L'AVP de MarTech chez Databricks partage un guide pratique pour fournir aux marketeurs des réponses rapides et gouvernées avec Genie, de la création de la bonne base de données à l'établissement de la confiance et au maintien de l'adoption.
par Elizabeth Dobbs, Thomas Russell, Katy Yuan et Sydney Sundell
La plupart des équipes marketing aspirent à être guidées par les données. En pratique, obtenir une réponse fiable au moment où une décision doit être prise peut encore prendre des jours.
Chez Databricks, nous avons relevé ce défi en unifiant nos données marketing dans un lakehouse gouverné et en développant Marge, notre implémentation marketing des agents Genie. Marge permet aux marketeurs de poser des questions en langage naturel et d'obtenir des réponses gouvernées en quelques secondes.
Les résultats ont transformé le fonctionnement de notre organisation :
Ces résultats découlent du fait que nous avons traité l'analyse conversationnelle comme un produit et un modèle opérationnel continus. Nous nous sommes appuyés sur des données gouvernées, avons enseigné notre langage métier à Genie, avons gagné la confiance un cas d'usage à la fois, et l'avons intégrée directement dans les méthodes de travail existantes des marketeurs.
Je m'appelle Liz Dobbs, AVP de la technologie marketing chez Databricks, et dans cette vidéo, je partage un guide pratique sur la façon dont mon équipe a aidé le département marketing de Databricks à utiliser les données 3 fois plus souvent dans ses décisions :
Les données marketing englobent les plateformes de campagne, les analyses web, les systèmes CRM, les outils d'événements, les canaux publicitaires et les données de vente. Chaque système apporte ses propres définitions, identifiants et logiques de reporting. Même lorsque des tableaux de bord existent, les marketeurs ont souvent du mal à savoir quelle métrique est à jour, quelle source fait autorité ou comment répondre à la question suivante pour laquelle le tableau de bord n'a pas été conçu.
Notre organisation marketing a été confrontée aux mêmes défis :
Nous avons d'abord créé un Marketing Lakehouse au sein du lakehouse Databricks de l'entreprise, partagé entre le marketing, la finance, les ventes et les produits. Il est devenu la source unique de vérité gouvernée pour nos données de mise sur le marché, alignant les informations sur les campagnes et les ventes autour de définitions et de métriques cohérentes.
Cette base a rendu Marge possible.
Marge est un assistant d'analyse conversationnelle conçu avec des agents Genie. Il s'appuie sur les données et le contexte métier de notre Marketing Lakehouse, y compris les définitions que les marketeurs de Databricks utilisent pour les régions, les produits, les canaux, les campagnes, les périodes fiscales et le pipeline.
Les marketeurs peuvent poser des questions en langage naturel, telles que :
Marge traduit ces questions en requêtes analytiques et renvoie des réponses basées sur des données d'entreprise gouvernées. Unity Catalog fournit une gouvernance centralisée, le lignage et des contrôles d'accès basés sur les rôles, de sorte que chaque utilisateur ne voit que les données auxquelles il est autorisé à accéder.
Les marketeurs accèdent à Marge via Genie One, l'expérience de cotravail assistée par AI pour les utilisateurs métier qui regroupe des tableaux de bord, des agents Genie, des applications et des analyses approfondies. Genie One redirige automatiquement chaque demande vers l'agent Genie approprié, le cas échéant. Nous avons également créé des agents spécialisés pour des domaines tels que les performances web, les analyses digitales et la planification marketing, permettant à chacun de fonctionner dans un contexte plus ciblé et pertinent.
Pour les questions plus complexes, le mode Agent peut évaluer plusieurs étapes et produire une analyse plus approfondie. Cette expérience offre aux marketeurs un chemin plus rapide pour passer d'une question métier à une réponse fiable et à l'étape suivante recommandée.
La confiance a été notre priorité absolue, du projet pilote initial jusqu'au déploiement généralisé. Aucun système d'AI n'étant parfait, nous nous sommes concentrés sur 4 mécanismes qui rendent Marge plus précis, fiable et transparent :
Genie a besoin du même contexte qu'un nouvel analyste. Cela commence par un modèle de données clair, incluant les relations entre les tables et la manière dont elles doivent être jointes.
Nous utilisons Unity Catalog pour centraliser les métadonnées, les descriptions de tables, les annotations de colonnes, le lignage et les contrôles d'accès. Les descriptions générées par AI nous ont fourni une première version utile, mais les parties prenantes du marketing et les experts en données les ont examinées et enrichies avec le contexte métier que seules les personnes internes à l'organisation pouvaient connaître.
