Databricks：以代理式营销连接客户上下文与可衡量ROI

如今的营销领导者面临着前所未有的复杂性。他们需要处理比该学科历史上任何时期都更多的客户数据、更多渠道和更多衡量工具，而客户旅程却变得更加非线性，随着人们更换设备和联系方式，身份信号迅速衰减。过去二十年里，营销人员一直在构建商业营销技术工具以跟上步伐——据营销技术专家估计超过15,000种，还不包括为智能体提供的无数MCP集成（《2026年营销技术现状》）。然而，对什么在起作用的信心并未同步跟上，因为每个新系统都带来另一份客户数据副本、另一套定义，以及团队之间的又一次交接。

与此同时，营销的经济学也在发生变化。价值正从以触达和频次衡量成功的曝光货币，转向预测经济——一种新模式，“奖励的是预测客户需要什么、在当下采取行动、传递个性化信息、证明由此驱动的业务成果，然后将此作为下一步的加速器，”Databricks媒体、娱乐与广告业务全球GTM负责人Jake LaDuke解释道。与此同时，消费者开始使用自己的AI智能体来比较选项并在几秒内完成购买，这缩短了品牌预测、行动和衡量结果的时间窗口。

但尽管压力不断加大，财务部门仍然需要知道营销支出是否创造了增量收入和利润，以及下一美元应该留在营销部门、转移到另一个增长杠杆，还是回归底线。营销人员的难题变成了如何穿透复杂性，提供所有人都能信任的答案。

随着AI和智能体在各行各业和各个业务线中普及，它们为营销人员提供了提供这种清晰度的强大机会。凭借正确的客户、业务和决策上下文，智能体可以在营销人员自己定义的目标和护栏内，近乎实时地为每位客户推荐或采取下一个最佳行动。每个行动都会与没有该行动时会发生的情况进行对比衡量，而该结果会反馈到用于下一次决策的上下文中。最终结果是，在数百万个客户时刻中持续做出更好的决策，并通过清晰的衡量表明这些决策推动了增量影响。

为什么身份解析是智能体营销的基础

智能体的行动能力取决于所获得的上下文；而身份正是维系这一上下文的关键。Zachary Van Doren，Acxiom产品战略与生态高级副总裁，将此框架描述为“身份驱动行动”。他说，没有这一身份基础，“你就没有可操作的、能被智能体使用的上下文。”身份解析通常被视为一个有终点的画像构建项目，但在智能体模型中，其目的是行动：跨渠道持续识别、互动、衡量并重新互动客户的能力。一个完美组建却无法支持这些步骤的画像无法带来最佳结果。

然而，挑战在于身份在不断演变。人们会搬家、更换设备、更改电子邮件地址，他们的行为也随着自身境况而变化。因此，身份必须持续维护，而不是解析一次就置之不理。品牌还需要将已知客户记录与假名意图信号（如匿名应用会话或广告曝光）连接起来，同时不损害隐私、治理或消费者信任。

即使拥有强大的身份基础，仅仅将信号连接到持久化画像仍然不够。同一位客户可能因时机、近期行为、渠道、之前的广告曝光以及当前的业务目标而需要截然不同的行动。某人在何处以及如何互动，与其是谁同样重要，这就是为什么旧有的人群定向与内容定向之间的选择正在让位于对两者的共同需求。最有用的身份策略专注于为决策构建更好的上下文，并以一个互联且持久的画像来服务于这一目标。

Acxiom提供了一个有用的例子，说明这一基础正在如何现代化。Acxiom与Lovelytics合作，将其数据和身份服务重建为Databricks上的原生应用层，将可操作客户洞察的上市时间缩短了约30%，并将运营成本降低了约15%。Acxiom的Real ID身份解析引擎现在也原生运行在Databricks中，因此品牌可以在客户数据已经所在的地方进行解析和丰富，而无需将其导出到单独的环境。

“我们每个人都带来了不同的一块拼图，”Jay Goebel说，他是Lovelytics传播与媒体业务负责人。“Databricks带来平台，Acxiom带来可信身份，Lovelytics带来将其投入生产的交付经验。作为CustomerLake的早期发布合作伙伴，我们正在共同努力，让营销人员能够基于客户上下文采取行动，并证明该行动的价值。”

智能体所需的上下文远不止一条客户记录

传统的客户记录捕捉的是某人是谁以及他们做过什么。要让智能体做出营销人员愿意背书的决策，它需要四种上下文。

• 客户上下文涵盖身份、行为（历史行为和当下行为）、偏好、同意状态和生命周期阶段。
• 业务上下文涵盖增长目标、利润影响、品牌规则、库存和渠道约束。
• 决策上下文捕捉客户已经收到的优惠和行动、他们的回应方式，以及之前决策的原因。
• 控制是意图、护栏、权限和审批点的层面，由人员定义，智能体必须遵守。

