Un approccio multi-agente all'intelligenza del pubblico

Definire la North Star

Ogni campagna pubblicitaria condivide gli stessi obiettivi principali: raggiungere il pubblico giusto, creare un coinvolgimento significativo e fornire risultati misurabili. Dove le campagne iniziano a differire è nel modo in cui perseguono tali obiettivi. La divergenza inizia nella fase strategica, dove pianificatori e strateghi si allineano su obiettivi chiari che, se eseguiti efficacemente, guidano i risultati desiderati. In questa fase, il business è al volante, attingendo a anni di esperienza con il proprio marchio, messaggistica e prestazioni di campagne passate per guidare le decisioni. Il risultato è un brief di campagna che funge da North Star per tutte le attività a valle, inclusa la creazione del pubblico, la modellazione di data science e l'attivazione. Questo blog esplora come le sfide comuni che gli inserzionisti affrontano oggi possono essere risolte attraverso una soluzione di generazione di pubblico basata sull'IA su Databricks.

Il divario tra strategia ed esecuzione

È durante questo scambio di brief di campagna tra le mani del business e quelle dei team di dati che agenzie e inserzionisti iniziano ad affrontare sfide nell'allineare la strategia principale all'esecuzione, tra cui:

1. Diluizione della strategia: Mentre i brief sono intesi come prescrittivi e chiari nella loro definizione, tradurre la strategia in "termini di dati" è una sfida per qualsiasi analista. Inevitabilmente, bit e byte vengono persi durante la comunicazione, ed è di fondamentale importanza non perdere i bit più importanti.
2. Strategie incomplete: Nel flusso inverso, le intuizioni dei team di dati non sempre tornano al business, limitando la capacità di agire su schemi non ovvi e creare un vantaggio competitivo. È attraverso queste scoperte basate sui dati che agenzie e inserzionisti si differenziano, sfidando le convenzioni del settore e le ipotesi dei concorrenti per approcciare il mercato in modi unici.
3. Punti ciechi dei dati: Entrambe le parti operano con vincoli: i pianificatori si basano su un ristretto set di segnali, mentre i team di dati possono fare troppo affidamento su attributi familiari. Con set di dati così grandi e complessi, nessuno dei due gruppi è mai completamente informato dai dati. Considerando che la maggior parte delle agenzie e degli inserzionisti possiede set di dati contenenti migliaia di attributi su milioni di clienti esistenti e potenziali, è giusto presumere che anche gli utenti di dati più esperti abbiano i loro punti ciechi.

Per riassumere queste sfide, sono ciascuna un sintomo di un processo frammentato in cui:

• Le persone più vicine alla strategia sono più lontane dai dati.
• Le persone più vicine ai dati mancano del pieno contesto strategico.
• Indipendentemente dall'accesso ai dati, l'ambito di applicazione è limitato.

Costruire il ponte su Databricks

Non si può ignorare il ruolo che la tecnologia ha giocato nell'irrigidimento di questi processi subottimali. La tecnologia mancava della capacità di tradurre accuratamente l'intento e le piattaforme dati stesse offrivano pochi strumenti per sintetizzare le intuizioni dei dati in modo significativo per il business. Il ponte più efficace tra questi due gruppi era o uno stratega curioso dei dati o un analista di dati che potesse articolare la missione di un'organizzazione, il product-market fit e gli obiettivi strategici. Questo presuppone anche che lo stratega abbia accesso al database e che l'analista abbia l'orecchio del business (una grande presunzione).

Per affrontare il divario tra intento ed esecuzione che persiste oggi, la nostra soluzione basata sull'IA, costruita sulla Databricks Data Intelligence Platform, consente a inserzionisti e agenzie di creare pubblici in linguaggio naturale, scoprire schemi precedentemente sconosciuti nei loro dati e guidare campagne più efficaci.

1. Origini dati: Dati di prima parte e dati partner/licenziati vengono ingeriti nella piattaforma
2. Cura dei dati: Le pipeline dichiarative Spark puliscono, trasformano e unificano i dati grezzi in una tabella di attributi della popolazione in Unity Catalog
3. Audience Genie Space: Il Genie Space curato sopra la tabella della popolazione traduce le richieste in linguaggio naturale in segmenti di pubblico
4. Agente di affinità: Gli strumenti UC analizzano ulteriori affinità del pubblico calcolando schemi statistici
5. Agente supervisore: Agent Bricks orchestra il sistema multi-agente, instradando le richieste ai sotto-agenti Genie e di affinità
6. App: Un'app Databricks fornisce agli inserzionisti un'interfaccia intuitiva per descrivere i pubblici, visualizzare le affinità ed esplorare le intuizioni
7. Attiva e salva: I pubblici vengono salvati come tabelle in Unity Catalog e attivati ai canali di esecuzione a valle (ad es. DSP, piattaforme e-mail, social media, ecc.)

