Databricks: Cách đội ngũ Marketing tăng gấp 3 lần hiệu suất sử dụng dữ liệu nhờ trợ lý AI Genie

Hầu hết các đội ngũ marketing đều khao khát trở thành những đơn vị dựa trên dữ liệu (data-driven). Tuy nhiên trên thực tế, việc có được một câu trả lời đáng tin cậy ngay tại thời điểm cần ra quyết định vẫn có thể mất đến vài ngày.

Tại Databricks, chúng tôi đã giải quyết thách thức này bằng cách hợp nhất dữ liệu marketing vào một lakehouse được quản trị chặt chẽ và xây dựng Marge – phiên bản Genie Agents dành riêng cho hoạt động marketing của chúng tôi. Marge cho phép các chuyên viên marketing đặt câu hỏi bằng ngôn ngữ tự nhiên và nhận được câu trả lời chuẩn xác chỉ trong vài giây.

Kết quả đã thay đổi hoàn toàn cách thức vận hành của tổ chức chúng tôi:

Những kết quả này có được là nhờ việc coi phân tích hội thoại (conversational analytics) như một sản phẩm và mô hình vận hành liên tục. Chúng tôi xây dựng dựa trên dữ liệu được quản trị, dạy cho Genie ngôn ngữ kinh doanh của mình, xây dựng niềm tin qua từng trường hợp sử dụng và tích hợp trực tiếp nó vào quy trình làm việc hàng ngày của các chuyên viên marketing.

Tôi là Liz Dobbs, AVP phụ trách Công nghệ Marketing tại Databricks. Trong video này, tôi sẽ chia sẻ một cẩm nang thực tế về cách đội ngũ của tôi đã giúp bộ phận marketing tại Databricks sử dụng dữ liệu thường xuyên hơn gấp 3 lần trong các quyết định của họ:

Trước hết, tại sao phân tích marketing tự phục vụ (self-service) lại khó khăn đến vậy?

Dữ liệu marketing trải rộng trên các nền tảng chiến dịch, phân tích web, hệ thống CRM, công cụ tổ chức sự kiện, kênh quảng cáo và dữ liệu bán hàng. Mỗi hệ thống lại có các định nghĩa, mã định danh và logic báo cáo riêng. Ngay cả khi đã có bảng điều khiển (dashboard), các chuyên viên marketing vẫn thường gặp khó khăn trong việc xác định chỉ số nào là mới nhất, nguồn nào là chính thống hoặc làm thế nào để trả lời câu hỏi tiếp theo mà dashboard đó chưa được thiết kế để giải quyết.

Tổ chức marketing của chúng tôi cũng từng đối mặt với những thách thức tương tự:

Đầu tiên, chúng tôi tạo ra một Marketing Lakehouse nằm trong hệ thống lakehouse toàn công ty của Databricks, được chia sẻ giữa các bộ phận Marketing, Tài chính, Kinh doanh và Sản phẩm. Nó trở thành nguồn dữ liệu chính thống (source of truth) được quản trị cho dữ liệu tiếp cận thị trường (go-to-market), giúp đồng bộ hóa thông tin chiến dịch và bán hàng dựa trên các định nghĩa và chỉ số nhất quán.

Nền tảng đó đã biến Marge trở thành hiện thực.

Marge, Databricks Marketing Genie là gì?

Marge là một trợ lý phân tích hội thoại được xây dựng bằng Genie Agents. Nó được vận hành dựa trên dữ liệu và bối cảnh kinh doanh trong Marketing Lakehouse của chúng tôi, bao gồm các định nghĩa mà các chuyên viên marketing tại Databricks sử dụng cho khu vực, sản phẩm, kênh, chiến dịch, kỳ tài chính và pipeline.

Các chuyên viên marketing có thể đặt câu hỏi bằng tiếng Anh thông thường, chẳng hạn như:

Marge chuyển đổi các câu hỏi đó thành các truy vấn phân tích và trả về kết quả dựa trên dữ liệu doanh nghiệp đã được quản trị. Unity Catalog cung cấp khả năng quản trị tập trung, quản lý nguồn gốc dữ liệu (lineage) và kiểm soát truy cập dựa trên vai trò, đảm bảo mỗi người dùng chỉ thấy được dữ liệu mà họ được phép truy cập.

Các chuyên viên marketing truy cập Marge thông qua Genie One, trải nghiệm AI cộng tác dành cho người dùng doanh nghiệp, nơi kết hợp các bảng điều khiển, Genie Agents, ứng dụng và các phân tích chuyên sâu. Genie One tự động điều hướng mỗi yêu cầu đến đúng Genie Agent phù hợp khi cần. Chúng tôi cũng đã tạo ra các agent chuyên biệt cho từng lĩnh vực như hiệu suất web, phân tích kỹ thuật số và lập kế hoạch marketing, cho phép mỗi agent hoạt động với bối cảnh hẹp hơn và phù hợp hơn.

Đối với các câu hỏi phức tạp hơn, chế độ Agent có thể đánh giá nhiều bước và đưa ra phân tích sâu hơn. Trải nghiệm này mang đến cho các chuyên viên marketing con đường nhanh hơn từ một câu hỏi kinh doanh đến một câu trả lời có căn cứ và các bước tiếp theo được đề xuất.

Databricks đã làm thế nào để Genie trở nên chính xác và đáng tin cậy cho marketing?

