Une approche multi-agents pour l'intelligence d'audience

Définir l'Étoile Polaire

Chaque campagne publicitaire partage les mêmes objectifs fondamentaux : atteindre le bon public, susciter un engagement significatif et obtenir des résultats mesurables. Là où les campagnes commencent à différer, c'est dans la manière dont elles poursuivent ces objectifs. La divergence commence dans la phase de stratégie, où les planificateurs et les stratèges s'alignent sur des objectifs clairs qui, lorsqu'ils sont exécutés efficacement, génèrent les résultats souhaités. À ce stade, l'entreprise est au volant, s'appuyant sur des années d'expérience avec sa marque, son message et les performances passées des campagnes pour guider les décisions. Le résultat est un brief de campagne qui sert d'Étoile Polaire pour toutes les activités en aval, y compris la création d'audience, la modélisation par science des données et l'activation. Ce blog explore comment les défis courants auxquels les annonceurs sont confrontés aujourd'hui peuvent être résolus grâce à une solution de génération d'audience alimentée par l'IA sur Databricks.

Le fossé entre la stratégie et l'exécution

C'est lors de cet échange de briefs de campagne entre les mains de l'entreprise et celles des équipes de données que les agences et les annonceurs commencent à rencontrer des difficultés pour aligner la stratégie principale sur l'exécution, notamment :

1. Dilution de la stratégie : Bien que les briefs soient destinés à être prescriptifs et clairs dans leur définition, la traduction de la stratégie en « termes de données » est un défi pour tout analyste. Inévitablement, des bits et des octets sont perdus lors de la communication, et il est d'une importance capitale de ne pas perdre les bits les plus importants.
2. Stratégies incomplètes : Dans le flux inverse, les informations des équipes de données ne reviennent pas toujours à l'entreprise, ce qui limite la capacité à agir sur des modèles non évidents et à créer un avantage concurrentiel. C'est par ces découvertes basées sur les données que les agences et les annonceurs se différencient, remettant en question les conventions de l'industrie et les hypothèses des concurrents pour aborder le marché de manière unique.
3. Angles morts des données : Les deux parties opèrent avec des contraintes : les planificateurs s'appuient sur un ensemble limité de signaux, tandis que les équipes de données peuvent s'appuyer trop fortement sur des attributs familiers. Avec des ensembles de données aussi vastes et complexes, aucun groupe n'est jamais pleinement informé par les données. Compte tenu que la plupart des agences et des annonceurs possèdent des ensembles de données contenant des milliers d'attributs sur des millions de clients existants et potentiels, il est juste de supposer que même les utilisateurs de données les plus expérimentés ont leurs angles morts.

Pour résumer ces défis, ils sont chacun le symptôme d'un processus fragmenté où :

• Les personnes les plus proches de la stratégie sont les plus éloignées des données.
• Les personnes les plus proches des données manquent du contexte stratégique complet.
• Quelle que soit l'accès aux données, leur portée est limitée.

Construire le pont sur Databricks

On ne peut ignorer le rôle qu'a joué la technologie dans le durcissement de ces processus sous-optimaux. La technologie manquait de la capacité à traduire fidèlement l'intention et les plateformes de données elles-mêmes offraient peu d'outils pour synthétiser les informations des données de manière significative pour l'entreprise. Le pont le plus efficace entre ces deux groupes était soit un stratège curieux des données, soit un analyste de données capable d'articuler la mission de l'organisation, l'adéquation produit-marché et les objectifs stratégiques. Cela suppose également que le stratège a accès à la base de données, et que l'analyste a l'oreille de l'entreprise (une grosse supposition).

Pour combler le fossé entre l'intention et l'exécution qui persiste aujourd'hui, notre solution alimentée par l'IA, construite sur la Databricks Data Intelligence Platform, permet aux annonceurs et aux agences de créer des audiences en langage naturel, de découvrir des modèles auparavant inconnus dans leurs données et de mener des campagnes plus efficaces.

1. Sources de données : Les données de première partie et les données partenaires/sous licence sont ingérées dans la plateforme
2. Curation des données : Les pipelines déclaratifs Spark nettoient, transforment et unifient les données brutes en une table d'attributs de population dans Unity Catalog
3. Audience Genie Space : Le Genie Space curaté au-dessus de la table de population traduit les requêtes en langage naturel en segments d'audience
4. Agent d'affinité : Les outils UC analysent les affinités d'audience supplémentaires en calculant des modèles statistiques
5. Agent superviseur : Agent Bricks orchestre le système multi-agents, acheminant les requêtes vers les sous-agents Genie et Affinity
6. Application : Une application Databricks offre aux annonceurs une interface intuitive pour décrire les audiences, visualiser les affinités et explorer les informations
7. Activation et enregistrement : Les audiences sont enregistrées sous forme de tables dans Unity Catalog et activées vers les canaux d'exécution en aval (par exemple, DSP, plateformes d'e-mail, médias sociaux, etc.)

