オーディエンスインテリジェンスのためのマルチエージェントアプローチ

North Star（北極星）の定義

あらゆる広告キャンペーンには、適切なオーディエンスにリーチし、意味のあるエンゲージメントを生み出し、測定可能な結果をもたらすという共通の目標があります。キャンペーンが異なるのは、それらの目標をどのように追求するかという点です。この違いは戦略フェーズから始まり、そこでプランナーとストラテジストは明確な目標を設定します。この目標が効果的に実行されることで、望ましい成果が生まれます。この段階では、ビジネス側が主導権を握り、ブランド、メッセージング、過去のキャンペーン実績に関する長年の経験を基に意思決定を行います。その結果、オーディエンス作成、データサイエンスモデリング、アクティベーションを含む、その後のすべての活動の北極星となるキャンペーンブリーフが作成されます。この記事では、広告主が現在直面している一般的な課題を、Databricks上のAI搭載オーディエンス生成ソリューションでどのように解決できるかを探ります。

戦略と実行の間のギャップ

キャンペーンブリーフがビジネス側からデータチームへと手渡されるこのやり取りの中で、エージェンシーや広告主は、コア戦略と実行を整合させる上で課題に直面し始めます。これには以下が含まれます。

1. 戦略の希薄化：ブリーフは本来、処方箋のように明確な定義を持つことを意図していますが、戦略を「データ用語」に翻訳することは、あらゆるアナリストにとって困難です。コミュニケーションの過程で、どうしても情報の一部が失われてしまい、最も重要な情報を見失わないことが極めて重要です。
2. 不完全な戦略：逆の流れとして、データチームからのインサイトが必ずしもビジネス側にフィードバックされず、明白でないパターンに基づいて行動し、競争優位性を築く能力が制限されます。エージェンシーや広告主が差別化を図り、業界の慣習や競合他社が抱く仮説に挑戦し、ユニークな方法で市場にアプローチできるのは、こうしたデータ主導の発見を通じてです。
3. データの盲点：双方には制約があります。プランナーは限られたシグナルに依存し、データチームは使い慣れた属性に過度に依存する可能性があります。データセットがこれほど大きく複雑である場合、どちらのグループも完全にデータに基づいた意思決定を行っているとは言えません。ほとんどのエージェンシーや広告主は、数百万の既存顧客および潜在顧客に関する数千の属性を含むデータセットを所有していることを考えると、最も経験豊富なデータ利用者でさえ盲点を持っていると仮定するのは妥当です。

これらの課題を要約すると、それらはすべて断片化されたプロセスの症状であり、そこでは：

• 戦略に最も近い人々が、データから最も遠い場所にいます。
• データに最も近い人々は、完全な戦略的コンテキストを持っていません。
• データへのアクセスに関わらず、その範囲は限定されています。

Databricksでブリッジを構築する

これらの最適とは言えないプロセスが固定化されたことにおいて、テクノロジーが果たした役割を無視することはできません。テクノロジーは意図を正確に翻訳する能力に欠け、データプラットフォーム自体も、ビジネスにとって意味のある方法でデータインサイトを統合するためのツールをほとんど提供していませんでした。これらの2つのグループ間の最も効果的な橋渡し役は、データに好奇心のあるストラテジストか、組織のミッション、製品・市場適合性、戦略的目標を明確に説明できるデータアナリストでした。これはまた、ストラテジストがデータベースにアクセスでき、アナリストがビジネスの耳を持っていることを前提としています（これは大きな前提です）。

今日まで続く意図と実行の間のギャップに対処するために、Databricks Data Intelligence Platform上に構築された当社のAI搭載ソリューションは、広告主やエージェンシーが自然言語でオーディエンスを構築し、データ内のこれまで知られていなかったパターンを発見し、より効果的なキャンペーンを推進することを可能にします。

1. データソース：ファーストパーティデータおよびパートナー/ライセンスデータがプラットフォームに取り込まれます。
2. データキュレーション：Spark Declarative Pipelinesが、生データをクレンジング、変換、統合して、Unity CatalogのPopulation Attributesテーブルを作成します。
3. Audience Genie Space：Population Tableの上に構築されたCurated Genie Spaceが、自然言語のリクエストをオーディエンスセグメントに変換します。
4. Affinity Agent：UC Toolsが統計パターンを計算して、追加のオーディエンスアフィニティを分析します。
5. Supervisor Agent：Agent Bricksがマルチエージェントシステムをオーケストレーションし、Genie & Affinityサブエージェントにリクエストをルーティングします。
6. App：Databricks Appは、広告主がオーディエンスを説明し、アフィニティを表示し、インサイトを探索するための直感的なインターフェースを提供します。
7. Activate & Save：オーディエンスはUnity Catalogのテーブルとして保存され、下流の実行チャネル（例：DSP、メールプラットフォーム、ソーシャルメディアなど）にアクティベートされます。