Nel suo nucleo, questa soluzione sfrutta i più recenti progressi di Databricks nell'IA agentiva – Genie, agenti di chiamata di strumenti personalizzati e Agent Bricks – per presentare in modo più efficace le intuizioni agli inserzionisti e consentire una segmentazione del pubblico più rapida su set di dati della popolazione unificati che coprono centinaia di milioni di consumatori e migliaia di attributi.

Considera un esempio per rendere tangibile questo concetto, in cui un pianificatore di campagna sta preparando un brief per un marchio di viaggi di lusso che promuove pacchetti resort esclusivi. Il brief richiede "viaggiatori abbienti di età compresa tra 35 e 54 anni che prenotano frequentemente esperienze premium". Tradizionalmente, questo brief arriva sulla scrivania di un analista, che lo traduce in query SQL per segmentare i pubblici ed eseguire analisi ad hoc. Sebbene questo sia un approccio ragionevole, inevitabilmente restringe l'intento strategico a una manciata di attributi familiari.

Invece di dover generare manualmente SQL, la nostra soluzione consente al pianificatore di descrivere direttamente quel pubblico in linguaggio naturale. Genie lo traduce quindi in una query precisa su milioni di record in pochi secondi, completo della logica SQL sottostante per la massima trasparenza.

Ma il vero sblocco arriva dopo. Il sistema analizza automaticamente comportamenti e attributi aggiuntivi che definiscono questo pubblico per identificare schemi non realizzati. Queste scoperte e nuove intuizioni cambiano le regole del gioco. Esempi per questo segmento potrebbero includere:

• Sovraperforma come primi adottatori di tecnologia rispetto al resto della popolazione
• Investe in criptovalute 2,5 volte il tasso di base
• Mostra una forte affinità per i contenuti di benessere e spa (ad es. impegno eccezionale per il fitness 5,7x)

E la parte migliore è che queste non sono supposizioni. Sono calcoli di lift statisticamente validati rispetto alla popolazione completa. I pianificatori non lavorano più solo da un brief, ma da un brief arricchito da scoperte che possono rimodellare la strategia creativa, il posizionamento dei media e la selezione dei canali.

Inoltre, questa soluzione genera un impatto aziendale tangibile e in crescita:

• Le campagne passano dall'idea all'attivazione più velocemente, comprimendo cicli di pianificazione che prima richiedevano giorni o settimane
• I pianificatori possono rispondere a cambiamenti di mercato, problemi di pacing o richieste dei clienti in tempo reale senza attendere le code degli analisti
• Incorporare l'intento strategico direttamente nel processo di generazione del pubblico porta a un targeting e a prestazioni di campagna migliori

Tuttavia, rendere questa esperienza fluida richiede un'attenta orchestrazione dietro le quinte. Nelle sezioni seguenti, analizzeremo i tre blocchi costitutivi fondamentali che alimentano questa soluzione, incluso il funzionamento di ciascun componente, il motivo per cui è stato costruito in questo modo e le decisioni di progettazione che garantiscono che questo sistema sia pronto per la produzione.

Databricks Genie: portare il linguaggio naturale ai tuoi dati

Il primo passo che i team intraprendono in qualsiasi flusso di lavoro del pubblico è definire il "chi" a cui le loro campagne devono rivolgersi. I Genie Spaces consentono agli inserzionisti di farlo in linguaggio naturale, traducendo richieste come "trova viaggiatori abbienti di età compresa tra 35 e 54 anni che prenotano frequentemente esperienze premium" in query SQL governate eseguite sulla tabella della popolazione, senza alcuna interazione diretta con il team di dati.

Sebbene Genie possa ridurre le interazioni dirette tra i team di strategia e dati, i team di dati svolgono comunque un ruolo fondamentale in questo flusso di lavoro curando meticolosamente il livello sottostante. Uno Spazio Genie è valido solo quanto il contesto e i dati che riceve, e per la generazione di audience, ciò significa investire in quattro aree:

1. Un solido modello di dati, che include tabelle gold pre-unite o denormalizzate e viste metriche
2. Commenti descrittivi sulle colonne per ogni attributo nella tabella
3. Query SQL di esempio che insegnano a Genie i pattern e le convenzioni dei dati
4. Istruzioni testuali che definiscono termini aziendali e logiche di scoring che il modello non conoscerebbe altrimenti

Investendo tempo nella cura del livello dati e dei metadati, l'esperienza del team di dati viene codificata una volta, migliorata continuamente nel tempo e scalata in tutta l'organizzazione. Ogni dirigente, pianificatore e stratega beneficia della stessa logica curata senza dover aprire una richiesta di assistenza o attendere analisi manuali ad hoc.