这些上下文的体量会迅速累积。单笔交易就可能携带30到50个元数据参数，因此一个客户画像很容易达到数千列上下文，远远超出任何营销人员仅凭一己之力能够处理的范围。

从营销人员的角度来看，只有当一个更完整的画像能够改善决策时，它才物有所值。这个决策通常归结为：是否要互动、哪条消息或哪个优惠最相关、使用哪个渠道，以及该行动能否在不损害客户体验、优惠经济效益或客户同意的前提下创造价值。

一个实际示例：重新激活一位流失的快餐店顾客

设想一位快餐（QSR）品牌的常客，ta已停止下单，但最近又回到应用中浏览。条件反射式的做法是再发一张折扣券。更好的方法则始于该品牌实际试图做出的决策。它需要经过五个方面的考量：

• 决策。 该品牌现在应该与这位顾客互动吗？如果是，选项包括发送提醒、更换消息、提供激励、更换渠道，或某种组合。
• 上下文。 购买历史与购前信号相关联，包括应用和网站行为、浏览过或留在购物车中的商品、以往的优惠、媒体互动、生命周期状态、渠道偏好和沟通许可。
• 经济判断。 品牌需要知道，激励是会改变行为，还是仅仅补贴了顾客本来就会下的订单。它还需要知道，针对这位顾客继续投入付费或自有媒体支出是否仍在产生回报。
• 行动与护栏。 推荐的消息、优惠、时机和渠道都在营销人员定义的范围内运作，这些范围涉及资格、折扣深度、联系频率、同意、品牌标准，以及需要人工审批的节点。
• 衡量。 品牌会判断该行动相比不采取任何行动，是否带来了增量订单、收入、利润或复购，而这一结果会回到顾客上下文中，为跨自有和付费渠道的下一次决策提供依据。

在这种情况下，不同的顾客需要不同的回应。如果一位通常每周五都下单的顾客有一周没下单，然后在周四浏览了ta常点的餐品，那么一条时机恰当的提醒可能就足够了。如果同一位顾客已经六周没有下单，并且正在浏览家庭套餐但没有完成订单，那么针对套餐或免费配菜的激励可能有助于重建习惯。一位已经看到多次消息却始终没有回应的顾客，可能是在发出信号：品牌应该更换消息、切换渠道，或暂时停止对ta的投入。

一支熟练的营销团队可以为一位顾客把这一切都推演清楚，但没有任何团队能够每天对数百万个客户时刻手工施加同样的细致关注。智能体营销（Agentic marketing）正是为弥合这一差距而设计，它大规模地运用一致且信息充分的判断，将护栏留在人类手中，并从每一次结果中学习。

智能体CDP如何将客户上下文转化为受治理的行动

客户数据平台是这一转变在营销技术栈中体现得最明显的地方。传统CDP有助于统一画像并激活受众，但它们通常位于公司核心数据与AI平台之外，这会产生另一份敏感客户数据副本，需要集成、保护和核对。智能体需要在一个地方获得对身份、预测模型、业务逻辑、激活端点和绩效信号的受治理访问权限。

这就是CustomerLake背后的原则，它是来自Databricks的智能体CDP。CustomerLake嵌入在Databricks湖仓中，并由Unity Catalog进行治理，因此营销互动和个性化运行在业务其他部分已经依赖的同一数据和AI基础之上。它围绕两类智能体进行组织。

• 画像智能体（Profile Agents）将碎片化的客户数据转化为业务就绪的Customer 360画像。它们使用智能体身份解析（Agentic Identity Resolution），将确定性、概率性和智能体匹配与Acxiom基于图谱的身份、卫生、匹配和丰富能力相结合，为每位客户创建完整且准确的视图。
• 活动智能体（Campaign Agents）使用受治理的客户上下文来构建受众、推荐下一步最佳行动、跨渠道激活，并围绕业务目标持续优化。

营销人员可以使用自然语言来探索客户上下文，并通过Genie构建受众，从而减少等待定制数据提取的需要。他们定义指导智能体执行的战略、目标和护栏。

CustomerLake为Databricks所称的Infinity Campaigns提供支持，这是一种始终在线的互动循环，取代了构建、启动和重建一次性活动的循环。营销人员从一个目标开始，例如重新激活流失客户。随后，智能体识别合适的受众，考虑资格或库存限制，推荐下一个最佳优惠或渠道，跨目的地激活，并根据绩效进行优化或抑制。

CustomerLake还被设计为可与品牌已经使用的身份、激活、衡量和客户体验合作伙伴协同工作，因此受信任的客户上下文可以跨渠道流动，而不会形成新的孤岛。它推出时拥有包括Acxiom在内的开放合作伙伴生态系统，并得到包括Lovelytics在内的服务合作伙伴支持。

