L'AVP di MarTech di Databricks condivide una guida pratica per offrire ai marketer risposte rapide e governate con Genie, dalla creazione della giusta base di dati fino alla conquista della fiducia e al mantenimento dell'adozione nel tempo.
di Elizabeth Dobbs, Thomas Russell, Katy Yuan e Sydney Sundell
La maggior parte dei team di marketing aspira a essere guidata dai dati. All'atto pratico, ottenere una risposta affidabile nel momento esatto in cui occorre prendere una decisione può richiedere ancora giorni.
In Databricks abbiamo affrontato questa sfida unificando i nostri dati di marketing in un lakehouse governato e creando Marge, la nostra implementazione per il marketing di Genie Agents. Marge consente ai professionisti del marketing di porre domande in linguaggio naturale e ricevere risposte governate in pochi secondi.
I risultati hanno cambiato il modo di lavorare della nostra organizzazione:
Questi risultati derivano dal considerare l'analisi conversazionale come un prodotto e un modello operativo in continua evoluzione. Abbiamo costruito su dati governati, insegnato a Genie il linguaggio del nostro business, conquistato la fiducia un caso d'uso alla volta e integrato il sistema direttamente nel modo in cui i professionisti del marketing già lavorano.
Sono Liz Dobbs, AVP of Marketing Technology di Databricks, e in questo video condivido una guida pratica su come il mio team ha aiutato il reparto marketing di Databricks a utilizzare i dati 3 volte più spesso nelle decisioni:
I dati di marketing spaziano tra piattaforme di campagna, web analytics, sistemi CRM, strumenti per eventi, canali pubblicitari e dati di vendita. Ogni sistema porta con sé definizioni, identificatori e logiche di reporting specifici. Anche quando esistono delle dashboard, i professionisti del marketing spesso faticano a sapere quale metrica sia aggiornata, quale fonte sia autorevole o come rispondere alla domanda successiva per la quale la dashboard non è stata progettata.
La nostra organizzazione di marketing ha affrontato le stesse sfide:
Per prima cosa abbiamo creato un Marketing Lakehouse all'interno del lakehouse Databricks aziendale, condiviso tra Marketing, Finanza, Vendite e Prodotto. È diventato la fonte di verità governata per i nostri dati di go-to-market, allineando le informazioni sulle campagne e sulle vendite in base a definizioni e metriche coerenti.
Questa base ha reso possibile Marge.
Marge è un assistente di analisi conversazionale creato con Genie Agents. Si basa sui dati e sul contesto aziendale del nostro Marketing Lakehouse, comprese le definizioni che i professionisti del marketing di Databricks utilizzano per aree geografiche, prodotti, canali, campagne, periodi fiscali e pipeline.
I professionisti del marketing possono porre domande in un inglese semplice, come:
Marge traduce queste domande in query analitiche e restituisce risposte basate su dati aziendali governati. Unity Catalog fornisce governance centralizzata, lineage e controlli di accesso basati sui ruoli, in modo che ciascun utente veda solo i dati a cui è autorizzato ad accedere.
I professionisti del marketing accedono a Marge tramite Genie One, l'esperienza di co-working AI per gli utenti aziendali che unisce dashboard, Genie Agents, app e analisi più approfondite. Genie One reindirizza automaticamente ogni richiesta al Genie Agent appropriato, quando applicabile. Abbiamo anche creato agenti dedicati per domini quali prestazioni web, analisi digitale e pianificazione del marketing, consentendo a ciascuno di operare con un contesto più mirato e pertinente.
Per le domande più complesse, la modalità Agent può valutare più passaggi e produrre un'analisi più approfondita. Questa esperienza offre ai professionisti del marketing un percorso più rapido da una domanda di business a una risposta fondata e al passaggio successivo consigliato.
La fiducia è stata la nostra massima priorità, dal progetto pilota iniziale fino alla diffusione su larga scala. Nessun sistema di AI sarà mai perfetto, quindi ci siamo concentrati su 4 meccanismi che rendono Marge più accurato, affidabile e trasparente:
Genie ha bisogno dello stesso contesto di cui avrebbe bisogno un nuovo analista. Si parte da un modello di dati chiaro, che includa il modo in cui le tabelle sono correlate e come dovrebbero essere unite.
