Databricks zufolge nutzt firmeninternes Marketingteam Daten dank Genie-basiertem Assistenten Marge dreimal häufiger
Databricks details how its marketing organization tripled data use in decisions after deploying Marge, an internal AI analytics assistant built on Genie Agents.
Kurze Antwort
{"duration_api_ms":2248,"stop_reason":"end_turn","session_id":"08daa75f-1600-4691-b49e-49e9c66f48a9","total_cost_usd":0.006940399999999999,"usage":{"input_tokens":2,"cache_creation_input_tokens":897,"cache_read_input_tokens":8132,"output_tokens":56,"output_tokens_details":{"thinking_tokens":0},"server_tool_use":{"web_search_requests":0,"web_fetch_requests":0},"service_tier":"standard","cache_creation":{"ephemeral_1h_input_tokens":897,"ephemeral_5m_input_tokens":0},"inference_geo":"not_available","iterations":[{"input_tokens":2,"output_tokens":56,"cache_read_input_tokens":8132,"cache_creation_input_tokens":897,"cache_creation":{"ephemeral_5m_input_tokens":0,"ephemeral_1h_input_tokens":897},"type":"message"}],"speed":"standard"},"modelUsage":{"claude-haiku-4-5-20251001":{"inputTokens":1077,"outputTokens":17,"cacheReadInputTokens":0,"cacheCreationInputTokens":0,"webSearchRequests":0,"costUSD":0.001162,"contextWindow":200000,"maxOutputTokens":32000,"thinkingTokens":0,"canonicalModel":"claude-haiku-4-5","provider":"firstParty","costBasis":"list"},"claude-sonnet-5":{"inputTokens":2,"outputTokens":56,"cacheReadInputTokens":8132,"cacheCreationInputTokens":897,"webSearchRequests":0,"costUSD":0.0057783999999999995,"contextWindow":1000000,"maxOutputTokens":64000,"thinkingTokens":0,"canonicalModel":"claude-sonnet-5","provider":"firstParty","costBasis":"list"}},"permission_denials":[],"terminal_reason":"completed","fast_mode_state":"off","fast_mode_disabled_reason":"sdk_opt_in_required","subagent_stats":{"spawned":0,"requested":{"background":0,"foreground":0,"unset":0},"started_in_background":0,"max_depth":0,"spawned_by_subagents":0,"completed":0,"failed":0,"killed":{"parent":0,"user":0,"system":0},"refused":{"depth_limit":0,"concurrency_limit":0,"budget":0},"by_type":{}},"is_error":false,"num_turns":1,"subtype":"success","api_error_status":null,"result":"Welche Ergebnisse berichtet Databricks über seinen internen, mit Genie betriebenen Marketing-Analyse-Assistenten Marge?","ttft_ms":1982,"type":"result","duration_ms":2019,"uuid":"8269c4dd-06ec-49a3-840b-e8decbdcd7fd","ttft_stream_ms":1423,"time_to_request_ms":738,"queued_turn_count":0} Client.listTools() called but server does not advertise tools capability - returning empty list
Databricks says its internal marketing team uses data three times more often in decisions after adopting Marge, a Genie Agents-based assistant built on a governed Marketing Lakehouse. The company reports over 85% adoption among marketers, 800-plus monthly questions answered, and a 25% drop in flagged incorrect responses.
Das Wichtigste
- Databricks says its marketing team now uses data three times more often in decision-making after deploying Marge, an internal assistant built on Genie Agents.
- Das Unternehmen gibt an, dass mehr als 85 % seiner Marketingabteilung Marge nutzen, wobei die Nutzung von Quartal zu Quartal um 50 % wächst und monatlich mehr als 800 Fragen beantwortet werden.
- Databricks says flagged incorrect responses fell 25% after it added verified answer sets, example queries, and documented business definitions in Unity Catalog.
- Das Unternehmen führt den Erfolg auf seine Einführungsstrategie zurück: Zunächst wurde ein einzelner Anwendungsfall – die Performance von E-Mail-Kampagnen – umgesetzt und anschließend basierend auf dem Nutzerfeedback erweitert.
- Databricks says one BI manager spends about one hour per week maintaining Marge, which the company says allowed it to scale access to insights without adding analytics headcount.