Les exemples pratiques incluent la documentation de :
Des métadonnées claires aident Genie à interpréter correctement une question avant de générer une requête.
Pour les questions courantes et à forte valeur ajoutée, nous fournissons des ressources fiables et une logique vérifiée que les experts du domaine ont examinées. Celles-ci couvrent des domaines tels que les taux de conversion, la valeur de vie client et l'inscription aux événements. Les utilisateurs peuvent voir lorsqu'une réponse est basée sur une logique vérifiée, ce qui renforce la confiance.
Nous ajoutons également des exemples de paires « question-requête » pour les questions complexes ou fréquemment posées. Ces exemples apprennent à Genie à gérer un scénario connu et l'aident à généraliser ce même schéma à des questions similaires.
En règle générale :
Chaque organisation possède une terminologie qui semble simple mais qui revêt une signification spécifique. Les termes « pipeline », « région », « exercice fiscal » et « campagne » peuvent avoir des définitions qui diffèrent d'une entreprise à l'autre.
Nous donnons à Marge des directives de comportement claires pour interpréter ces termes et gérer l'ambiguïté. Par exemple, les utilisateurs peuvent dire « dépenses » ou « investissement » alors que le champ sous-jacent est nommé « coût ». Marge doit comprendre que ces mots font référence au même concept.
Nous demandons également à Marge de poser une question de clarification lorsqu'une demande manque d'informations critiques, telles que la période, le canal ou la région. L'objectif est de mettre en évidence l'ambiguïté plutôt que de deviner.
Chaque réponse donne aux utilisateurs l'occasion de fournir des commentaires positifs ou négatifs. L'équipe d'analyse marketing examine les évaluations et les commentaires dans un tableau de bord de suivi, étudie les problèmes et met à jour l'agent si nécessaire.
Nous exécutons également des questions de référence (benchmarks) par rapport à des réponses connues pour évaluer les performances de manière systématique. Une baisse significative de la précision du benchmark signale que le modèle de données, les définitions ou le contexte de l'agent peuvent nécessiter une attention particulière.
Cette gestion est légère. Aujourd'hui, un responsable BI consacre environ une heure par semaine à examiner les commentaires et à maintenir Marge. Ce petit investissement régulier a permis de réduire de 25 % le taux de réponses incorrectes signalées.
La qualité technique ne représentait que la moitié du travail. Les spécialistes du marketing devaient également être convaincus que Marge comprenait leurs besoins et pouvait s'intégrer naturellement dans leur flux de travail quotidien.
Comme je le dis souvent à mes pairs, ce n'est pas un produit du type "Field of Dreams". Le construire ne garantit pas que les gens l'utiliseront. Nous nous sommes concentrés sur 4 pratiques d'adoption :
Nous avons travaillé directement avec les spécialistes du marketing pour comprendre les questions qu'ils posaient le plus souvent, les tableaux de bord qu'ils utilisaient déjà et le langage qu'ils employaient pour décrire leur travail. Leurs retours ont façonné les données, les exemples et les instructions que nous avons utilisés pour configurer Marge.
Cela a également fait des spécialistes du marketing des participants actifs au produit. Ils pouvaient voir que l'expérience était construite avec eux et pour eux.
Notre premier cas d'usage concernait la performance des campagnes d'e-mailing. Nous n'avons inclus que les données essentielles sur les campagnes, les destinataires et l'engagement nécessaires pour répondre à ces questions.
Commencer par un périmètre restreint a permis de valider plus facilement la précision, de renforcer la confiance et de démontrer rapidement de la valeur. Nous avons ajouté les données de compte, l'attribution et d'autres domaines plus tard, en nous basant principalement sur les demandes des utilisateurs.
Nous avons intégré Marge dans notre processus de support analytique. Chaque ticket d'analyse marketing reçoit une réponse automatisée demandant : « Avez-vous posé la question à Genie ? ». Les analystes n'interviennent que lorsque le demandeur indique qu'il a essayé Genie.
Ce simple changement oriente les questions de base vers l'analyse en libre-service et préserve le temps des analystes pour des tâches plus complexes. Notre équipe décrit souvent cette différence comme le fait d'éloigner les analystes des demandes de niveau débutant (101 et 201) pour qu'ils puissent se concentrer sur des analyses de niveau avancé (301 et 401).