Utilizziamo Unity Catalog per centralizzare metadati, descrizioni delle tabelle, annotazioni delle colonne, lineage e controlli di accesso. Le descrizioni generate dall'AI ci hanno fornito una prima base utile, ma gli stakeholder del marketing e gli esperti di dati le hanno riviste e arricchite con il contesto aziendale che solo le persone all'interno dell'organizzazione possono conoscere.
Esempi pratici includono la documentazione di:
Metadati chiari aiutano Genie a interpretare correttamente una domanda prima di generare una query.
Per le domande comuni e ad alto valore, forniamo asset affidabili e logiche verificate che gli esperti di dominio hanno esaminato. Queste coprono aree quali i tassi di conversione, il customer lifetime value e la registrazione agli eventi. Gli utenti possono vedere quando una risposta si basa su una logica verificata, il che aggiunge un importante segnale di fiducia.
Aggiungiamo anche coppie di esempio domanda-query per domande complesse o frequenti. Questi esempi insegnano a Genie come gestire uno scenario noto e lo aiutano a generalizzare lo stesso pattern per domande simili.
Come regola generale:
Ogni organizzazione ha una terminologia che sembra semplice ma che ha un significato specifico. "Pipeline", "area geografica", "anno fiscale" e "campagna" possono avere definizioni diverse da un'azienda all'altra.
Forniamo a Marge linee guida comportamentali chiare per interpretare questi termini e per gestire l'ambiguità. Ad esempio, gli utenti potrebbero dire "spesa" o "investimento" quando il campo sottostante è denominato "costo". Marge deve capire che queste parole si riferiscono allo stesso concetto.
Istruiamo anche Marge a porre una domanda di chiarimento quando una richiesta manca di informazioni critiche, come il periodo di tempo, il canale o la regione. L'obiettivo è far emergere l'ambiguità anziché tirare a indovinare.
Ogni risposta offre agli utenti l'opportunità di fornire un feedback positivo o negativo. Il team di marketing analytics esamina le valutazioni e i commenti in una dashboard di monitoraggio, analizza i problemi e aggiorna l'agente in base alle esigenze.
Eseguiamo anche domande di benchmark rispetto a risposte note per valutare le prestazioni in modo sistematico. Un calo significativo dell'accuratezza del benchmark segnala che il modello di dati, le definizioni o il contesto dell'agente potrebbero richiedere attenzione.
Questa gestione è leggera. Oggi, un BI manager dedica circa un'ora alla settimana a esaminare i feedback e a gestire Marge. Questo piccolo ma costante investimento ha contribuito a ridurre del 25% la percentuale di risposte errate segnalate.
La qualità tecnica era solo metà del lavoro. I marketer dovevano anche credere che Marge comprendesse le loro esigenze e potesse integrarsi naturalmente nel loro flusso di lavoro quotidiano.
Come dico spesso ai miei colleghi, questo non è un prodotto in stile "L'uomo dei sogni" (se lo costruisci, arriveranno). Realizzarlo non garantisce che le persone lo useranno. Ci siamo concentrati su 4 pratiche di adozione:
Abbiamo lavorato direttamente con i marketer per capire le domande che facevano più spesso, le dashboard che già utilizzavano e il linguaggio che usavano per descrivere il loro lavoro. Il loro contributo ha plasmato i dati, gli esempi e le istruzioni che abbiamo usato per configurare Marge.
Questo ha anche reso i marketer partecipanti attivi nel prodotto. Potevano vedere che l'esperienza veniva costruita con loro e per loro.
Il nostro primo caso d'uso è stato il rendimento delle campagne e-mail. Abbiamo incluso solo i dati essenziali su campagne, destinatari e interazioni necessari per rispondere a queste domande.
Iniziare con un ambito ristretto ha reso più facile convalidare l'accuratezza, creare fiducia e mostrare rapidamente il valore. Abbiamo aggiunto i dati degli account, l'attribuzione e altri domini in un secondo momento, basandoci principalmente sulle richieste degli utenti.
Abbiamo integrato Marge nel nostro processo di supporto analitico. Ogni ticket di marketing analytics riceve una risposta automatica che chiede: “Hai provato a chiedere a Genie?”. Gli analisti intervengono solo dopo che il richiedente ha indicato di aver provato a usare Genie.
Questo semplice cambiamento indirizza le domande di base verso l'analisi self-service e preserva il tempo degli analisti per attività più complesse. Il nostro team descrive spesso la differenza come un modo per allontanare gli analisti dalle richieste di livello base e intermedio, consentendo loro di concentrarsi su analisi di livello avanzato e specialistico.
