Perché modernizzare l'infrastruttura dei dati è un primo passo fondamentale in qualsiasi strategia di AI
di Aly McGue
C'è una versione della storia della modernizzazione dell'AI che recita: prima costruisci la piattaforma, poi pensa ai casi d'uso. Ankur Jain vi direbbe che è l'approccio contrario — e che la maggior parte delle organizzazioni lo sta imparando a proprie spese.
Ankur è Chief Cloud and Data Modernization Officer presso Acxiom, la fondazione tecnologica e di dati connessi che aiuta i brand globali a risolvere l'identità dei clienti su tutti i canali, ad arricchire i profili dei clienti con oltre 10.000 attributi e a ottenere risultati in termini di acquisizione, fidelizzazione e personalizzazione dei clienti.
Ankur guida sia l'ingegneria di prodotto che l'ingegneria delle soluzioni rivolte ai clienti — il che significa che è responsabile non solo di ciò che Acxiom crea, ma anche di come tali funzionalità vengono integrate negli ambienti in cui i clienti operano effettivamente.
Dopo essere entrato in azienda meno di due anni fa, Ankur ha guidato la modernizzazione dell'infrastruttura core, delle pipeline di dati, dell'architettura legacy e dello stack tecnologico sottostante di Acxiom. Oggi, Acxiom sta creando attivamente workflow agentici che automatizzano l'intera catena del valore del marketing.
Aly McGue: Molte organizzazioni vogliono passare all'AI agentica, ma eseguono ancora i workload principali su infrastrutture legacy. Qual è il rischio di provare a creare intelligenza su fondamenta che non sono state progettate per questo?
Ankur Jain: Il rischio è di raggiungere un limite quasi immediatamente. Quando sono entrato in Acxiom, sia i prodotti che le soluzioni per i clienti erano ospitati principalmente on-premises. Quando i prodotti e le soluzioni sono vincolati a un data center, hanno una scalabilità limitata. Le prestazioni non erano all'altezza dei casi d'uso in tempo reale richiesti dai clienti. E poi c'era molta tecnologia legacy: lo stack aveva bisogno di un aggiornamento, di una rivisitazione di come potesse essere un'architettura cloud-native.
Abbiamo riscontrato anche molte pipeline manuali, molta ridondanza dei dati e copie degli stessi dati in più posizioni. Il processo in sé non era molto efficiente. Qualsiasi organizzazione che cerchi di creare funzionalità agentiche su fondamenta frammentate o legacy finirà per dedicare più tempo alla gestione dell'infrastruttura che alla creazione di prodotti.
Per noi, la visione strategica si riduce a due punti di riferimento: la modernizzazione dei dati e il marketing agentico. Sono sequenziali, non paralleli. Non è possibile creare un ecosistema di marketing agentico su fondamenta legacy.
Aly: Siete passati da Hadoop on-premises a Databricks. Cosa ha reso possibile questo cambiamento che prima non lo era?
Ankur: In termini di prestazioni, abbiamo riscontrato miglioramenti generali su diversi tipi di workload e pipeline, con tempi di esecuzione più veloci di quasi l'80-90%. Workload che prima richiedevano più di 50 ore, a volte più di 90 ore — e parlo di ore, quindi letteralmente giorni, a volte fino a una settimana — ora vengono completati in 2-3 ore. Gli stessi workload, in 2-3 ore.
Ha anche liberato le nostre persone. In alcuni casi siamo riusciti a liberare diverse figure a tempo pieno per concentrarci maggiormente su risultati a valore aggiunto piuttosto che sulla gestione dell'infrastruttura. Il vantaggio principale è stato consentire al team di ingegneria di concentrarsi maggiormente sui risultati di business, anziché preoccuparsi dell'infrastruttura sottostante. Può sembrare una vittoria da poco, ma quando i tuoi ingegneri dedicano il loro tempo a creare prodotti e a fornire soluzioni ai clienti invece di limitarsi a mantenere attivi i sistemi, cambia tutto ciò che puoi persino provare a realizzare.
Aly: Dove vede l'AI agentica ridefinire gli attuali workflow di marketing oggi e fin dove si estende questa visione?