Nous mettons continuellement à jour les métadonnées, les exemples, les réponses approuvées et les instructions en fonction des commentaires des utilisateurs. Des améliorations rapides montrent aux spécialistes du marketing que leur avis compte et aident Marge à devenir plus utile à chaque itération.
La boucle de rétroaction nous aide également à nous développer avec rigueur. Nous ajoutons des données et des fonctionnalités en réponse à une demande avérée, plutôt que d'essayer d'anticiper toutes les questions possibles lors du lancement.
Marge est devenue le gain de temps le plus important pour notre équipe Marketing Analytics. Les spécialistes du marketing obtiennent des réponses gouvernées en quelques secondes, tandis que les analystes et les ingénieurs passent moins de temps à effectuer des extractions de données répétitives.
Cette capacité a été réorientée vers des tâches à plus forte valeur ajoutée, notamment l'expérimentation, la conception de modèles et l'amélioration des produits de données fondamentaux. La bande passante technique n'est plus un goulot d'étranglement pour les activités courantes telles que les lancements de campagnes et les revues d'activité trimestrielles.
Les spécialistes du marketing peuvent également agir plus rapidement. Un accès plus facile à des données fiables permet des ajustements de campagne plus rapides, une segmentation plus intelligente et une allocation budgétaire plus éclairée. Plus important encore, les données font désormais partie d'un plus grand nombre de décisions quotidiennes au sein de l'organisation.
Pour les équipes martech et de données qui commencent un parcours similaire, nous recommandons cette séquence :
Trois leçons ressortent de notre expérience.
Premièrement, l'analyse en libre-service repose sur des bases de données solides. Les données sous-jacentes doivent être gouvernées, fiables et connectées par des définitions cohérentes. L'AI facilite l'accès à ce contexte, mais elle ne compense pas des données sources contradictoires et une logique métier floue.
Deuxièmement, la gouvernance centrale aide les équipes à élargir l'accès en toute confiance. Unity Catalog nous a fourni un endroit unique pour gérer les définitions, le lignage et l'accès basé sur les rôles aux données sensibles à mesure que l'adoption augmentait.
Troisièmement, la confiance se gagne grâce à l'expérience utilisateur. Commencez petit, observez comment les spécialistes du marketing travaillent réellement et améliorez le système en fonction de leurs retours. Lorsque les utilisateurs constatent qu'un agent comprend leur langage, respecte leurs autorisations d'accès et devient plus utile grâce à leurs commentaires, l'adoption suit.
Marge a commencé comme un prototype pour 10 utilisateurs et un seul cas d'usage. Aujourd'hui, elle prend en charge plus de 85 % de notre organisation marketing et a répondu à plus de 5 000 questions. Le chemin du pilote à l'échelle s'est construit une réponse de confiance à la fois.
Regardez l'interview complète de Liz Dobbs, explorez la documentation sur les agents Genie ou consultez ces blogs associés :
Les agents Genie offrent aux équipes marketing et métier une interface en langage naturel pour les données d'entreprise gouvernées. Les spécialistes du marketing peuvent poser des questions sur la performance des campagnes, le pipeline, l'activité web, les événements et d'autres données approuvées sans écrire de requêtes SQL. Chaque réponse respecte les autorisations Unity Catalog de l'utilisateur.
Choisissez une question fréquente et bien définie, appuyée par un petit ensemble de données fiables. Databricks a commencé par la performance des campagnes d'e-mailing en utilisant des tables de campagnes, de destinataires et d'engagement, puis s'est développé en fonction de la demande des utilisateurs.
Documenter les tables et les relations, définir les indicateurs métier, ajouter des exemples de requêtes SQL et des actifs de confiance, donner des instructions de clarification spécifiques, examiner les retours des utilisateurs et effectuer des tests par rapport à des questions de référence. La précision s'améliore grâce à un contexte ciblé et à une évaluation continue.
Genie traite de nombreuses questions répétitives et de faible complexité, ce qui permet aux analystes de consacrer plus de temps à l'expérimentation, à la conception de modèles et à l'analyse stratégique. Chez Databricks, cette transition a permis à l'équipe d'analyse marketing de prendre en charge une utilisation plus large sans augmenter les effectifs.
L'effort dépend de la portée et de la complexité des données. Chez Databricks, la gestion continue nécessite actuellement environ une heure par semaine de la part d'un responsable BI pour examiner les retours, analyser les problèmes et mettre à jour le contexte.
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.