Databricks营销人员如何借助AI分析助手Genie将数据使用频率提升三倍
内容提要
Databricks营销团队将营销数据统一到受治理的湖仓，并基于Genie Agents构建对话式分析助手Marge，让营销人员用自然语言快速获取可信答案。团队通过完善数据模型与元数据、提供可信逻辑和示例、明确业务术语、持续收集反馈来建立信任，并从邮件营销单一场景起步逐步扩展。Marge已服务超85%营销人员，回答逾5000个问题，使数据使用频率提升三倍。
延伸解读
从邮件场景起步的落地策略
Databricks没有一开始就追求大而全，而是选择邮件营销绩效作为首个用例，仅纳入活动、收件人和互动等必要数据。这种窄范围起步降低了验证难度，能快速证明价值并建立信心。后续再根据用户需求逐步加入账户数据、归因等域。对于资源有限或缺乏经验的团队，这种“小步快跑”的方式更可控，也更容易获得业务方的信任。
轻量级运营：每周一小时维护
Marge的持续运营并不需要庞大团队。目前仅由一位BI经理每周花费约一小时审查反馈、调查问题并更新上下文。这种轻量投入却将标记为错误的回答比例降低了25%。关键在于建立系统化的反馈闭环和基准测试，而不是依赖人工逐条修正。对于希望尝试对话式分析的组织，这提供了一个可参考的投入产出比。
信任建立在数据治理之上
文章反复强调，AI助手无法弥补数据源冲突或业务逻辑不清的问题。Databricks首先在统一湖仓中建立受治理的营销数据源，利用Unity Catalog集中管理元数据、血缘和基于角色的访问控制。Genie的回答严格遵循用户权限，确保每个人只看到授权数据。因此，在引入自然语言查询之前，必须先打好数据基础，否则信任无从谈起。
分析师角色向高阶分析转移
通过将Marge嵌入分析支持流程，每个工单都会自动询问“你问过Genie了吗？”，基础问题被引导至自助分析。分析师得以从101和201级别的重复请求中解放，专注于301和401级别的实验、模型设计等更高价值工作。这种分工不仅提升了效率，也让团队在不增加人手的情况下支持了更广泛的数据使用需求。
Q&A
Databricks营销团队如何将数据使用频率提升三倍？
Databricks营销团队通过将营销数据统一到受治理的湖仓，并基于Genie Agents构建对话式分析助手Marge，让营销人员用自然语言快速获取可信答案，从而将数据使用频率提升三倍。
Marge是什么？它如何帮助营销人员？
Marge是Databricks营销团队基于Genie Agents构建的对话式分析助手。它基于营销湖仓中的数据和业务上下文，让营销人员用自然语言提问，并返回基于受治理企业数据的答案，从而快速获取可信答案。
Databricks如何确保Marge回答的准确性和可信度？
Databricks通过四个机制确保Marge的准确性和可信度：1) 完善数据模型和元数据，包括表关系、描述和业务上下文；2) 提供可信逻辑和已验证的资产；3) 明确业务术语和歧义处理指令；4) 持续收集用户反馈并定期用基准问题评估性能。
Marge的采用和推广策略是什么？
Marge的采用策略包括：与营销人员合作了解常见问题和工作流程；从电子邮件营销单一场景起步，逐步扩展；将Marge嵌入分析支持流程，要求先尝试Genie；持续更新元数据和示例，基于用户反馈迭代。
Marge对营销团队和数据分析团队产生了哪些影响？
Marge使营销人员能在几秒内获得受治理的答案，数据使用频率提升三倍。分析团队减少了重复数据提取工作，可将精力转向实验、模型设计等高价值工作。Marge已服务超过85%的营销人员，回答逾5000个问题。
从Databricks的经验中，构建类似AI分析助手的关键教训是什么？
关键教训包括：自助分析依赖于强大的数据基础，需要受治理、可信且定义一致的数据；中央治理有助于在扩大访问时保持信心；信任通过用户体验赢得，应从小处着手，观察用户实际工作方式，并根据反馈改进系统。