Fondamentalement, cette solution exploite les dernières avancées de Databricks en matière d'IA agentique – Genie, agents d'appel d'outils personnalisés et Agent Bricks – pour présenter plus efficacement des informations aux annonceurs et permettre une segmentation d'audience plus rapide sur des ensembles de données de population unifiés couvrant des centaines de millions de consommateurs et des milliers d'attributs.

Prenons un exemple pour rendre cela concret, où un planificateur de campagne prépare un brief pour une marque de voyages de luxe promouvant des forfaits de villégiature exclusifs. Le brief demande « des voyageurs aisés âgés de 35 à 54 ans qui réservent fréquemment des expériences premium ». Traditionnellement, ce brief arrive sur le bureau d'un analyste, qui le traduit en requêtes SQL pour segmenter les audiences et effectuer des analyses ad hoc. Bien que ce soit une approche raisonnable, elle réduit inévitablement l'intention stratégique à une poignée d'attributs familiers.

Au lieu d'avoir à générer manuellement du SQL, notre solution permet au planificateur de décrire directement cette audience en langage naturel. Genie traduit ensuite cela en une requête précise sur des millions d'enregistrements en quelques secondes, avec la logique SQL sous-jacente pour une transparence totale.

Mais la véritable percée vient ensuite. Le système analyse automatiquement les comportements et attributs supplémentaires qui définissent cette audience pour identifier des modèles non réalisés. Ces découvertes et ces nouvelles informations changent la donne. Les exemples pour ce segment peuvent inclure :

• Sur-représentation en tant qu'adopteurs précoces de technologies par rapport au reste de la population
• Investit dans la cryptomonnaie 2,5 fois le taux de référence
• Montre une forte affinité pour le contenu de bien-être et de spa (par exemple, un engagement exceptionnel envers le fitness 5,7x)

Et le meilleur, c'est que ce ne sont pas des suppositions. Ce sont des calculs de lift statistiquement validés par rapport à la population totale. Les planificateurs ne travaillent plus à partir d'un simple brief, mais à partir d'un brief enrichi de découvertes qui peuvent remodeler la stratégie créative, le placement médiatique et la sélection des canaux.

De plus, cette solution génère un impact commercial tangible et cumulatif :

• Les campagnes passent de l'idée à l'activation plus rapidement, comprimant les cycles de planification qui prenaient auparavant des jours ou des semaines.
• Les planificateurs peuvent répondre aux changements du marché, aux problèmes de rythme ou aux demandes des clients en temps réel sans attendre les files d'attente des analystes.
• L'intégration de l'intention stratégique directement dans le processus de génération d'audience conduit à un meilleur ciblage et à de meilleures performances de campagne.

Cependant, rendre cette expérience transparente nécessite une orchestration minutieuse en coulisses. Dans les sections suivantes, nous décomposerons les trois principaux éléments constitutifs de cette solution, y compris le fonctionnement de chaque composant, pourquoi il est construit de cette manière et les décisions de conception qui garantissent que ce système est prêt pour la production.

Databricks Genie : Apporter le langage naturel à vos données

La première étape que les équipes entreprennent dans tout flux de travail d'audience est de définir le « qui » que leurs campagnes doivent atteindre. Les Genie Spaces permettent aux annonceurs de le faire en langage naturel, en traduisant des requêtes telles que « trouver des voyageurs aisés âgés de 35 à 54 ans qui réservent fréquemment des expériences premium » en requêtes SQL gouvernées exécutées sur la table de population, sans aucune interaction directe avec l'équipe de données.

Bien que Genie puisse réduire les interactions directes entre les équipes de stratégie et de données, les équipes de données jouent toujours un rôle essentiel dans ce flux de travail en organisant méticuleusement la couche sous-jacente. Un espace Genie n'est aussi bon que le contexte et les données qui lui sont fournis, et pour la génération d'audiences, cela signifie investir dans quatre domaines :

1. Un modèle de données solide, incluant des tables Gold pré-jointes ou dénormalisées et des vues de métriques
2. Des commentaires descriptifs sur les colonnes pour chaque attribut de la table
3. Des exemples de requêtes SQL qui enseignent à Genie les modèles et les conventions des données
4. Des instructions textuelles qui définissent les termes commerciaux et la logique de scoring que le modèle ne connaîtrait pas autrement

En consacrant du temps à l'organisation de la couche de données et des métadonnées, l'expertise de l'équipe de données est encodée une fois, continuellement améliorée au fil du temps et mise à l'échelle dans toute l'organisation. Chaque dirigeant, planificateur et stratège bénéficie de la même logique organisée sans avoir à soumettre une demande ou à attendre des analyses manuelles ad hoc.

