L'ultimo miglio: perché gli ottimi dati di prima parte non bastano ancora a fare un ottimo marketing

Il mese scorso, un team di dati e un team di marketing si sono seduti nella stessa stanza e hanno parlato senza capirsi per 45 minuti.

Gli ingegneri parlavano di tabelle Delta e architettura medallion. I marketer parlavano di journey, segmenti e ottimizzazione dei tempi di invio. Stesso cliente. Stessi dati. Due lingue completamente diverse. Nessuno aveva torto. Semplicemente non riuscivano a sentirsi.

Quello spazio vuoto — tra dove risiedono i dati e dove vengono attivati — è il punto in cui ogni settimana vanno persi milioni di dollari di valore per i clienti, in aziende con infrastrutture dati e ambizioni di marketing di livello mondiale. Hanno il razzo, ma hanno dimenticato la rampa di lancio.

Il rapporto di ricerca di Scott Brinker, The New Martech "Stack" for the AI Age, pubblicato in collaborazione con Databricks, dà il nome giusto a ciò che deve sostituire l'architettura che ha creato questo problema. Lo definisce composable canvas. La diagnosi è assolutamente corretta e la direzione indicata è esattamente quella verso cui è orientata questa partnership.

Cosa significa concretamente il composable canvas per i marketer

Se vi è mai capitato di esportare un file CSV dal vostro data warehouse, inviarlo via e-mail al team delle campagne e aspettare tre giorni prima che venisse caricato nella piattaforma di marketing, questo è il fallimento del vecchio modello di stack.

Per due decenni, il martech è stato costruito in rigidi livelli verticali: i dati in basso, i sistemi di engagement al centro, le campagne in alto. Ogni livello era una scatola a sé stante. Far comunicare queste scatole richiedeva pipeline, connettori, processi di sincronizzazione e interi team di persone il cui unico compito era spostare i dati da un sistema all'altro. Come rileva il rapporto di Brinker, l'integrazione è rimasta una delle tre sfide principali per la maggior parte delle organizzazioni di marketing intervistate — non nel 2015, ma alla fine del 2025. Dopo trent'anni di promesse da parte dei fornitori di risolvere il problema.

Il composable canvas è l'alternativa architetturale: una base dati unificata in cui ogni strumento, dalle piattaforme di customer engagement agli agenti AI, fino alla web analytics, opera sullo stesso substrato condiviso, senza che i dati debbano mai essere spostati. Nessun middleware. Nessun ritardo. Nessun rito del foglio di calcolo della domenica sera.

Bryce Peake, ex VP of Marketing Decision Sciences presso Domino's, lo dice chiaramente:

Abbiamo cercato di modificare lo stesso stack martech che abbiamo da quando internet ha iniziato a fare internet. Ragazzi, dovremo costruirne uno nuovo.

Le moderne piattaforme dati come Databricks offrono una base aperta e condivisa su cui marketer, agenti e app possono operare insieme. E il business case è concreto: "Velocità: da mesi a minuti. Oggi, aggiungere una nuova funzionalità di marketing significa progetti di integrazione, pipeline di dati e ticket IT. Nel composable canvas, nuovi strumenti e agenti AI si collegano istantaneamente a una base dati condivisa."

L'architettura: cinque anelli, un unico centro di gravità

Il framework di Brinker organizza il composable canvas in cinque anelli concentrici, ciascuno con un ruolo distinto.

• Data Core: la base unificata di dati su clienti, azienda, contenuti, codice e controllo; il centro gravitazionale di tutto
• Semantic Layer: definizioni condivise che rendono i dati coerenti e significativi in ogni sistema che li utilizza
• CaaS (Context-as-a-Service): piattaforme come le CDP che pacchettizzano dati e contesto rilevanti per le app e gli agenti che ne hanno bisogno
• Decisioning: dove i motori AI ottimizzano le prossime migliori azioni e risolvono i conflitti quando più agenti vogliono raggiungere lo stesso cliente contemporaneamente
• Apps & Agents: l'anello più esterno, dove vengono effettivamente offerte le customer experience

Il vantaggio di questa struttura è una drastica riduzione della complessità di integrazione. Nel vecchio modello point-to-point, dieci sistemi potevano richiedere fino a 45 integrazioni. Nel modello componibile, ogni nuova funzionalità si unisce a un ecosistema condiviso coerente anziché a una rete di pipeline fragili. Come afferma Rick Schultz, CMO di Databricks:

Tutti i CMO cercano di risolvere le stesse tre cose: efficacia, efficienza e self-service.

Il composable canvas è il modo in cui tutte e tre diventano realizzabili contemporaneamente.

