campaña (QA, segmentación, generación de contenido, informes de rendimiento) y defina el alcance de un único agente para automatizarlo. Mida el tiempo ahorrado y el cambio en el resultado. Utilice ese argumento de prueba para justificar el siguiente.

Por qué el momento de construir esto es ahora

El plazo de la visión de tres a cinco años de Brinker se está reduciendo más rápido de lo que la mayoría de los líderes de marketing esperaban.

Databricks acaba de lanzar CustomerLake, una CDP basada en agentes integrada de forma nativa en el Lakehouse. Las capacidades principales de CDP, que incluyen Customer 360, resolución de identidad, creación de audiencias, automatización de campañas, activación y personalización, pueden ejecutarse donde ya residen los datos de los clientes, los modelos de AI y la gobernanza, sin necesidad de middleware.

Las plataformas de interacción con el cliente como Braze se conectan directamente a Databricks a través de la ingesta nativa de datos en la nube (Cloud Data Ingestion) y OpenSharing. Las nuevas capacidades de la plataforma, como Lakebase, permiten que las aplicaciones de marketing de pila completa (full-stack) (interfaz de usuario [front-end], lógica transaccional y ejecución de campañas) se ejecuten en una única plataforma con un único modelo de gobernanza, lo que elimina la necesidad de conectar cuatro sistemas distintos.

El patrón que identifica Brinker ya se está cumpliendo: las plataformas de cada extremo son cada vez más inteligentes y están conectadas de forma más directa. La capa de integración intermedia es cada vez más delgada cada trimestre.

Las marcas que realizan este trabajo hoy en día ven hacia dónde se dirige el mercado. Están creando la arquitectura de datos ahora para no tener que correr para ponerse al día cuando todos los demás lo descubran.

El lienzo composable describe el destino. El último tramo es el trabajo que queda por hacer entre el punto de partida y la meta.

Descargue el informe de investigación de Scott Brinker: La nueva «pila» de Martech para la era de la AI

Databricks y Stitch se están asociando para ayudar a las organizaciones de marketing a cerrar la brecha entre la infraestructura de datos moderna y los resultados reales de los clientes. Si su organización cuenta con una inversión en Databricks que aún no ha activado por completo para el marketing, hable con Stitch →

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original