Aggiorniamo continuamente metadati, esempi, risposte verificate e istruzioni in base al feedback degli utenti. I rapidi miglioramenti dimostrano ai marketer che il loro contributo è importante e aiutano Marge a diventare più utile a ogni iterazione.
Il ciclo di feedback ci aiuta anche a espanderci con disciplina. Aggiungiamo dati e funzionalità in risposta a una domanda concreta, invece di cercare di anticipare ogni possibile domanda al momento del lancio.
Marge è diventata la risorsa che fa risparmiare più tempo in assoluto al nostro team di Marketing Analytics. I marketer ottengono risposte governate in pochi secondi, mentre analisti e ingegneri dedicano meno tempo all'estrazione ripetitiva di dati.
Questa capacità è stata reindirizzata verso attività a maggior valore aggiunto, tra cui la sperimentazione, la progettazione di modelli e il miglioramento dei prodotti di dati fondamentali. La larghezza di banda tecnica non è più un collo di bottiglia per attività comuni come il lancio di campagne e le revisioni aziendali trimestrali.
I marketer possono anche agire più rapidamente. Un accesso più semplice a dati affidabili supporta modifiche più rapide alle campagne, una segmentazione più intelligente e un'allocazione del budget più informata. Soprattutto, i dati sono diventati parte di un maggior numero di decisioni quotidiane in tutta l'organizzazione.
Per i team martech e di dati che iniziano un percorso simile, consigliamo questa sequenza:
Dalla nostra esperienza emergono tre lezioni fondamentali.
In primo luogo, l'analisi self-service dipende da una solida base di dati. I dati sottostanti devono essere governati, affidabili e collegati tramite definizioni coerenti. L'AI rende questo contesto più facile da accedere, ma non compensa dati di origine contrastanti e una logica aziendale poco chiara.
In secondo luogo, la governance centralizzata aiuta i team a estendere l'accesso in modo sicuro. Unity Catalog ci ha fornito un unico punto per gestire definizioni, lineage e accesso basato sui ruoli ai dati sensibili con l'aumentare dell'adozione.
In terzo luogo, la fiducia si guadagna attraverso l'esperienza utente. Iniziare in piccolo, osservare come lavorano effettivamente i marketer e migliorare il sistema in base a ciò che dicono. Quando gli utenti vedono che un agente comprende il loro linguaggio, rispetta i loro permessi di accesso e diventa più utile grazie ai loro feedback, l'adozione viene da sé.
Marge è nata come prototipo per 10 utenti e un solo caso d'uso. Oggi supporta oltre l'85% della nostra organizzazione di marketing e ha risposto a più di 5.000 domande. Il percorso dal progetto pilota alla scalabilità è stato costruito una risposta affidabile alla volta.
Guarda l'intervista completa a Liz Dobbs, esplora la documentazione di Genie Agent, o dai un'occhiata a questi blog correlati:
I Genie Agent offrono ai team di marketing e di business un'interfaccia in linguaggio naturale per i dati aziendali governati. I marketer possono porre domande sul rendimento delle campagne, sulla pipeline, sull'attività web, sugli eventi e su altri dati approvati senza dover scrivere codice SQL. Ogni risposta rispetta i permessi di Unity Catalog dell'utente.
Scegliere una domanda frequente e ben definita, supportata da un piccolo set di dati affidabili. Databricks ha iniziato con il rendimento delle campagne e-mail utilizzando le tabelle relative a campagne, destinatari e interazioni, per poi espandersi in base alla domanda degli utenti.
Documenta tabelle e relazioni, definisci le metriche aziendali, aggiungi esempi SQL e asset attendibili, fornisci istruzioni di chiarimento specifiche, esamina i feedback degli utenti e fai test rispetto a domande di benchmark. L'accuratezza migliora grazie a un contesto mirato e a una valutazione continua.
Genie gestisce molte domande ripetitive e a bassa complessità, consentendo agli analisti di dedicare più tempo alla sperimentazione, alla progettazione di modelli e all'analisi strategica. In Databricks, questo cambiamento ha aiutato il team di marketing analytics a supportare un utilizzo più ampio senza aumentare il personale.
L'impegno dipende dall'ambito e dalla complessità dei dati. In Databricks, la gestione continua richiede attualmente circa un'ora alla settimana da parte di un BI manager per esaminare i feedback, analizzare i problemi e aggiornare il contesto.
(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.