Databricks、社内AIアシスタント導入でマーケターのデータ活用が3倍に
Databricksによると、Genie Agentsを基盤に構築されたAI分析アシスタント「Marge」の導入により、マーケティングデータの活用が3倍に増加し、社内での採用率は85%を超えたという。
ひとことで言うと
Databricksは、社内向けマーケティング分析アシスタント「Marge」について何を発表したのか。
Databricksによると、同社のマーケティングチームは、ガバナンスの効いたマーケティング・レイクハウス上に、Genie Agentsベースの対話型分析アシスタント「Marge」を構築した。同社の報告では、マーケターが意思決定にデータを活用する頻度は3倍に増加し、導入率はマーケティング組織の85%を超え、誤った回答としてフラグが立てられた件数は25%減少したという。
要点
- Databricksによると、マーケティング、財務、営業、製品の各データを統合したガバナンス管理下のマーケティング・レイクハウス上に、Genie Agentsを活用した対話型分析アシスタント「Marge」を構築したという。
- 同社の報告によると、マーケターがデータを意思決定に活用する頻度は従来の3倍に達し、マーケティング部門全体の85%以上が導入済みで、利用率は四半期ごとに50%のペースで拡大しているという。
- Databricksによると、Margeは月に800件を超える質問に対応しており、これまでに合計5,000件以上に回答してきた。また、システムの改善に伴い、誤答へのフラグ件数は25%減少したという。
- According to Databricks, the assistant relies on Unity Catalog for governance, lineage and role-based access control, and on verified metric definitions, example queries and trusted assets reviewed by domain experts for accuracy.
- Databricksによると、今回の導入はまずメールキャンペームの効果測定という単一の用途から始まり、その後対象を広げていったという。また、あるBIマネージャーはこのシステムの維持管理に週に約1時間を費やしているという。
Databricksによると、同社のマーケティング部門は社内向けAI分析アシスタント「Marge」を構築し、マーケターがデータに基づいて意思決定を行う頻度が3倍に高まったという。
同社の説明では、MargeはGenie Agentsを用いて構築された対話型分析ツールであり、キャンペーンプラットフォーム、ウェブ解析、CRMシステム、イベントツール、広告チャネル、販売データを統合したガバナンス管理下の「マーケティング・レイクハウス」に基づいている。Databricksによれば、マーケターは平易な英語で、あるメールキャンペーンの成果や、特定四半期のパイプラインに影響を与えたプログラムなどを尋ねることができ、ガバナンスの効いた企業データから生成された回答を得られるという。
報告された成果
Databricksは、Margeを社内展開したことで以下の成果が得られたと報告している。
- マーケターがデータを意思決定に活用する頻度が3倍に増加
- マーケティング部門の85%以上がMargeを利用
- 利用状況は四半期ごとに50%成長
- Margeは月あたり800件以上の質問に対応し、累計では5,000件以上に回答
- システムの改善に伴い、誤った回答の報告件数は25%減少
- アナリティクス担当の人員を増やすことなく、インサイトへのアクセスを拡大
精度と信頼性をどう構築したか
Databricksによると、Unity Catalogを用いてメタデータ、テーブルの説明、列の注釈、リネージ、アクセス制御を一元管理し、各ユーザーが権限を持つデータのみを閲覧できるようにしたという。同社によれば、マーケティング部門の関係者とデータ専門家がAIによって生成された説明をレビューし、マーケティング適格リード(MQL)の正確な定義や、キャンペーンと製品・地域の対応関係といったビジネス上の文脈を加えて充実させたとしている。
さらに同社は、コンバージョン率、顧客生涯価値、イベント登録といった分野をカバーする、頻度が高く価値の高い質問について、検証済みの回答とサンプルクエリをドメインの専門家によるレビューを経て組み込んだという。Databricksによれば、Margeにはビジネス用語の解釈に関する行動指針も与えられており、例えば「spend」と「investment」が同じ「cost」というフィールドを指すことを認識させ、期間やチャネル、地域といった情報が欠けているリクエストに対しては確認の質問をするよう指示しているという。
Databricksによると、すべての回答に対してユーザーが肯定的・否定的なフィードバックを送信できる仕組みがあり、マーケティング分析チームが監視ダッシュボードを通じてこれをレビューするとともに、既知の回答と照らし合わせたベンチマーク問題を実施して性能を体系的に評価しているという。同社によれば、この管理体制は軽量で、BIマネージャー1名が週に約1時間をフィードバックの確認とMargeの保守に充てているとのことだ。
導入をどう推進したか
Databricksは、マーケターが最も頻繁に尋ねる質問や、自分たちの業務を説明する際に使う言葉を理解するために直接協力し、その内容をMargeに組み込むデータ、サンプル、指示の設計に反映させたという。同社によれば、まずメールキャンペーンの成果という単一の狭い用途から着手し、それらの質問に答えるために必要なキャンペーン、受信者、エンゲージメントのデータのみを用いた上で、その後アカウント情報などのデータを追加して対象を広げていったとしている。