Was Databricks bekannt gegeben hat
Databricks hat einen Unternehmensblogbeitrag veröffentlicht, in dem beschrieben wird, wie die eigene Marketingabteilung einen internen KI-Assistenten namens Marge einsetzt, den das Unternehmen als seine Marketingimplementierung von Genie Agents bezeichnet, seiner Technologie für konversationelle Analysen. Der Beitrag wurde von Elizabeth Dobbs, AVP of Marketing Technology bei Databricks, gemeinsam mit Thomas Russell, Katy Yuan und Sydney Sundell verfasst.
Laut Databricks können Marketingmitarbeiter mit Marge Fragen in natürlicher Sprache stellen und erhalten Antworten, die auf einem „Marketing Lakehouse" basieren – einer verwalteten Datenumgebung, die das Unternehmen aufgebaut hat, um Kampagnen-, Webanalyse-, CRM-, Event- und Vertriebsdaten anhand einheitlicher Definitionen und Kennzahlen zusammenzuführen.
Berichtete Nutzung und Ergebnisse
Databricks zufolge hat das Tool in der eigenen Marketingabteilung folgende Ergebnisse erzielt:
- Marketingmitarbeiter nutzen Daten bei Entscheidungen dreimal häufiger.
- Mehr als 85 % der Marketingabteilung nutzen Marge.
- Die Nutzung ist im Quartalsvergleich um 50 % gewachsen.
- Marge beantwortet monatlich mehr als 800 Fragen und hat insgesamt mehr als 5.000 Fragen beantwortet.
- Als fehlerhaft markierte Antworten sind im Zuge der Weiterentwicklung des Systems um 25 % zurückgegangen.
- Databricks erklärt, den Zugang zu Erkenntnissen ausgeweitet zu haben, ohne zusätzliches Analystenpersonal einzustellen.
Das Unternehmen gibt an, dass Marketingmitarbeiter Marge Fragen stellen können, etwa wie eine E-Mail-Kampagne abgeschnitten hat, welche Programme die Pipeline in einem bestimmten Quartal beeinflusst haben oder wo Kampagnenbudgets angepasst werden sollten, und dass Marge diese Fragen in Abfragen gegen verwaltete Unternehmensdaten übersetzt. Der Zugriff erfolgt über Genie One, das Databricks als „KI-Cowork-Erlebnis für Geschäftsanwender" beschreibt und Anfragen an spezialisierte Genie Agents weiterleitet, die Bereiche wie Web-Performance, digitale Analyse und Marketingplanung abdecken. Für komplexere Anfragen könne ein „Agent-Modus" mehrere Schritte auswerten, um tiefergehende Analysen zu liefern.
Unity Catalog, das Governance-Produkt von Databricks, stelle laut dem Beitrag zentrale Metadaten, Datenherkunftsnachweise (Lineage) und rollenbasierte Zugriffskontrolle bereit, sodass jeder Nutzer nur die Daten sieht, für die er berechtigt ist.
Wie Databricks nach eigenen Angaben Vertrauen in das System aufgebaut hat
Databricks nennt vier Maßnahmen, die dazu beigetragen hätten, Marge präziser und zuverlässiger zu machen:
- Dokumentation von Daten- und Tabellenbeziehungen in Unity Catalog, einschließlich unternehmensspezifischer Definitionen, etwa was als marketingqualifizierter Lead zählt.
- Hinterlegung verifizierter Antworten und beispielhafter Frage-Abfrage-Paare, die von Fachexperten geprüft wurden, für besonders wichtige oder komplexe Fragen.
- Vermittlung von Fachterminologie an Marge sowie die Anweisung, bei fehlenden Angaben wie Zeitraum oder Region gezielt nachzufragen.
- Kontinuierliche Feedback- und Evaluierungsschleifen, einschließlich Nutzerbewertungen und Benchmark-Fragen, die mit bekannten Antworten abgeglichen werden.
Das Unternehmen gibt an, dass ein BI-Manager rund eine Stunde pro Woche damit verbringt, Feedback auszuwerten und Marge zu pflegen – eine Investition, der der Rückgang der als fehlerhaft markierten Antworten um 25 % zugeschrieben wird.