このソリューションは、その中核において、Databricksの最新のエージェントAI（Genie、カスタムツール呼び出しエージェント、Agent Bricks）の進歩を活用し、広告主にインサイトをより効果的に提示し、数億人の消費者と数千の属性にまたがる統合された人口統計データセットに対して、より迅速なオーディエンスセグメンテーションを可能にします。

これを具体的にするために例を考えてみましょう。キャンペーンプランナーが、高級リゾートパッケージを宣伝する高級旅行ブランドのブリーフを作成しているとします。ブリーフには「プレミアム体験を頻繁に予約する35〜54歳の裕福な旅行者」と記載されています。従来、このブリーフはアナリストの手に渡り、アナリストはSQLクエリに変換してオーディエンスをセグメント化し、アドホック分析を実行します。これは合理的なアプローチですが、戦略的な意図は必然的に、使い慣れた属性の数個に絞られてしまいます。

代わりに、SQLを手動で生成する必要なく、当社のソリューションにより、プランナーは自然言語で直接そのオーディエンスを説明できます。Genieはこれを、数秒で数百万件のレコードに対する正確なクエリに変換し、完全な透明性のために、その背後にあるSQLロジックも提供します。

しかし、真の解放は次に訪れます。システムは、このオーディエンスを定義する追加の行動や属性を自動的に分析し、未実現のパターンを特定します。これらの発見と新しいインサイトは、ゲームチェンジャーです。このセグメントの例としては、以下のようなものが挙げられます。

• 人口全体と比較して、早期のテクノロジー導入者にオーバーインデックスする
• 暗号通貨への投資がベースラインレートの2.5倍
• ウェルネスとスパコンテンツへの強い親和性を示す（例：卓越したフィットネスへのコミットメントが5.7倍）

そして最も良い点は、これらが仮説ではなく、全人口に対する統計的に検証されたリフト計算であることです。プランナーはもはやブリーフから作業するのではなく、クリエイティブ戦略、メディア配置、チャネル選択を再構築できる発見で強化されたブリーフから作業します。

さらに、このソリューションは具体的で累積的なビジネスインパクトをもたらします。

• キャンペーンはアイデアからアクティベーションまでをより迅速に実行でき、以前は数日または数週間かかっていた計画サイクルを圧縮します。
• プランナーは、アナリストのキューを待つことなく、市場の変化、ペースの問題、またはクライアントの要求にリアルタイムで対応できます。
• オーディエンス生成プロセスに戦略的な意図を直接組み込むことで、より優れたターゲティングとキャンペーンパフォーマンスにつながります。

しかし、このエクスペリエンスをシームレスに感じさせるには、舞台裏での慎重なオーケストレーションが必要です。次のセクションでは、このソリューションを支える3つのコアビルディングブロックを分解し、各コンポーネントの仕組み、その構築理由、そしてこのシステムが本番稼働に対応できることを保証する設計上の決定について説明します。

Databricks Genie：自然言語をデータにもたらす

あらゆるオーディエンスワークフローでチームが最初に行うステップは、キャンペーンのターゲットとなる「誰」を定義することです。Genie Spacesにより、広告主は自然言語でこれを行うことができ、「プレミアム体験を頻繁に予約する35〜54歳の裕福な旅行者を見つける」といったリクエストを、データチームと直接やり取りすることなく、Population Tableに対して実行される管理SQLクエリに変換できます。

Genieは、戦略チームとデータチーム間の直接的なやり取りを減らす可能性がありますが、データチームは、舞台裏のレイヤーを細心の注意を払ってキュレーションすることで、このワークフローにおいて依然として重要な役割を果たします。Genieスペースは、提供されるコンテキストとデータと同等にしか機能しないため、オーディエンス生成においては、4つの領域に投資する必要があります。

1. 結合済みまたは非正規化されたゴールドテーブルやメトリックビューを含む、強力なデータモデル
2. テーブル内のすべての属性に関する説明的な列コメント
3. データパターンと規則をGenieに教えるサンプルSQLクエリ
4. モデルがそうでなければ知らないビジネス用語とスコアリングロジックを定義するテキスト指示

データレイヤーとメタデータをキュレーションする時間を費やすことで、データチームの専門知識は一度エンコードされ、継続的に改善され、組織全体にスケーリングされます。すべてのエグゼクティブ、プランナー、ストラテジストは、チケットを送信したり、手動のアドホック分析を待ったりすることなく、同じキュレーションされたロジックの恩恵を受けます。