Ad esempio, Genie in questa soluzione è configurato con oltre 30 query di esempio curate che coprono pattern di audience comuni, da "trova consumatori con intento di acquisto auto e punteggi di credito superiori a 750" a "identifica viaggiatori di lusso in aree urbane con un patrimonio netto elevato". Questi esempi non solo migliorano l'accuratezza, ma insegnano a Genie come l'organizzazione pensa ai propri dati.

Il risultato è un sistema in cui un pianificatore può descrivere la propria audience target per un dato brief di campagna e ricevere dati di segmento accurati, dimensioni dell'audience, confronti percentuali rispetto alla popolazione totale e dati di esempio, tutto in pochi secondi.

In definitiva, Genie cambia fondamentalmente il modo in cui i team di marketing possono creare segmenti di audience ed eseguire nuove campagne:

• Democratizzando l'accesso ai dati spostando la creazione di audience da un compito tecnico a una conversazione strategica. Qualsiasi pianificatore può descrivere l'audience di cui ha bisogno senza conoscere lo schema delle tabelle sottostanti o la sintassi SQL
• Comprimendo i cicli di iterazione da giorni a secondi, consentendo ai team di testare più ipotesi e perfezionare il targeting in tempo reale anziché attendere le code degli analisti
• Catturando la conoscenza istituzionale: ogni query curata, commento di colonna e istruzione testuale codifica l'esperienza dei dati dell'organizzazione in un livello riutilizzabile che facilita l'onboarding di nuovi membri del team e standardizza il modo in cui le audience vengono create per le campagne
• Rafforzando la governance registrando l'intento in linguaggio naturale e l'SQL generato per ogni audience, creando un registro di controllo leggibile sia dagli stakeholder tecnici che non tecnici

Insieme, questi vantaggi trasformano la creazione di audience da un collo di bottiglia a un vantaggio competitivo.

Affinity Agent: Scoprire Relazioni e Audience Sconosciute

Quando si costruisce una soluzione completa per la creazione di audience, definire l'audience è solo metà della battaglia. Il vero valore strategico deriva dalla comprensione del "cos'altro" riguardo all'audience. In altre parole, ci sono pattern, comportamenti, tendenze e affinità non pensati che potrebbero rafforzare la strategia complessiva di distribuzione della campagna? È qui che l'Affinity Agent diventa un elemento differenziante.

Una volta che Genie crea un segmento, l'Affinity Agent prende automaticamente quel segmento e lo analizza rispetto all'intera popolazione per far emergere pattern statisticamente significativi. In termini pubblicitari, risponde alla domanda che ogni stratega dovrebbe porsi ma raramente ha il tempo o gli strumenti per perseguire: "Oltre ai criteri che ho specificato, cosa rende unica questa audience?"

In questa soluzione, la risposta arriva sotto forma di lift. Questa metrica semplice ma potente confronta la frequenza con cui un attributo appare in un dato segmento di audience rispetto alla popolazione generale. Un lift di 2.0x significa che la data audience ha il doppio delle probabilità di esibire quel tratto. Per un pianificatore di campagne, queste informazioni sono immediatamente attuabili. Prendiamo, ad esempio, l'audience di viaggiatori di lusso che sovra-rappresenta i contenuti sul benessere e gli investimenti in criptovalute. Questi segnali informano direttamente l'esecuzione e, invece di eseguire annunci di viaggio standard su canali lifestyle generici, il team media potrebbe spostare la spesa verso pubblicazioni premium sul benessere, sponsorizzazioni di podcast nello spazio della finanza personale o placement programmatici su piattaforme fintech. Il team creativo, nel frattempo, potrebbe concentrarsi su messaggi riguardanti ritiri benessere esperienziali piuttosto che immagini generiche di resort.

Sotto il cofano, l'Affinity Agent segue uno schema di progettazione deliberato, che fornisce a un LLM strumenti per eseguire analisi statistiche per una data audience. L'agente decide quali analisi eseguire, ma ogni numero è calcolato da strumenti deterministici. Questi strumenti sono funzioni pre-registrate e governate in Unity Catalog.

In pratica, una data audience funge da input dati e l'agente sfrutta le funzioni di Unity Catalog per calcolare il lift rispetto alla popolazione di base, restituendo solo i risultati che soddisfano le soglie minime di confidenza e supporto. Il seguente snippet di pseudo-codice descrive come opera questa funzione.