智能体模式下的衡量与归因

在许多组织中，衡量是在事后作为一份关于活动交付情况的报告出现的。在智能体模式中，衡量成为决策循环的一部分。品牌学到的关于受众、优惠、渠道或投入水平的信息，会塑造紧接着的下一个决策。

增量效应的概念驱动着这一飞轮，它也是营销与财务之间最实用的共同语言。它将营销活动所关联的结果与因品牌采取行动而改变的结果区分开来。归因、增量测试和营销组合建模各自贡献了图景的一部分，而对话式分析可以帮助团队探究发生了什么以及为什么发生，而无需排队等待定制分析。持续学习也让发现饱和与收益递减变得更加容易，并能识别何时应转移投资或停止活动。

当财务部门在权衡下一美元应该投入营销、贸易促销、另一个增长杠杆，还是计入底线利润时，CMO通常需要证明五件事。

• 增量影响：与不采取行动相比，因品牌采取行动而改变的收入、利润率或客户行为。
• 真实利润贡献：在计入媒体成本、折扣、贸易支出和优惠经济性之后所剩余的价值。
• 按杠杆划分的贡献：是营销创造了需求，贸易帮助转化了需求，还是品牌补贴了无论如何都会发生的行为，同时避免将同一成果归功于多项活动。
• 边际回报：下一美元在哪里仍能产生增量价值，以及在哪里触达、频次或促销支出已经达到收益递减。
• 客户长期价值：投资是仅产生了即时交易，还是也改善了复购、留存和终身价值。

围绕这些问题构建的衡量基础，让营销、销售和财务对什么在创造价值以及下一美元在哪里能发挥最大作用形成共同看法。正如Dedra Berg——Lovelytics的价值实现负责人——所说：“这些团队现在可以从同一个可信的基础出发，而不是把一半的会议时间花在对账上。目标不是证明营销应该总是赢；而是展示下一美元在哪里能为业务创造最大的增量收入和利润。”

身份是拼图的最后一块。当同一身份框架将曝光、互动和结果连接起来时，一个结果就可以追溯到产生它的客户和决策，从而使归因闭环得以闭合。

代理式营销从何处着手

很少有组织一开始就具备统一身份、干净的客户数据和成熟的衡量体系，而等待这三者全部就绪很少是明智之举。最实际的起点是一个有意义的关键决策，在其中更好的上下文和更快的行动可以创造可衡量的价值。重新激活流失客户是常见的选择。其他选择包括：抑制那些补贴客户无论如何都会进行的购买的优惠，或将支出从已达到饱和的受众群体转移开。

从那里开始的顺序相当一致。定义决策及其应影响的业务成果，然后汇集所需的客户和业务上下文。设定护栏以及人员保持参与的关键节点。提前就如何衡量增量价值达成一致，并利用所学来改进下一个决策，然后再将该方法扩展到另一个用例。早期CustomerLake采用者也在遵循类似的模式，先界定代理在哪些方面被首先使用，并随着信任和结果的积累扩大其自动化程度。

组织层面的工作与技术同样重要。当营销、财务、技术、分析、隐私和销售紧密协作时，当客户决策、护栏和衡量的归属清晰时，当团队从孤立的试点转向与业务成果挂钩的可重复工作流时，代理式营销往往会取得成功。

要了解更多关于用代理式营销转型您的品牌的信息，请观看按需网络研讨会 → 了解您的受众。以相关性行动。衡量重要之事

常见问题解答

代理式营销与营销自动化有什么区别？营销自动化执行的是人们预先设计的规则和旅程。代理式营销使用AI代理，评估当前的客户和业务上下文，在人类定义的护栏内选择下一个最佳行动，包括选择不采取行动，并利用衡量结果来改进未来决策。

为什么身份解析对营销中的AI代理很重要？代理根据其可用的上下文做出决策。持续身份解析将已知和假名信号（如交易、应用行为和媒体曝光）连接成每个客户的连贯视图，这使代理建议更可靠，其结果也可衡量。

什么是代理式CDP？代理式客户数据平台将核心CDP能力（包括身份解析、受众构建和激活）与AI代理相结合，后者分析客户信号、决定下一个最佳行动，并跨渠道采取行动。Databricks CustomerLake是一个嵌入Databricks湖仓并由Unity Catalog治理的代理式CDP。

如何衡量代理式营销的ROI？最可靠的衡量指标是增量效应，即与不采取行动相比，在收入、利润率或客户行为上的差异。归因、增量测试和营销组合建模各自有助于解释表现，而将这些结果反馈到客户上下文中，可以让每个决策改进下一个决策。