たとえば、このソリューションのGenieは、一般的なオーディエンスパターンにわたる30以上のキュレーションされたサンプルクエリで構成されています。「自動購入意向があり、信用スコアが750を超える消費者を検索する」から「高純資産を持つ都市部の高級旅行者を特定する」まで。これらの例は、精度を向上させるだけでなく、組織がデータをどのように考えているかをGenieに教えます。

その結果、プランナーはキャンペーン概要のターゲットオーディエンスを説明し、正確なセグメントデータ、オーディエンスサイズ、総人口との比較、サンプルデータを受け取ることができるシステムが実現します。すべて数秒で完了します。

最終的に、Genieはマーケティングチームがオーディエンスセグメントを構築し、新しいキャンペーンを実行する方法を根本的に変えます。

• オーディエンス作成を技術的なタスクから戦略的な会話に移行させることで、データへのアクセスを民主化します。プランナーは、基盤となるテーブルスキーマやSQL構文を知らなくても、必要なオーディエンスを説明できます。
• 反復サイクルを数日から数秒に圧縮し、チームがより多くの仮説をテストし、アナリストキューを待つのではなく、リアルタイムでターゲティングを改善できるようにします。
• 組織の知識をキャプチャします。すべてのキュレーションされたクエリ、列コメント、テキスト指示は、組織のデータ専門知識を再利用可能なレイヤーにエンコードし、新しいチームメンバーをオンボーディングし、キャンペーン全体でオーディエンスが構築される方法を標準化します。
• 自然言語の意図と生成されたSQLをすべてのオーディエンスに対してログに記録することで、ガバナンスを強化し、技術的および非技術的なステークホルダーの両方が読み取れる監査証跡を作成します。

これらのメリットを組み合わせることで、オーディエンス作成はボトルネックから競争優位性へと変貌します。

アフィニティエージェント：未知の関係とオーディエンスの発見

包括的なオーディエンスビルダーソリューションを構築する際、オーディエンスを定義することは戦いの半分にすぎません。真の戦略的価値は、「他に何があるか」を理解することから生まれます。つまり、キャンペーン配布戦略全体を強化する可能性のある、考えられていないパターン、行動、傾向、アフィニティはありますか？ここでアフィニティエージェントが差別化要因となります。

Genieがセグメントを構築すると、アフィニティエージェントは自動的にそのセグメントを取得し、全体人口と比較して統計的に有意なパターンを明らかにします。広告の観点から、これはすべてのストラテジストが尋ねるべきですが、追求する時間やツールがほとんどない質問に答えます。「私が指定した基準を超えて、このオーディエンスをユニークにしているものは何ですか？」

このソリューションでは、その答えはリフトの形で提供されます。このシンプルでありながら強力なメトリックは、特定のオーディエンスセグメントにおける属性の出現頻度を一般人口と比較します。2.0倍のリフトは、そのオーディエンスがその特性を示す可能性が2倍であることを意味します。キャンペーンプランナーにとって、これらのインサイトはすぐに実行可能です。たとえば、ウェルネスコンテンツと暗号通貨投資に過剰に反応する高級旅行者のオーディエンスを考えてみましょう。これらのシグナルは実行に直接影響を与え、標準的な旅行広告を広範なライフスタイルチャネルで実行する代わりに、メディアチームはプレミアムウェルネス出版物、個人金融分野のポッドキャストスポンサーシップ、またはフィンテックプラットフォームでのプログラマティックプレースメントに支出をシフトする可能性があります。一方、クリエイティブチームは、一般的なリゾートの画像ではなく、体験型ウェルネスリトリートを中心としたメッセージングをリードするかもしれません。

舞台裏では、アフィニティエージェントは慎重な設計パターンに従っており、LLMに特定のオーディエンスの統計分析を実行するツールを提供します。エージェントはどの分析を実行するかを判断しますが、すべての数値は決定論的なツールによって計算されます。これらのツールは、Unity Catalogで事前に登録および管理されている関数です。

実際には、特定のオーディエンスが入力データとして機能し、エージェントはUnity Catalog関数を利用してベースライン人口に対するリフトを計算し、最小の信頼度とサポートしきい値を満たす結果のみを返します。次の疑似コードスニペットは、この関数がどのように機能するかを説明しています。