Vorgehen bei der Einführung
Databricks erklärt, die Akzeptanz gefördert zu haben, indem direkt mit Marketingmitarbeitern zusammengearbeitet wurde, um deren häufigste Fragen und die dabei verwendete Sprache zu ermitteln, und mit einem einzigen, eng gefassten Anwendungsfall – der Performance von E-Mail-Kampagnen – begonnen wurde, bevor der Umfang erweitert wurde. Dieses Vorgehen habe es ermöglicht, die Genauigkeit zu validieren und Vertrauen bei den Nutzern aufzubauen, bevor die Abdeckung des Assistenten ausgeweitet wurde.
Quelle: Databricks-Blog, „How Databricks' marketers use data 3x more with Genie, an AI analytics assistant", veröffentlicht am 15. September 2026.
Häufige Fragen
- Was ist Marge?
- {"duration_api_ms":2802,"stop_reason":"end_turn","session_id":"98a6e962-6c06-482d-986d-4984438f824c","total_cost_usd":0.0074984000000000006,"usage":{"input_tokens":2,"cache_creation_input_tokens":920,"cache_read_input_tokens":8132,"output_tokens":101,"output_tokens_details":{"thinking_tokens":0},"server_tool_use":{"web_search_requests":0,"web_fetch_requests":0},"service_tier":"standard","cache_creation":{"ephemeral_1h_input_tokens":920,"ephemeral_5m_input_tokens":0},"inference_geo":"not_available","iterations":[{"input_tokens":2,"output_tokens":101,"cache_read_input_tokens":8132,"cache_creation_input_tokens":920,"cache_creation":{"ephemeral_5m_input_tokens":0,"ephemeral_1h_input_tokens":920},"type":"message"}],"speed":"standard"},"modelUsage":{"claude-haiku-4-5-20251001":{"inputTokens":1093,"outputTokens":17,"cacheReadInputTokens":0,"cacheCreationInputTokens":0,"webSearchRequests":0,"costUSD":0.001178,"contextWindow":200000,"maxOutputTokens":32000,"thinkingTokens":0,"canonicalModel":"claude-haiku-4-5","provider":"firstParty","costBasis":"list"},"claude-sonnet-5":{"inputTokens":2,"outputTokens":101,"cacheReadInputTokens":8132,"cacheCreationInputTokens":920,"webSearchRequests":0,"costUSD":0.0063204,"contextWindow":1000000,"maxOutputTokens":64000,"thinkingTokens":0,"canonicalModel":"claude-sonnet-5","provider":"firstParty","costBasis":"list"}},"permission_denials":[],"terminal_reason":"completed","fast_mode_state":"off","fast_mode_disabled_reason":"sdk_opt_in_required","subagent_stats":{"spawned":0,"requested":{"background":0,"foreground":0,"unset":0},"started_in_background":0,"max_depth":0,"spawned_by_subagents":0,"completed":0,"failed":0,"killed":{"parent":0,"user":0,"system":0},"refused":{"depth_limit":0,"concurrency_limit":0,"budget":0},"by_type":{}},"is_error":false,"num_turns":1,"subtype":"success","api_error_status":null,"result":"Databricks beschreibt Marge als einen internen KI-Analyse-Assistenten auf Basis seiner Genie-Agents-Technologie, den das eigene Marketingteam nutzt, um Fragen in natürlicher Sprache zu verwalteten Daten zu beantworten.","ttft_ms":2486,"type":"result","duration_ms":2561,"uuid":"ae99b3a8-484e-471a-8e41-3e7b03bbb236","ttft_stream_ms":1399,"time_to_request_ms":688,"queued_turn_count":0} Client.listTools() called but server does not advertise tools capability - returning empty list
- What results has Databricks reported from using Marge?
- Das Unternehmen erklärt, dass Marketingfachleute Daten inzwischen dreimal häufiger für Entscheidungen nutzen, mehr als 85 % seiner Marketingorganisation Marge einsetzt und die Zahl der als fehlerhaft markierten Antworten um 25 % gesunken ist.
- How does Marge access marketing data?
- Databricks zufolge stützt sich Marge auf ein governance-konformes „Marketing Lakehouse“ und nutzt dessen Produkt Unity Catalog für Metadaten, Datenherkunft und rollenbasierte Zugriffskontrolle.
- How did Databricks roll out Marge to its marketing team?
- Das Unternehmen erklärt, man habe mit einem einzigen Anwendungsfall begonnen, der Analyse von E-Mail-Kampagnen, bevor der Umfang auf Basis von Nutzerfeedback und Akzeptanz erweitert wurde.