Elizabeth Dobbs, AVP of Marketing Technology presso Databricks, descrive l'impatto basandosi sulla propria esperienza diretta:

Una volta centralizzati tutti i nostri dati di marketing nel lakehouse, abbiamo rivisto modelli che non avevano mai sfruttato appieno tale ricchezza... Il modello ricostruito ha registrato un tasso di conversione 4 volte superiore rispetto al precedente. Da lì, abbiamo replicato rapidamente lo stesso approccio per lanciare un modello di account scoring altamente predittivo in sole quattro settimane.

L'ultimo miglio: il divario tra la piattaforma dati di prima parte e una campagna attiva

Brinker dichiara esplicitamente che questo rapporto è una stella polare, non una guida all'implementazione passo dopo passo, ed è proprio questo che lo rende prezioso. Ciò che apre intenzionalmente è la domanda degli addetti ai lavori: in che modo una base dati unificata si trasforma effettivamente in una campagna attivata da trigger? Come si costruisce un livello di decisioning per un team di marketing che non parla la lingua della data engineering? In che modo i cinque anelli passano da un diagramma architetturale a una customer experience che si attiva al momento giusto?

Queste domande rappresentano il vero lavoro di implementazione — quello che Stitch chiama l'ultimo miglio.

Ecco come si presenta in pratica il divario tra il punto di partenza e il traguardo dell'ultimo miglio:

• Gli agenti autonomi senza una direzione. Una responsabile marketing di un importante brand ha descritto di recente una situazione esasperante: il suo team di ingegneri aveva appena distribuito su Databricks un sistema di agenti autonomi in grado di analizzare l'intero set di dati dei clienti in tempo reale. Ma non aveva idea di come attivare una campagna. Nel tempo stesso, i journey del ciclo di vita del team di marketing venivano ancora alimentati da un file batch aggiornato una volta al giorno. Due team di talento che costruiscono il futuro, senza alcuna visibilità sul lavoro dell'altro.
• Il punteggio di propensione su cui nessuno ha agito. Il team di data science di un brand di gaming ha creato un modello di churn sofisticato. Il punteggio di propensione si è attivato correttamente, segnalando i clienti a rischio. È finito in una dashboard che nessuno controllava. Il cliente non ha ricevuto alcun segnale dal brand nel momento in cui ne aveva più bisogno... e se n'è andato. Perché l'ultimo miglio non è mai stato costruito.
• Il foglio di calcolo della domenica sera. Un rivenditore di alimentari nazionale disponeva di un ambiente Databricks ricco di dati sull'idoneità alle offerte e di una piattaforma di customer engagement creata esattamente per questo tipo di personalizzazione. Il divario tra i due? Quattro ore, ogni domenica sera, e un file CSV. Tempo di preparazione della campagna: ore. I dati c'erano. La capacità di attivazione c'era. Nessuno aveva costruito il ponte. Una volta collegati, i flussi di idoneità alle offerte passano automaticamente nei profili dei clienti e nelle campagne, attivandosi in tempo reale. Quelle quattro ore sono diventate minuti, ogni settimana, per sempre.

Come osserva Brinker,

Lo stack martech non si trova sopra i dati. È i dati stessi.

Dal punto di vista dell'architettura, è vero. Dal punto di vista operativo, per la maggior parte dei brand oggi, i dati e la campagna vivono ancora in mondi completamente diversi.

Cosa richiede la chiusura dell'ultimo miglio

I brand che stanno rendendo reale il composable canvas non lo fanno acquistando strumenti migliori. Lo fanno costruendo il ponte, e questo richiede una profonda conoscenza sia della piattaforma dati che del livello di esecuzione del marketing contemporaneamente.

Architettura dei dati di marketing creata per l'attivazione. C'è una differenza significativa tra una base dati creata per gli analisti e una creata per i marketer. La prima è ottimizzata per query, insight e governance. La seconda è ottimizzata per attivare una campagna al momento giusto, arricchire un profilo cliente in tempo reale e fornire a un agente AI il contesto necessario per prendere una decisione. Per arrivarci, occorre comprendere sia ciò che Databricks può fare, sia ciò di cui il livello di engagement ha effettivamente bisogno.

Analytics self-service per i team di marketing. Brinker descrive le interfacce in linguaggio naturale come una caratteristica fondamentale del modello componibile — e a buon diritto. Questo è fattibile, ma la maggior parte dei team di marketing deve ancora inviare ticket per ottenere dati di base sulle performance delle campagne.

L'opportunità: creare ambienti di analytics mirati a casi d'uso reali di marketing, in modo che i team non tecnici possano rispondere alle proprie domande senza SQL, senza code e senza attendere il data engineering. È una delle implementazioni a più alto impatto disponibili in questo momento.