Par exemple, le Genie de cette solution est configuré avec plus de 30 exemples de requêtes organisées couvrant des modèles d'audience courants, allant de "trouver les consommateurs ayant une intention d'achat automobile et une cote de crédit supérieure à 750" à "identifier les voyageurs de luxe dans les zones urbaines ayant un patrimoine net élevé." Ces exemples n'améliorent pas seulement la précision, ils enseignent à Genie comment l'organisation pense ses données.

Le résultat est un système où un planificateur peut décrire son audience cible pour un brief de campagne donné et recevoir des données de segment précises, la taille de l'audience, des comparaisons en pourcentage par rapport à la population totale et des exemples de données – le tout en quelques secondes.

En fin de compte, Genie change fondamentalement la façon dont les équipes marketing peuvent construire des segments d'audience et exécuter de nouvelles campagnes en :

• Démocratisant l'accès aux données en passant de la création d'audience d'une tâche technique à une conversation stratégique. Tout planificateur peut décrire l'audience dont il a besoin sans connaître le schéma de table sous-jacent ni la syntaxe SQL
• Compressant les cycles d'itération de jours à secondes, permettant aux équipes de tester plus d'hypothèses et d'affiner le ciblage en temps réel plutôt que d'attendre les files d'analystes
• Capturant les connaissances institutionnelles – chaque requête organisée, commentaire de colonne et instruction textuelle encode l'expertise des données de l'organisation dans une couche réutilisable qui intègre les nouveaux membres de l'équipe et standardise la façon dont les audiences sont construites pour les campagnes
• Renforçant la gouvernance en enregistrant l'intention en langage naturel et le SQL généré pour chaque audience, créant une piste d'audit lisible par les parties prenantes techniques et non techniques

Ensemble, ces avantages transforment la création d'audience d'un goulot d'étranglement en un avantage concurrentiel.

Agent d'Affinité : Découvrir des Relations et des Audiences Inconnues

Lors de la construction d'une solution complète de création d'audience, la définition de l'audience n'est que la moitié de la bataille. La véritable valeur stratégique réside dans la compréhension du "quoi d'autre" concernant l'audience. En d'autres termes, existe-t-il des modèles, des comportements, des tendances et des affinités non envisagés qui pourraient renforcer la stratégie globale de distribution de la campagne ? C'est là que l'Agent d'Affinité devient un différenciateur.

Une fois que Genie a construit un segment, l'Agent d'Affinité prend automatiquement ce segment et l'analyse par rapport à la population entière pour faire ressortir des modèles statistiquement significatifs. En termes publicitaires, il répond à la question que chaque stratège devrait se poser mais pour laquelle il n'a rarement le temps ou les outils : "Au-delà des critères que j'ai spécifiés, qu'est-ce qui rend réellement cette audience unique ?"

Dans cette solution, la réponse prend la forme d'un lift. Cette métrique simple mais puissante compare la fréquence à laquelle un attribut apparaît dans un segment d'audience donné par rapport à la population générale. Un lift de 2.0x signifie que l'audience donnée est deux fois plus susceptible de présenter cette caractéristique. Pour un planificateur de campagne, ces informations sont immédiatement exploitables. Prenons, par exemple, l'audience des voyageurs de luxe qui sur-représente le contenu de bien-être et l'investissement en cryptomonnaie. Ces signaux éclairent directement l'exécution et, au lieu de diffuser des publicités de voyage standard sur de larges canaux lifestyle, l'équipe média pourrait réorienter ses dépenses vers des publications de bien-être haut de gamme, des parrainages de podcasts dans l'espace de la finance personnelle ou des placements programmatiques sur des plateformes fintech. L'équipe créative, quant à elle, pourrait mettre en avant des messages sur des retraites de bien-être expérientielles plutôt que des images génériques de complexes hôteliers.

Sous le capot, l'Agent d'Affinité suit un modèle de conception délibéré, qui équipe un LLM d'outils exécutant une analyse statistique pour une audience donnée. L'agent détermine quelles analyses exécuter, mais chaque nombre est calculé par des outils déterministes. Ces outils sont des fonctions pré-enregistrées et gouvernées dans Unity Catalog.

En pratique, une audience donnée sert de données d'entrée, et l'agent utilise les fonctions Unity Catalog pour calculer le lift par rapport à la population de référence, et ne retourne que les résultats qui respectent les seuils minimaux de confiance et de support. L'extrait de pseudo-code suivant décrit le fonctionnement de cette fonction.