この推論と計算の分離は、広告にとって意図的かつ重要な選択です。数百万ドルのメディア支出がオーディエンスインサイトに依存する場合、それらのインサイトは監査可能で、再現可能で、実際のデータに基づいている必要があります。Unity Catalogを通じてすべての分析関数を管理することで、自然言語の質問からSQL実行、統計結果までの明確なリネージが提供されます。LLMはリスクを導入することなく、ワークフローにインテリジェンスを追加します。

エージェントブリック：マルチエージェントオーディエンスインテリジェンスの作成

Genieがオーディエンス作成を処理し、アフィニティエージェントが隠れたパターンを明らかにすることで、最後のピースは、これらのコンポーネントが個別のツールではなく、単一の cohérent なエクスペリエンスとして連携するように、インテリジェントなオーケストレーションレイヤーを組み立てることです。

Agent Bricksを使用すると、数回のクリックで数分でこれが可能になります。事前に構築されたスーパーバイザーエージェントは、すべてのユーザーリクエストを受け取り、それを処理するのに最も適したサブエージェントを決定し、ルーティングします。「頻繁な高級旅行者のオーディエンスを構築してください」のようなリクエストはGenieに送信されます。「このグループを他に定義しているものは何ですか？」のようなフォローアップは、アフィニティエージェントにルーティングされます。「高所得のアウトドア愛好家を見つけて、彼らをユニークにしているものを教えてください」のような複雑な質問をすると、スーパーバイザーは両方のエージェントをチェーンします。Genieがセグメントを構築し、次にアフィニティエージェントがそれを分析し、統合された応答を返します。

このマルチエージェントシステムの最終ユーザーにとって、スーパーバイザーエージェントがサブエージェントと連携してリクエストを処理するため、どのエージェントが作業を行っているかを知る必要がないという事実に力があります。その結果、エクスペリエンスはシームレスで、単一の会話のように感じられます。

ルーティングを超えて、スーパーバイザーは個々のエージェントを複利システムに変えるものです。Genieとアフィニティエージェント間のハンドオフをオーケストレーションすることにより、従来のワークフローには存在しない、人間の意図とデータ発見の間のフィードバックループを作成します。プランナーはオーディエンスを構築し、表示されるアフィニティを確認し、同じ会話内で学んだことに基づいてセグメントをすぐに改善できます。これにより、通常は数日または数週間にわたる概要、アナリストキュー、QA、反復のサイクルが数分に短縮され、チームはより多くの仮説をテストし、より強力なオーディエンスに迅速に到達できます。時間の経過とともに、すべてのインタラクションは、オーディエンス定義と発見されたパターンの成長ライブラリを構築し、キャンペーンごとに複利で増加し、組織内のすべてのユーザーにスケーリングされる組織の知識につながります。

完成品

これまでは、Genieが戦略的意図を管理されたオーディエンスセグメントにどのように変換するか、アフィニティエージェントが誰も探そうとしなかったパターンをどのように明らかにするか、そしてスーパーバイザーエージェントが2つのサブエージェントをシームレスなワークフローにどのようにオーケストレーションするかを検討してきました。しかし、これらの機能は、最も必要としている人々がDatabricksワークスペース、ノートブック、またはAPIエンドポイントを操作することなく実際にアクセスできない場合、価値を提供しません。Databricks Appsはこの障壁を取り除き、マルチエージェントシステム全体をエンドユーザー専用の単一の直感的なインターフェイスにもたらすネイティブアプリケーションレイヤーを提供します。

このアプリ内で、広告主は次のことができます。

自然言語でオーディエンスセグメントを構築、発見、反復処理します。

生成に使用された基盤となるSQLコード、アフィニティの概要、および配置やキャンペーン戦略の推奨事項を含む、オーディエンスの詳細を探索します。

アプリに直接埋め込まれた統合AI/BIダッシュボードを使用して、オーディエンスセグメントをさらに深く掘り下げます。

オーディエンスをUnity Catalogの永続テーブルとして保存し、将来の表示、管理、監査を可能にし、その後、キャンペーンのアクティベーションのためにオーディエンスを実行チャネルにエクスポートします。

オーディエンス作成の未来を民主化する

戦略的意図とデータ実行の間のギャップは長年続いてきました。これは組織にデータが不足しているからではなく、それらを橋渡しするためにツールが構築されていなかったからです。DatabricksのエージェンティックAI機能により、その橋渡しが可能になり、すべてのペルソナが差別化を生み出す高品質なオーディエンスを発見し構築するためのツールを利用できるようになります。あなたが探していたことがわからなかったオーディエンスはすでにあなたのデータ内に存在します。それを発見し、キュレーションするための適切なシステムが必要だっただけです。

効果的なGenie Spaceの構築に関するベストプラクティスについては、このガイドをご覧ください。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事