Agenti AI eseguiti nativamente sul data layer. I flussi di lavoro di marketing agentici più potenti non sono agenti aggiunti sopra lo stack esistente. Sono agenti che risiedono all'interno della base dati ed eseguono le operazioni attraverso l'engagement layer — estraendo segmenti, convalidando la qualità dei dati, avviando campagne e misurando i risultati senza CSV, senza passaggi manuali e senza ritardi. Kumar Ram, VP e Global Head of Marketing Data Sciences presso HP, inquadra con precisione questo principio strategico:

Vogliamo possedere la struttura centrale dei dati e dell'infrastruttura. Se cambiamo agenzia, tutto ciò che dobbiamo fare è cambiare l'activation layer in cima. La base rimane a noi.

Migrazioni che costruiscono verso la componibilità, non lontano da essa. Per i brand che utilizzano ancora piattaforme di marketing legacy rigide, il passaggio a un'architettura componibile non è un semplice cambio di piattaforma; è una decisione architetturale. Se fatto bene, posiziona Databricks come il data layer al di sotto di uno stack di engagement in grado di flettersi ed evolversi con il variare delle funzionalità di AI. Elizabeth Dobbs descrive così l'obiettivo:

Abbiamo progettato il nostro stack come mattoncini Lego modulari, in modo che il business possa muoversi più velocemente. Con l'emergere di nuove tecnologie e agenti AI, abbiamo la flessibilità di adottare i migliori strumenti con il minimo sforzo.

Tre modi per iniziare a costruire verso il canvas componibile oggi stesso

Brinker è chiaro sul fatto che questo sia un percorso architetturale di 3-5 anni, non un progetto di sostituzione radicale. La buona notizia: ogni passo offre valore di per sé. Ecco tre punti di partenza che sbloccano costantemente l'impatto più immediato.

1. Porta i tuoi dati di marketing in Databricks — ma sul serio.

La versione più comune di "abbiamo Databricks" è: il team di data engineering ha Databricks e il marketing ha una dashboard che occasionalmente lo riflette. Questa non è una base dati unificata. È un livello di reporting.

La prima mossa è il consolidamento: far confluire i dati sulle performance delle campagne, i segnali comportamentali dei clienti, i dati di fidelizzazione e la cronologia di engagement nello stesso lakehouse in cui risiedono già i dati transazionali e operativi. Questo è un lavoro di infrastruttura — connettori, pipeline, controlli di qualità dei dati — ma è la base da cui dipende tutto il resto.

Il ritorno immediato è un reporting unificato: un'unica versione della verità che marketing, vendite e finanza guardano insieme. Come afferma il report di Brinker:

Quando tutti guardano gli stessi numeri, calcolati nello stesso modo, le riunioni passano dal discutere i dati al decidere cosa fare al riguardo.

Questo da solo vale l'investimento. Ma mette anche fine alla "tassa sui dati" che rallenta ogni campagna — i ticket, le esportazioni, l'attesa.

Da dove iniziare: mappa dove risiedono attualmente i tuoi dati di marketing rispetto a dove dovrebbero essere. Identifica le due o tre fonti di dati che cambierebbero maggiormente ciò che il marketing può fare se fossero unificate — in genere la cronologia delle transazioni, gli eventi comportamentali e i dati sulle offerte o sulla fedeltà — e inizia a costruire a partire da quelle.

2. Crea un caso d'uso di analytics self-service per il tuo team di marketing

La maggior parte dei team di marketing si trova a una sola domanda di distanza da un'intuizione che cambierebbe il modo in cui gestisce le campagne. Il problema non sono i dati. È l'attrito tra il marketer e la risposta.

Il canvas componibile di Brinker mette al centro del modello gli analytics self-service, in particolare le interfacce in linguaggio naturale che consentono agli utenti non tecnici di interrogare direttamente i dati. Strumenti come Databricks AI/BI Genie rendono questo obiettivo raggiungibile oggi stesso: un marketer scrive una domanda in un linguaggio semplice e ottiene una risposta in pochi secondi, senza SQL, senza ticket, senza un'attesa di tre giorni.

La chiave è costruire per un caso d'uso specifico piuttosto che cercare di dare al marketing l'accesso a tutto in una volta. Inizia con la domanda che il tuo team fa più spesso e che richiede più tempo per ricevere risposta: conversione della campagna per segmento, riscatto dell'offerta per negozio, segnali di churn per coorte di clienti. Costruisci lo spazio Genie attorno a quella decisione. Lascia che il team lo usi. Guarda cosa succede quando l'attrito scompare.

