Databricks营销团队如何用Genie让数据使用量提升3倍
DataHot 速览
Databricks营销团队曾面临数据分散、看板陈旧或不一致、可信答案获取慢等问题。团队在受治理的湖仓上统一营销数据，并基于Genie Agents构建内部助手Marge，让营销人员用自然语言获取受治理答案。结果显示，营销数据使用频率提升3倍，85%以上营销组织使用Marge，季度使用量增长50%，每月处理800+问题、累计回答5000+。标记错误响应下降25%，并在不增加分析人力的前提下扩大洞察访问；其做法是把对话式分析作为持续产品和运营模式。
为什么值得关注：该案例给出对话式分析在营销组织中的落地指标、采纳路径和治理要点，可帮助数据从业者设计ChatBI/Data Agent的产品与运营模式。
本文目录 11 节
译文
AI 逐段翻译大多数营销团队都渴望做到数据驱动。但在实践中，在需要做出决策的那一刻获得一个可信的答案，仍然可能需要数天时间。
在 Databricks，我们通过在一个受治理的湖仓中统一我们的营销数据，并构建 Marge——我们在营销领域的Genie Agents实现——来应对这一挑战。Marge 让营销人员用自然语言提问，并在几秒钟内获得受治理的答案。
这些成果改变了我们组织的运作方式：
- 营销人员使用数据做决策的频率提高了 3 倍。
- 超过 85% 的营销组织使用 Marge。
- 使用量环比增长了 50%。
- Marge 每月处理超过 800 个问题，累计已回答超过 5,000 个问题。
- 随着系统的改进，被标记为错误的回答减少了 25%。
- 我们在没有增加分析人员编制的情况下扩大了洞察的获取渠道。
这些成果来自将对话式分析视为一项持续的产品和运营模式。我们构建在受治理的数据之上，教会 Genie 我们的业务语言，在一个个用例中赢得信任，并将其直接嵌入到营销人员已有的工作方式中。
我是 Liz Dobbs，Databricks 的营销技术 AVP。在这个视频中，我分享了一份实用手册，讲述我的团队如何帮助 Databricks 营销部门在决策中使用数据的频率提高 3 倍：
首先，为什么自助式营销分析如此困难？
营销数据横跨活动平台、网络分析、CRM 系统、活动工具、广告渠道和销售数据。每个系统都有自己的定义、标识符和报告逻辑。即使存在仪表板，营销人员往往也难以知道哪个指标是最新的、哪个来源是权威的，或者如何回答仪表板并非为其设计的下一个问题。
我们的营销组织也面临同样的挑战：
- 数据和报告分散在多个地方。
- 仪表板有时过时或不一致。
- 营销人员并不总是知道该信任哪些数字。
- 分析和工程团队在重复性请求上花费了大量时间。
- 对洞察的需求增长速度超过了分析团队的支持能力。
我们首先在横跨营销、财务、销售和产品的公司级 Databricks 湖仓内创建了一个营销湖仓。它成为了我们进入市场数据的受治理的单一可信来源，围绕一致的定义和指标协调活动与销售信息。
这一基础使 Marge 成为可能。
什么是 Marge，即 Databricks 营销 Genie？
Marge 是一个用 Genie Agents 构建的对话式分析助手。它以我们营销湖仓中的数据和业务上下文为基础，包括 Databricks 营销人员用于区域、产品、渠道、活动、财季和管道的定义。
营销人员可以用通俗英语提问，例如：
- 我的电子邮件活动表现如何？
- 本季度哪些项目影响了管道？
- 各区域的活动注册情况如何比较？
- 我们应该在哪里调整活动支出？
Marge 将这些问本翻译为分析查询，并基于受治理的企业数据返回答案。 Unity Catalog 提供集中式治理、血缘和基于角色的访问控制，因此每个用户只能看到他们被授权访问的数据。