Ankur: L'attività principale di Acxiom is fortemente incentrata sui dati. Raccogliamo dati di marketing da più piattaforme — CRM, e-commerce, Adobe Analytics, Google Analytics — e aiutiamo i brand a creare una visione olistica del cliente, ad arricchirla e a ottenere risultati. Tradizionalmente, ciò richiedeva un team di data engineer e data architect che modellassero tutto e creassero le pipeline manualmente. L'ETL è sempre la fase più complessa e richiedeva mesi.
Grazie all'AI, l'intero ciclo si riduce. Generazione di codice tramite prompt, test automatizzati degli output, pipeline di CI/CD accelerate. Sul fronte del marketing, la produzione di diverse varianti di un annuncio richiedeva mesi alle agenzie creative. Ora è possibile analizzare gli annunci su scala tramite il machine learning, inserire i risultati in un motore di AI e generare varianti altamente personalizzate in pochi minuti.
Il cambiamento reale più significativo lo abbiamo visto nell'esecuzione. Prendiamo la pianificazione dell'audience: un marketer inserisce un prompt che descrive l'obiettivo di una campagna e il profilo target, e l'agente crea i segmenti di pubblico con personas di esempio utilizzando i dati di Acxiom, evidenzia diverse dimensioni demografiche e comportamentali e consente al marketer di affinare il risultato da lì. Ciò che prima richiedeva l'impegno di più persone con competenze diverse e molto tempo di preparazione, ora viene fatto in modo agentico in pochi minuti. Abbiamo dimostrato lo stesso modello per il media buying: un agente interroga l'inventario disponibile, lo valuta, prende una decisione d'acquisto e attiva le audience sui vari canali.
L'obiettivo è collegare l'intera pipeline — dalla progettazione dell'audience al media buying, all'attivazione e all'analisi delle prestazioni — in un framework agentico. L'intera funzionalità AI per la BI che Databricks sta creando attraverso Genie e l'ecosistema agentico è esattamente la direzione in cui si stanno muovendo i workload di marketing come i nostri. Tutto questo può essere implementato end-to-end.
Aly: Acxiom opera in settori altamente regolamentati e l'implementazione di agenti richiede un elevato livello di fiducia. In che modo questo influisce sul modo in cui progettate la governance nei workflow agentici?
Ankur: I dati che gestiamo includono PII, quindi ogni workflow agentico che creiamo parte dalla privacy come principio architetturale.
In pratica, ciò significa che i contenuti generati dall'AI non finiscono mai direttamente in una campagna attiva. Passano attraverso un workflow di approvazione in cui l'ufficio legale esamina la creatività e i messaggi prima che qualsiasi cosa raggiunga il cliente. Gli agenti operano entro confini definiti, con controlli di sicurezza e privacy integrati nella pipeline, e le persone rimangono coinvolte (human-in-the-loop) in ogni punto decisionale che comporta rischi normativi o di brand. L'obiettivo non è rallentare le cose, ma garantire che la velocità non vada a scapito della fiducia — per il cliente, il brand o Acxiom.
Aly: Cosa significa per i prodotti di Acxiom essere AI-native e in che modo questo cambia l'esperienza effettiva dei clienti?
Ankur: AI-native significa che l'intelligenza è integrata nell'intera catena del valore del marketing: acquisizione di dati di prima parte, risoluzione dell'identità dei clienti, arricchimento dei profili con gli asset di dati di Acxiom, creazione di segmenti di pubblico, pianificazione del media buying, attivazione di campagne su tutti i canali e reinserimento dell'analisi delle prestazioni nel ciclo successivo. Ognuno di questi passaggi può ora essere guidato dall'AI anziché orchestrato manualmente.
Per i clienti, il cambiamento più grande è la trasparenza. Tradizionalmente, gran parte di ciò che offrivamo funzionava come una black box. I brand inviavano i dati, ricevevano i risultati e la logica intermedia era opaca. Ora queste stesse funzionalità possono essere fornite in modo collaborativo, all'interno delle piattaforme che i clienti già utilizzano, con una visibilità completa su come vengono prese le decisioni. Questo è ciò che chiedono i clienti: andare incontro alle loro esigenze, operare nel loro ambiente e rendere il processo trasparente.