マーケターはGenie Oneを通じてMargeにアクセスする。DatabricksはGenie Oneを、ダッシュボード、Genie Agents、アプリ、より深い分析を組み合わせ、リクエストを適切なエージェントへ自動的に振り分ける、ビジネスユーザー向けのAI協働体験だと説明している。同社はまた、ウェブパフォーマンス、デジタル分析、マーケティング企画といった領域向けに特化したエージェントも作成しており、より複雑な質問に対しては複数のステップを評価できる「エージェントモード」も備えているという。
出典:Databricksブログ「How Databricks' marketers use data 3x more with Genie, an AI analytics assistant」、2026年9月15日公開。
よくある質問
- Margeとは何か。
- Databricksによると、Margeはマーケティングチーム向けの社内会話型分析アシスタントで、Genie Agentsを用いて構築され、同社のMarketing Lakehouseに基づいている。
- DatabricksはMargeの利用によってどのような成果を報告しているか。
- {"duration_api_ms":2898,"stop_reason":"end_turn","session_id":"bf451a55-e992-4b39-bf2d-cfe51151a47c","total_cost_usd":0.0073214000000000005,"usage":{"input_tokens":2,"cache_creation_input_tokens":932,"cache_read_input_tokens":8132,"output_tokens":81,"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":932,"ephemeral_5m_input_tokens":0},"inference_geo":"not_available","iterations":[{"input_tokens":2,"output_tokens":81,"cache_read_input_tokens":8132,"cache_creation_input_tokens":932,"cache_creation":{"ephemeral_5m_input_tokens":0,"ephemeral_1h_input_tokens":932},"type":"message"}],"speed":"standard"},"modelUsage":{"claude-haiku-4-5-20251001":{"inputTokens":1093,"outputTokens":12,"cacheReadInputTokens":0,"cacheCreationInputTokens":0,"webSearchRequests":0,"costUSD":0.001153,"contextWindow":200000,"maxOutputTokens":32000,"thinkingTokens":0,"canonicalModel":"claude-haiku-4-5","provider":"firstParty","costBasis":"list"},"claude-sonnet-5":{"inputTokens":2,"outputTokens":81,"cacheReadInputTokens":8132,"cacheCreationInputTokens":932,"webSearchRequests":0,"costUSD":0.0061684,"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によると、マーケティング担当者がデータを意思決定に活用する頻度は3倍に増え、マーケティング組織の85%以上がMargeを利用しており、誤った回答の指摘件数は25%減少したという。","ttft_ms":3865,"type":"result","duration_ms":3903,"uuid":"23b12fb0-037c-44b7-bef9-779c030b776b","ttft_stream_ms":2685,"time_to_request_ms":1899,"queued_turn_count":0} Client.listTools() called but server does not advertise tools capability - returning empty list
- DatabricksはMargeの回答の精度をどのように維持していると説明しているか。
- Databricksによると、チームはUnity Catalogにデータ間の関係性を文書化し、ドメイン専門家によるレビューを経た検証済みの回答やクエリの例を追加し、業務用語を定義した上で、継続的なフィードバックとベンチマーク評価を実施した。
- DatabricksはMargeをどのようにマーケターに展開したのか。
- Databricksによれば、まずはメールキャンペーンの成果分析という単一のユースケースから着手し、マーケターを巻き込みながらアシスタントが扱うデータや言語の設計を進め、その後、対象となるデータ領域を拡大していったという。