Questa separazione tra ragionamento e calcolo è una scelta deliberata e critica per la pubblicità. Quando milioni di dollari di spesa pubblicitaria dipendono dalle informazioni sull'audience, tali informazioni devono essere verificabili, riproducibili e basate su dati reali. Governando ogni funzione analitica tramite Unity Catalog, il sistema fornisce una chiara linea di discendenza dalle domande in linguaggio naturale all'esecuzione SQL ai risultati statistici. L'LLM aggiunge intelligenza al flusso di lavoro senza introdurre rischi.

Agent Bricks: Creare Intelligenza di Audience Multi-Agente

Con Genie che gestisce la creazione di audience e l'Affinity Agent che fa emergere pattern nascosti, il pezzo finale è l'assemblaggio di un livello di orchestrazione intelligente per garantire che questi componenti lavorino insieme come un'unica esperienza coerente anziché strumenti disconnessi.

Agent Bricks rende ciò possibile in pochi minuti con pochi clic. L'agente Supervisor pre-costruito riceve ogni richiesta dell'utente, determina quale sotto-agente è meglio attrezzato per gestirla e la instrada di conseguenza. Una richiesta come "creami un'audience di viaggiatori di lusso frequenti" va a Genie. Un follow-up come "cos'altro definisce questo gruppo?" viene instradato all'Affinity Agent. E quando un utente pone una domanda complessa come "trova appassionati di outdoor ad alto reddito e dimmi cosa li rende unici", il supervisore collega entrambi gli agenti: Genie crea il segmento, quindi l'Affinity Agent lo analizza, e restituisce una risposta unificata.

Per gli utenti finali di questo sistema multi-agente, la potenza risiede nel fatto che non hanno mai bisogno di sapere quale agente sta svolgendo il lavoro, perché l'agente supervisore lavora insieme ai suoi sotto-agenti per gestire le richieste. Di conseguenza, l'esperienza è fluida e sembra una singola conversazione.

Oltre all'instradamento, il supervisore è ciò che trasforma agenti individuali in un sistema in crescita. Orchestrando il passaggio di consegne tra Genie e l'Affinity Agent, crea un ciclo di feedback tra l'intento umano e la scoperta dei dati che non esiste nei flussi di lavoro tradizionali. Un pianificatore può creare un'audience, rivedere le affinità che emergono e perfezionare immediatamente il segmento in base a ciò che ha appreso, tutto all'interno della stessa conversazione. Ciò comprime quello che tipicamente è un ciclo di giorni o settimane di brief, code di analisti, QA e iterazione in pochi minuti, consentendo ai team di testare più ipotesi e arrivare più velocemente a audience più solide. Nel tempo, ogni interazione costruisce una libreria crescente di definizioni di audience e pattern scoperti, che porta a una conoscenza istituzionale che cresce con ogni campagna e si estende a ogni utente dell'organizzazione.

Il Prodotto Finito

Finora, abbiamo esplorato come Genie traduce l'intento strategico in segmenti di audience governati, come l'Affinity Agent scopre pattern che nessuno aveva pensato di cercare e come il Supervisor Agent orchestra i due sotto-agenti in un flusso di lavoro fluido. Ma queste capacità forniscono valore solo se le persone che ne hanno più bisogno possono accedervi senza navigare in workspace Databricks, notebook o endpoint API. Le Databricks Apps rimuovono questa barriera, fornendo un livello di applicazione nativo che porta l'intero sistema multi-agente in un'unica interfaccia intuitiva, creata appositamente per l'utente finale.

All'interno di questa app, gli inserzionisti possono:

Crea, scopri e itera sui segmenti di pubblico tramite linguaggio naturale.

Esplora i dettagli sui segmenti di pubblico, inclusi il codice SQL sottostante utilizzato per generarli, i riepiloghi di affinità e i suggerimenti per strategie di posizionamento e campagne.

Approfondisci i segmenti di pubblico con dashboard AI/BI integrate direttamente nell'app.

Salva i segmenti di pubblico come tabelle persistenti in Unity Catalog per la visualizzazione, la gestione e l'auditabilità future, quindi esporta i segmenti di pubblico nei canali di esecuzione per l'attivazione della campagna.

Democratizzare il Futuro della Creazione di Segmenti di Pubblico

Il divario tra l'intento strategico e l'esecuzione dei dati persiste da anni, non perché le organizzazioni manchino di dati, ma perché i loro strumenti non sono stati creati per colmarlo. Con le capacità di IA agentiva di Databricks, questo ponte ora esiste, consentendo a tutti i ruoli di scoprire e creare segmenti di pubblico di alta qualità che fanno la differenza. Quel segmento di pubblico che non sapevi di cercare è già nei tuoi dati, avevi solo bisogno del sistema giusto per trovarlo e curarlo.

Per saperne di più sulle best practice per la creazione di un Genie Space efficace, consulta questa guida.

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