Ed è un fattore trainante che proviene non solo dall'interno dell'organizzazione, ma direttamente dai nostri clienti. Ci chiedono: come potete renderlo più conveniente? Come potete renderlo più performante? Come potete renderlo più veloce? Se si vuole rispondere onestamente a queste domande, è necessario introdurre l'AI.
Aly: I vostri asset di dati sono fondamentali per ciò che vende Acxiom. In che modo si sta evolvendo il modo in cui fornite questi dati ai clienti e cosa rende possibile questo cambiamento?
Ankur: Acxiom aiuta i clienti a sfruttare al meglio i dati dei loro clienti. Li aiutiamo a metterli all'opera e a monetizzarli. Forniamo asset di dati che altrimenti i brand non avrebbero, nei settori automobilistico, retail, sanitario e farmaceutico. Storicamente, la fornitura di questi dati avveniva tramite canali tradizionali, come SFTP. Un brand richiedeva l'arricchimento, noi stipulavamo un contratto e inviavamo i file. Questo era il vecchio modo.
Ora stiamo integrando i nostri dati in modo agentico, sia nelle nostre piattaforme sia direttamente nell'ambiente del cliente. Collaboriamo con le principali piattaforme martech in cui i nostri asset di dati sono disponibili in modo nativo. Se un cliente sta creando la propria piattaforma AI, possiamo integrarci in modo agentico in modo che possa effettuare una chiamata ai nostri asset e utilizzarli direttamente. Stiamo anche sviluppando soluzioni di clean room in partnership with Databricks, in cui i clienti possono integrarsi con i dati di Acxiom nel rispetto della privacy all'interno del proprio ecosistema.
I brand con cui lavoriamo comprendono che i dati di prima parte sono il loro asset più prezioso. La privacy dei dati gioca un ruolo molto importante nella gestione e nel trattamento di questi dati. I brand vogliono esercitare un maggiore controllo e stanno portando sempre più all'interno (in-housing) le funzionalità di marketing. Le aspettative stanno cambiando: le agenzie devono lavorare all'interno delle piattaforme e dei framework di governance dei brand. Le agenzie in grado di operare e fornire risultati in modo nativo in quell'ambiente saranno indispensabili.
Aly: Se stessi parlando con un collega della C-suite che ha appena iniziato a scalare le proprie iniziative di AI, qual è la cosa più importante che vorresti fargli capire?
Ankur: Assicurati che le fondamenta siano solide. Si parla moltissimo di AI, ma ormai non è più solo una moda passeggera; è la realtà. Ma ciò che determina il successo o il fallimento dell'intera iniziativa di AI sono le fondamenta su cui poggia. Nel nostro caso, il passaggio dall'on-premises al cloud non era solo un'ambizione. Pensando al futuro, è diventata una necessità per poter essere un vero protagonista nel percorso dell'AI. Una solida base di dati, un'architettura cloud-native, la data governance e la sicurezza: questi sono gli ingredienti chiave. Qualsiasi organizzazione che salti questo passaggio finirà per scoprire che non era facoltativo.
Il modello di Acxiom è un quadro di riferimento utile per qualsiasi dirigente che stia valutando dove concentrare le proprie energie. Modernizzare le fondamenta e perseguire l'AI agentica non sono due programmi distinti che competono per budget e attenzione. Sono la stessa scommessa, fatta in sequenza. Definisci correttamente il data layer, dimostra il valore attraverso progetti pilota mirati e poi integra le tue funzionalità differenziate dove i clienti ne hanno effettivamente bisogno.
Il cambiamento descritto da Ankur — dal trasferimento di dati tramite file all'integrazione nativa dell'intelligenza negli ambienti dei clienti — non è solo un aggiornamento architetturale. Cambia la natura stessa di un'azienda come Acxiom. Questo tipo di riposizionamento non avviene semplicemente aggiungendo l'AI a uno stack on-premises. Richiede che le fondamenta vengano prima di tutto.
Scopri in che modo oltre 25 esperti del settore e più di 1.200 intervistati a livello dirigenziale stanno aprendo la strada a una distribuzione di successo dell'AI accedendo al report "Making AI Deliver" di Economist Enterprise, creato in collaborazione con Databricks.
(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.