营销人员通过 Genie One 访问 Marge，这是面向业务用户的 AI 协作体验，将仪表板、Genie Agents、应用和更深入的分析整合在一起。在适用时，Genie One 会自动将每个请求路由到合适的 Genie Agent。我们还为网络表现、数字分析和营销规划等领域创建了专注的代理，使每个代理都能在更窄、更相关的上下文中运行。
对于更复杂的问题，Agent 模式可以评估多个步骤并生成更深入的分析。这种体验为营销人员提供了一条更快的路径，从业务问题到有依据的答案和推荐的下一步。
Databricks 如何让 Genie 对营销而言准确且可信？
从最初的试点到广泛推广，信任一直是我们的首要任务。没有任何 AI 系统会是完美的，因此我们专注于 4 种机制，使 Marge 更准确、可靠和透明：
1. 记录数据及其关系
Genie 需要与新分析师所需的相同上下文。这始于清晰的数据模型，包括表之间如何关联以及它们应如何连接。
我们使用 Unity Catalog 来集中元数据、表描述、列注释、血缘和访问控制。AI 生成的描述为我们提供了有用的初稿，但营销利益相关者和数据专家对其进行了审查，并用只有组织内部人员才会知道的业务上下文对其进行了丰富。
实际示例包括记录：
- 营销合格线索的精确含义
- 每个财季包含的日期
- 活动如何映射到产品和区域
- 哪些字段代表成本、互动或归因
- 活动、客户和销售数据之间经批准的关系
清晰的元数据有助于 Genie 在生成查询之前正确理解问题。
2. 编码已验证答案和示例查询
对于常见的高价值问题，我们提供经过领域专家审查的可信资产和已验证逻辑。这些涵盖转化率、客户终身价值和活动注册等领域。用户可以看到答案何时基于已验证逻辑，这增加了一个重要的信任信号。
我们还为复杂或经常被问到的问题添加示例问题与查询对。这些示例教会 Genie 如何处理已知场景，并帮助它将相同模式泛化到类似问题。
作为经验法则：
- 对标准业务概念使用受治理的指标定义。
- 对复杂或模糊的问题使用示例 SQL。
- 当高价值问题需要一致且经过验证的答案时，使用可信资产。
3. 教会 Genie 你的业务语言
每个组织都有一些看起来简单但承载特定含义的术语。“Pipeline”（管道）、“region”（区域）、“fiscal year”（财年）和“campaign”（营销活动）的定义可能因公司而异。
我们为 Marge 提供了明确的行为指导，用于解释这些术语并处理歧义。例如，当底层字段名为“cost”时，用户可能会说“spend”或“investment”。Marge 需要理解这些词指的是同一个概念。
我们还指示 Marge，当请求缺少关键信息（如时间段、渠道或区域）时，要提出澄清性问题。目标是揭示歧义，而不是猜测。
4. 建立持续的反馈和评估循环
每次回复都为用户提供了提供正面或负面反馈的机会。营销分析团队在监控仪表板中查看评分和评论，调查问题并根据需要更新智能体。
我们还针对已知答案运行基准问题，以系统地评估性能。基准准确率的显著下降表明数据模型、定义或智能体上下文可能需要关注。
这种管理工作很轻量。目前，一位 BI 经理每周花费大约一小时查看反馈并维护 Marge。这种小而持续的投入帮助将标记为不正确的答案比例降低了 25%。
Databricks 如何推动 Genie 在营销部门的采用？
技术质量只是工作的一半。营销人员还需要相信 Marge 理解他们的需求，并能自然地融入他们的日常工作流程。
正如我经常对同行说的，这不是一个“梦寐以求的领域”产品。构建它并不能保证人们会使用它。我们专注于 4 个采用实践：
- 从用户和他们真正的问题出发
我们直接与营销人员合作，了解他们最常问的问题、他们已经使用的仪表板以及他们用来描述工作的语言。他们的意见塑造了我们用于配置 Marge 的数据、示例和指令。
这也使营销人员成为产品的积极参与者。他们可以看到这一体验是与他们一起、为他们而构建的。
- 从一个聚焦的用例开始
我们的第一个用例是电子邮件营销活动绩效。我们只包含了回答这些问题所需的基本营销活动、收件人和互动数据。
从狭窄的范围开始，更容易验证准确性、建立信心并快速展示价值。我们后来主要根据用户的要求，添加了账户数据、归因和其他领域。
- 将 Genie 嵌入现有工作流程
我们将 Marge 嵌入到分析支持流程中。每张营销分析工单都会收到自动回复，询问：“你问过 Genie 了吗？”只有在请求者表示他们已经尝试过 Genie 后，分析师才会介入。
这一简单的改变将基本问题引导至自助分析，并为分析师节省时间用于更复杂的工作。我们的团队经常将这种差异描述为让分析师从 101 和 201 级别的请求转向 301 和 401 级别的分析。
- 根据反馈迅速采取行动
我们根据用户反馈不断更新元数据、示例、可信答案和指令。快速改进向营销人员表明他们的意见很重要，并帮助 Marge 在每次迭代中变得更有用。
反馈循环还有助于我们有纪律地扩展。我们根据展现出的需求添加数据和功能，而不是试图在发布时预测每一个可能的问题。
营销部门通过 Genie 实现了哪些业务影响？
Marge 已成为我们营销分析团队最大的时间节省者。营销人员可以在几秒钟内获得受治理的答案，而分析师和工程师花在满足重复性数据提取上的时间更少。
这些节省下来的能力已转向更高价值的工作，包括实验、模型设计以及对基础数据产品的改进。技术带宽不再是营销活动发布和季度业务回顾等常见活动的瓶颈。
营销人员也能更快地采取行动。更容易获取可信数据支持更快的营销活动调整、更智能的细分以及更明智的预算分配。最重要的是，数据已成为整个组织更多日常决策的一部分。
Genie 在营销中的实用推广顺序
对于开始类似旅程的营销技术和数据团队，我们推荐以下顺序：
- 选择一个有边界、高频的用例。从营销人员经常问的问题和你非常了解的数据开始。
- 选择最少所需的数据。只包含回答第一组问题所需的表和字段。
- 记录业务上下文。定义关系、指标、财政期间、区域和领域特定语言。
- 为重要问题添加经过验证的逻辑。在一致性最重要的地方使用指标定义、示例 SQL 和可信资产。
- 与一小群用户进行试点。在扩展之前，观察他们实际的问题、困惑点和语言。
- 衡量质量和行为。跟踪使用情况、反馈、被标记的答案和基准准确率。
- 将 Genie 嵌入现有工作流程。使其成为常见分析问题的自然第一站。
- 根据需求扩展。随着用户展现出需求，添加新数据和聚焦的 Genie 智能体。
团队在为营销部门启动 Genie 之前应该了解什么？
从我们的经验中，有三条教训尤为突出。
首先，自助分析依赖于强大的数据基础。底层数据需要受治理、可信赖，并通过一致的定义连接起来。AI 使这些上下文更容易访问，但它无法弥补相互冲突的源数据和不清晰的业务逻辑。
其次，集中治理有助于团队自信地扩展访问权限。随着采用率的增长，Unity Catalog 为我们提供了一个统一的地方来管理定义、血缘以及对敏感数据的基于角色的访问。
第三，信任是通过用户体验赢得的。从小处着手，观察营销人员的实际工作方式，并根据他们告诉你的内容改进系统。当用户看到智能体理解他们的语言、尊重他们的访问权限，并通过他们的反馈变得更有用时，采用就会随之而来。
Marge最初是一个面向10名用户和一个用例的原型。如今，它支持我们超过85%的营销组织，并已回答了超过5,000个问题。从试点到规模化的道路，是由一个又一个值得信赖的答案铺就的。
观看对Liz Dobbs的完整采访，探索 Genie Agent文档，或查看这些相关博客：
这篇内容对你有用吗？
反馈只用于改善内容筛选，不等同于收藏