Il campaign manager di un brand è passato da un tempo di risposta di quattro giorni per una domanda di base sulle performance a una risposta in pochi secondi — e poi ha posto altre 12 domande nei successivi 20 minuti, portando alla luce un'intuizione sulla tempistica delle notifiche push che era rimasta nascosta nei dati per un trimestre. L'attrito era sparito, e con esso il limite a ciò che poteva scoprire.

Da dove iniziare: identifica la singola domanda sui dati più comune che il tuo team di marketing inoltra al team dei dati. Costruisci innanzitutto un ambiente di analytics governato e incentrato sul caso d'uso attorno a quella domanda. Poi espanditi da lì.

3. Scegli un caso d'uso di agente AI e implementalo

Il più grande errore che i team di marketing commettono con l'AI è trattarla come una strategia piuttosto che come una pratica. Il canvas componibile rende gli agenti AI realmente operativi — ma solo se si inizia a costruirli su dati reali, in flussi di lavoro reali, rispetto a risultati reali.

I primi casi d'uso di agenti più efficaci sono circoscritti, ad alta frequenza e collegati direttamente al risultato di una campagna. Un agente di QA che convalida ogni e-mail prima dell'invio. Un agente di personalizzazione che estrae segnali di inventario o fedeltà in tempo reale e genera testi al volo. Un agente di churn che monitora i segnali comportamentali in Databricks e avvia una campagna nel momento in cui un cliente supera una soglia di rischio — non tre giorni dopo, all'esecuzione di un file batch.

Ciò che fa funzionare questi casi d'uso è l'architettura: agenti che risiedono nel data layer ed eseguono le operazioni attraverso l'engagement layer: nessuna esportazione CSV, nessun passaggio manuale, nessun ritardo. La campagna è intelligente solo quanto i dati che la alimentano — ed è esattamente per questo che la base dati viene prima di tutto.

Come osserva Brinker nel report,

I flussi di lavoro agentici di maggior valore superano naturalmente i confini del sistema. Gli agenti sono affamati di contesto: dati rilevanti, istruzioni e strumenti per l'obiettivo specifico che stanno risolvendo.

Il canvas componibile è ciò che fornisce loro quel contesto. L'agente è solo lo strumento che agisce di conseguenza.

Da dove iniziare: identifica un processo manuale ad alta frequenza e ad alto costo nelle operazioni della tua campagna — QA, segmentazione, generazione di contenuti, reporting delle performance — e definisci un singolo agente per automatizzarlo. Misura il tempo risparmiato e il cambiamento nel risultato. Usa questo elemento di prova per sostenere il caso d'uso successivo.

Perché il momento di costruire tutto questo è adesso

La tempistica della visione a tre-cinque anni di Brinker si sta accorciando più velocemente di quanto la maggior parte dei leader di marketing si aspettasse.

Databricks ha appena lanciato CustomerLake, una CDP agentica integrata nativamente all'interno del Lakehouse. Le funzionalità principali della CDP, tra cui Customer 360, la risoluzione delle identità, la creazione di audience, l'automazione delle campagne, l'attivazione e la personalizzazione, possono essere eseguite dove risiedono già i dati dei clienti, i modelli di AI e la governance — senza bisogno di middleware.

Le piattaforme di customer engagement come Braze si collegano direttamente a Databricks tramite Cloud Data Ingestion nativo e OpenSharing. Le nuove funzionalità della piattaforma come Lakebase consentono alle applicazioni di marketing full-stack — front-end, logica transazionale ed esecuzione delle campagne — di girare su un'unica piattaforma con un unico modello di governance, eliminando la necessità di unire quattro sistemi separati.

Il modello identificato da Brinker si sta già realizzando: le piattaforme a ciascuna estremità stanno diventando più intelligenti e connesse in modo più diretto. Il livello di integrazione nel mezzo si sta assottigliando ogni trimestre.

I brand che svolgono questo lavoro oggi vedono dove sta andando il mercato. Stanno costruendo l'architettura dei dati ora, per non doversi affannare a recuperare quando tutti gli altri l'avranno capito.

Il canvas componibile descrive la destinazione. L'ultimo miglio è il lavoro che c'è tra qui e là.

Scarica il report di ricerca di Scott Brinker: Il nuovo "stack" martech per l'era dell'AI

Databricks e Stitch hanno stretto una partnership per aiutare le organizzazioni di marketing a colmare il divario tra la moderna infrastruttura dati e i risultati reali per i clienti. Se la tua organizzazione ha effettuato un investimento in Databricks che non ha ancora sfruttato appieno per il marketing, contatta Stitch →

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale