用Fivetran Skills让Claude查询Marketo数据

对话式分析，由生成式和代理式 AI所赋能，一直在获得越来越多的关注，因为它让团队可以通过持续的对话来探索数据，而不是进行一系列手动的一次性调查。我在 Fivetran 和 dbt Labs 亲身感受到了这一需求。我们的 Marketo 数据已经存放在数据仓库中，但直到最近，回答有关培育项目效果的问题仍然是一个漫长的手动过程。像“人们在这个培育项目的哪个环节流失？”这样简单的问题，可能需要花几天时间在 Marketo 中构建智能活动和报告，即使回答这个问题所需的数据已经在我们仓库中了。

Fivetran Skills 为我弥补了这一差距。我可以直接用通俗的英语询问有关我们通过 Fivetran 同步的数据的问题，而无需构建新的报告或等待数据工程师为我编写查询。而且由于界面是通过我已经在使用的 Claude，因此无需学习新工具，也无需改变我们的数据或仓库的设置方式。

我用它来排查过去需要花我几天的 Marketo 活动，现在缩短到几分钟。

[CTA_MODULE]

什么是营销自动化分析技能？

一个技能是一个包含指令的文件夹，用于教导 AI 代理如何执行特定任务。Anthropic 创建了这种格式，但由于它广受欢迎且效果良好，已被 Codex 和 Cursor 等其他代理采用。在 Anthropic 自己的测试中，Claude 在分析问题上的准确率从没有技能时的 21% 提升到了有技能时的 95% 以上

我们团队设计 Fivetran Skills 时，不仅仅局限于指令。Fivetran 既构建连接器，也在其上构建 dbt 模型，因此每个技能都包含关于架构以及模型如何组合的丰富知识。这让代理能够给出正确的答案，而不是根据列名进行猜测。每个答案都来自于针对你的仓库的 SQL 查询，因此你可以轻松检查查询以验证结果。由于我们对这些数据非常了解，我们还基于每个数据源的最佳实践构建了模板化仪表板。

例如，我用于分析的营销自动化分析技能非常了解 Marketo 数据。它知道线索如何通过漏斗阶段移动，项目和培育项目如何设置，以及电子邮件参与度如何跟踪。这包括线索记录上的打开和点击是终身总计这样的细节，因此该技能会根据电子邮件发送历史来计算特定时间段内的比率。

我如何部署该技能

该技能非常容易设置。在开始之前，你需要已经通过 Fivetran 将 Marketo 数据同步到 BigQuery、Snowflake 或 Databricks，并且需要一个支持技能的 AI 代理，例如 Claude Code。部署 Fivetran Marketo Quickstart 数据模型 是可选的，但它为技能提供了一个比原始连接器输出更干净的工作层。

第 1 步：安装营销自动化分析技能

在 Fivetran 中，从左侧导航打开 Skills，然后选择营销自动化分析。页面会显示你的 Marketo 数据是否包含该技能所需的表。点击安装，然后按照你的代理的步骤操作。

第 2 步：完成首次运行配置

第一次提问时，技能会询问你是否知道你的 Fivetran 数据落在哪个仓库中。

• 如果你知道，就提供仓库类型和数据库名称，它会自行找到你的 Marketo 数据。无需 API 密钥。
• 如果你不知道，它会引导你改为设置 Fivetran API 密钥。

无论哪种方式，它都会保存你的设置，因此你只需执行一次。

第 3 步：提问

不需要特殊的查询语法。我只需用通俗的语言提问，例如：“线索在漏斗的哪个环节流失？”

我的用例：排查复杂的培育项目

一个多分支的免费试用培育项目没有按预期运行。由于嵌套的活动相互馈入，故障从顶层项目中并不明显，而要确定线索在哪里流失，意味着要逐个追踪分支。

在使用该技能之前，诊断这样的问题意味着构建我需要的 Marketo 工件来隔离问题：智能活动、列表、报告，然后检查结果、改进并重复。这个过程可能需要几天，有时甚至几周，取决于问题埋藏得有多深。

使用该技能，我通过直接针对已经同步到仓库中的 Marketo 数据提问来开始同样的调查：

• “线索在免费试用培育项目的哪个环节流失？”
• “按培育分支细分。”
• “哪个活动步骤的预期进展与实际进展之间的差异最大？”

该技能直接查询仓库，并返回答案以及获取答案所用的筛选条件，因此我可以对照活动日志之类的内容来检查结果，而不是盲目相信。过去需要我几天或几周手动构建报告的工作，现在只需几分钟或几个小时。

回答“为什么这个活动坏了？”的同一个技能，对于我此后提出的更广泛的分析问题也同样有效：哪里表现最强、哪个区域超出预期等等，而无需为每个新问题重建分析基础设施。

将 AI 连接到你已信任的数据

Fivetran 已经为我们解决了第一个问题：将 Marketo 数据可靠地导入仓库，并将其转换为已建模且可信的数据集。Fivetran Skills 为我解决了另一个问题：让那些不需要理解架构的人也能用通俗的英语使用这些数据。

我想告诉任何数据团队的两件事：

• 集中化数据不是可选项，即使对 AI 也是如此。将 Claude 直接连接到应用程序进行分析无法扩展。它会遇到与我尝试直接从 Marketo 回答这些问题时相同的数据量和缺失上下文的限制。在 Claude 能够可靠地用数据回答问题之前，数据需要被治理和建模。
• 一旦这个基础存在，技能就可以把它变成任何团队的自助服务层，而不仅仅是营销运营。过去需要我花几天或几周手动构建报表和清单的调查工作，现在只需针对已经存在的数据进行对话式的来回交流。

你可以查看我们支持的所有技能 在这里。

[CTA_MODULE]