Niềm tin là ưu tiên hàng đầu của chúng tôi từ giai đoạn thử nghiệm ban đầu cho đến khi triển khai rộng rãi. Không có hệ thống AI nào là hoàn hảo, vì vậy chúng tôi tập trung vào 4 cơ chế giúp Marge trở nên chính xác, đáng tin cậy và minh bạch hơn:

1. Tài liệu hóa dữ liệu và các mối quan hệ của dữ liệu

Genie cần cùng một bối cảnh mà một nhà phân tích mới cần. Điều đó bắt đầu bằng một mô hình dữ liệu rõ ràng, bao gồm cách các bảng liên quan với nhau và cách chúng nên được kết nối (join).

Chúng tôi sử dụng Unity Catalog để tập trung hóa siêu dữ liệu (metadata), mô tả bảng, chú thích cột, nguồn gốc dữ liệu và kiểm soát truy cập. Các mô tả do AI tạo ra đã cung cấp cho chúng tôi bước khởi đầu hữu ích, nhưng các bên liên quan trong bộ phận marketing và các chuyên gia dữ liệu đã xem xét và làm phong phú thêm bằng bối cảnh kinh doanh mà chỉ những người trong tổ chức mới biết.

Các ví dụ thực tế bao gồm việc tài liệu hóa:

Siêu dữ liệu rõ ràng giúp Genie diễn giải câu hỏi một cách chính xác trước khi tạo truy vấn.

2. Mã hóa các câu trả lời đã được xác minh và các truy vấn mẫu

Đối với các câu hỏi phổ biến, có giá trị cao, chúng tôi cung cấp các tài sản đáng tin cậy và logic đã được xác minh bởi các chuyên gia trong lĩnh vực. Những nội dung này bao gồm các lĩnh vực như tỷ lệ chuyển đổi, giá trị vòng đời khách hàng và đăng ký sự kiện. Người dùng có thể biết khi nào một câu trả lời dựa trên logic đã được xác minh, điều này tạo thêm một tín hiệu quan trọng về niềm tin.

Chúng tôi cũng thêm các cặp câu hỏi-truy vấn mẫu cho các câu hỏi phức tạp hoặc thường gặp. Những ví dụ này dạy cho Genie cách xử lý một kịch bản đã biết và giúp nó khái quát hóa cùng một mô hình cho các câu hỏi tương tự.

Theo kinh nghiệm thực tế:

3. Dạy cho Genie ngôn ngữ của doanh nghiệp bạn

Mọi tổ chức đều có những thuật ngữ trông có vẻ đơn giản nhưng lại mang ý nghĩa cụ thể. "Pipeline", "khu vực", "năm tài chính" và "chiến dịch" có thể có những định nghĩa khác nhau giữa công ty này với công ty khác.

Chúng tôi cung cấp cho Marge hướng dẫn hành vi rõ ràng để diễn giải các thuật ngữ này và xử lý sự mơ hồ. Ví dụ, người dùng có thể nói "chi tiêu" (spend) hoặc "đầu tư" (investment) trong khi trường dữ liệu cơ sở được đặt tên là "chi phí" (cost). Marge cần hiểu rằng những từ đó đề cập đến cùng một khái niệm.

Chúng tôi cũng hướng dẫn Marge đặt câu hỏi làm rõ khi một yêu cầu thiếu thông tin quan trọng, chẳng hạn như khoảng thời gian, kênh hoặc khu vực. Mục tiêu là làm rõ sự mơ hồ thay vì đoán mò.

4. Tạo các vòng lặp phản hồi và đánh giá liên tục

Mỗi phản hồi đều mang đến cho người dùng cơ hội cung cấp phản hồi tích cực hoặc tiêu cực. Đội ngũ phân tích marketing sẽ xem xét các đánh giá và bình luận trong bảng điều khiển giám sát, điều tra các vấn đề và cập nhật agent khi cần thiết.

Chúng tôi cũng chạy các câu hỏi chuẩn (benchmark) so với các câu trả lời đã biết để đánh giá hiệu suất một cách hệ thống. Sự sụt giảm đáng kể về độ chính xác của benchmark là tín hiệu cho thấy mô hình dữ liệu, các định nghĩa hoặc bối cảnh của agent có thể cần được chú ý.

Công tác quản trị này khá nhẹ nhàng. Hiện nay, một quản lý BI chỉ mất khoảng một giờ mỗi tuần để xem xét phản hồi và duy trì Marge. Khoản đầu tư nhỏ nhưng nhất quán đó đã giúp giảm 25% tỷ lệ các câu trả lời bị gắn cờ là không chính xác.

Databricks đã thúc đẩy việc áp dụng Genie trên toàn bộ bộ phận marketing như thế nào?

Chất lượng kỹ thuật chỉ là một nửa công việc. Các chuyên viên marketing cũng cần tin rằng Marge hiểu nhu cầu của họ và có thể hòa nhập tự nhiên vào quy trình làm việc hàng ngày của họ.

Như tôi thường nói với các đồng nghiệp, đây không phải là sản phẩm kiểu "Field of Dreams" (xây xong là người ta sẽ đến). Việc xây dựng nó không đảm bảo rằng mọi người sẽ sử dụng nó. Chúng tôi tập trung vào 4 thực tiễn áp dụng:

Bắt đầu với người dùng và những câu hỏi thực tế của họ