Cette séparation entre le raisonnement et le calcul est un choix délibéré et essentiel pour la publicité. Lorsque des millions de dollars de dépenses médiatiques dépendent des informations sur l'audience, ces informations doivent être auditables, reproductibles et basées sur des données réelles. En gouvernant chaque fonction analytique via Unity Catalog, le système fournit une lignée claire des questions en langage naturel à l'exécution SQL en passant par les résultats statistiques. Le LLM ajoute de l'intelligence au flux de travail sans introduire de risque.

Agent Bricks : Créer une Intelligence d'Audience Multi-Agents

Avec Genie gérant la création d'audience et l'Agent d'Affinité identifiant les modèles cachés, la dernière étape consiste à assembler une couche d'orchestration intelligente pour garantir que ces composants fonctionnent ensemble comme une expérience unique et cohérente plutôt que comme des outils déconnectés.

Agent Bricks rend cela possible en quelques minutes et quelques clics. L'Agent Superviseur pré-construit reçoit chaque demande de l'utilisateur, détermine quel sous-agent est le mieux équipé pour la traiter et la lui achemine. Une demande comme "construis-moi une audience de voyageurs de luxe fréquents" est envoyée à Genie. Une demande de suivi comme "qu'est-ce qui définit davantage ce groupe ?" est acheminée vers l'Agent d'Affinité. Et lorsqu'un utilisateur pose une question complexe comme "trouve les amateurs de plein air à revenu élevé et dis-moi ce qui les rend uniques", le superviseur enchaîne les deux agents – Genie construit le segment, puis l'Agent d'Affinité l'analyse – et renvoie une réponse unifiée.

Pour les utilisateurs finaux de ce système multi-agents, la puissance réside dans le fait qu'ils n'ont jamais besoin de savoir quel agent effectue le travail, car l'agent superviseur travaille avec ses sous-agents pour traiter les demandes. Par conséquent, l'expérience est transparente et ressemble à une conversation unique.

Au-delà du routage, le superviseur est ce qui transforme les agents individuels en un système cumulatif. En orchestrant le passage entre Genie et l'Agent d'Affinité, il crée une boucle de rétroaction entre l'intention humaine et la découverte de données qui n'existe pas dans les flux de travail traditionnels. Un planificateur peut construire une audience, examiner les affinités qui apparaissent et affiner immédiatement le segment en fonction de ce qu'il a appris, le tout au sein de la même conversation. Cela réduit ce qui est généralement un cycle de plusieurs jours à plusieurs semaines de briefs, de files d'analystes, d'assurance qualité et d'itérations à quelques minutes, permettant aux équipes de tester plus d'hypothèses et d'arriver plus rapidement à des audiences plus solides. Au fil du temps, chaque interaction construit une bibliothèque croissante de définitions d'audience et de modèles découverts, ce qui conduit à des connaissances institutionnelles qui s'accumulent à chaque campagne et s'étendent à chaque utilisateur de l'organisation.

Le Produit Fini

Jusqu'à présent, nous avons exploré comment Genie traduit l'intention stratégique en segments d'audience gouvernés, comment l'Agent d'Affinité découvre des modèles auxquels personne n'avait pensé, et comment l'Agent Superviseur orchestre les deux sous-agents en un flux de travail transparent. Mais ces capacités n'apportent de valeur que si les personnes qui en ont le plus besoin peuvent y accéder sans avoir à naviguer dans les espaces de travail Databricks, les notebooks ou les points d'accès API. Databricks Apps supprime cette barrière, fournissant une couche d'application native qui apporte l'ensemble du système multi-agents dans une interface unique et intuitive, spécialement conçue pour l'utilisateur final.

Dans cette application, les annonceurs peuvent :

Créez, découvrez et itérez sur des segments d'audience grâce au langage naturel.

Explorez les détails des audiences, y compris le code SQL sous-jacent utilisé pour générer, les résumés d'affinité et les recommandations pour le placement et les stratégies de campagne.

Plongez plus profondément dans les segments d'audience avec des tableaux de bord IA/BI intégrés directement dans l'application.

Enregistrez les audiences sous forme de tables persistantes dans Unity Catalog pour une visualisation, une gestion et une auditabilité futures, puis exportez les audiences vers les canaux d'exécution pour l'activation des campagnes.

Démocratiser l'avenir de la création d'audience

L'écart entre l'intention stratégique et l'exécution des données persiste depuis des années – non pas parce que les organisations manquent de données, mais parce que leurs outils n'ont pas été conçus pour le combler. Avec les capacités d'IA agentive de Databricks, ce pont existe désormais, donnant à toutes les personnes les outils pour découvrir et construire des audiences de haute qualité qui font la différence. L'audience que vous ne saviez pas chercher se trouve déjà dans vos données, il vous suffisait du bon système pour la trouver et la gérer.

Pour en savoir plus sur les meilleures pratiques pour construire un espace Genie efficace, consultez ce guide.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original