데이터브릭스, 사내 AI 어시스턴트로 마케터의 데이터 활용도 3배 증가
데이터브릭스에 따르면 마케팅팀이 지니 에이전트(Genie Agents) 기반 분석 어시스턴트 '마지(Marge)'를 구축한 결과, 데이터 활용도가 3배 증가하고 채택률이 85%를 넘어섰다.
한 줄 답
데이터브릭스는 마케팅용 AI 분석 어시스턴트 '마지(Marge)'에 대해 무엇을 발표했나?
데이터브릭스는 지니 에이전트(Genie Agents)를 기반으로 하고 거버넌스가 적용된 마케팅 레이크하우스(Marketing Lakehouse)에 뿌리를 둔 AI 분석 어시스턴트 마지(Marge)를 구축해, 마케터들이 자연어로 질문할 수 있게 했다고 밝혔다. 이 회사에 따르면 마케터들이 의사결정에 데이터를 활용하는 빈도가 3배 늘었으며, 도입률은 마케팅 조직의 85%를 넘어섰다.
핵심 요약
- 데이터브릭스에 따르면, 캠페인·웹·CRM·영업 데이터를 하나로 통합한 거버넌스 기반 마케팅 레이크하우스 위에 지니 에이전트(Genie Agents)를 마케팅 특화 버전으로 구현한 마지(Marge)를 구축했다고 밝혔다.
- 데이터브릭스에 따르면 마케터들이 의사결정에 데이터를 활용하는 빈도가 이전보다 3배 늘었으며, 마케팅 조직 내 도입률은 85%를 넘어섰고 사용량도 분기마다 50%씩 증가하고 있다.
- According to Databricks, Marge handles more than 800 questions per month and has answered over 5,000 total, while flagged incorrect responses have dropped 25% as the system improved.
- 데이터브릭스는 중앙 집중식 메타데이터, 계보(lineage), 역할 기반 접근 제어를 위해 유니티 카탈로그(Unity Catalog)를 사용했으며, 여기에 검증된 답변과 예시 쿼리, 비즈니스 언어 가이드를 결합해 마지(Marge)의 정확도를 높였다고 밝혔다.
- 데이터브릭스에 따르면 이번 도입은 이메일 캠페인 성과 분석이라는 단일 사용 사례에서 시작해 이후 적용 범위를 넓혀갔으며, 현재 마지(Marge)를 유지 관리하는 데 드는 시간은 BI 매니저 한 명이 주당 약 1시간에 불과하다고 한다.
데이터브릭스는 자사 마케팅 조직이 '마지(Marge)'라는 사내 AI 분석 어시스턴트를 구축해 마케터들이 데이터를 활용해 의사결정을 내리는 빈도를 세 배로 끌어올렸다고 회사 블로그를 통해 밝혔다.
이 어시스턴트는 데이터브릭스의 대화형 분석 기술인 지니 에이전트(Genie Agents)를 마케팅 부문에 특화해 구현한 것으로, 회사가 '거버넌스 기반 마케팅 레이크하우스(governed Marketing Lakehouse)'라고 부르는 체계에 기반을 두고 있다. 이 레이크하우스는 캠페인 플랫폼, 웹 분석, CRM 시스템, 이벤트 도구, 광고 채널, 영업 데이터를 통합한 것으로, 데이터브릭스에 따르면 이전에는 이러한 데이터가 서로 다른 시스템에 흩어져 있었고 정의도 제각각이었다고 한다.
데이터브릭스가 밝힌 성과
회사에 따르면 마지 도입 이후 다음과 같은 변화가 나타났다.
- 마케터들이 의사결정에 데이터를 활용하는 빈도가 세 배로 증가했다.
- 마케팅 조직 구성원의 85% 이상이 마지를 사용하고 있다.
- 사용량은 분기마다 50%씩 성장했다.
- 마지는 월평균 800건 이상의 질문을 처리하며, 누적 응답 건수는 5,000건을 넘어섰다.
- 시스템이 개선되면서 오답으로 신고된 응답 비율이 25% 감소했다.
- 데이터브릭스는 분석 인력을 추가로 늘리지 않고도 인사이트에 대한 접근성을 확대했다고 밝혔다.
데이터브릭스에 따르면 마케터들은 이메일 캠페인 성과나 특정 분기에 파이프라인에 영향을 준 프로그램이 무엇인지 등을 자연어로 질문하는 방식으로 마지와 상호작용한다. 회사에 따르면 어시스턴트는 이러한 질문을 분석 쿼리로 변환하고, 거버넌스가 적용된 데이터를 바탕으로 답변을 도출한다. 데이터브릭스는 마케터들이 비즈니스 사용자를 위한 AI 협업 환경으로 설명되는 '지니 원(Genie One)'을 통해 마지에 접근하며, 이 환경에는 대시보드와 앱도 포함돼 있다고 밝혔다. 또한 지니 원이 요청을 웹 성과, 디지털 분석, 마케팅 기획 등 특정 영역에 특화된 전문 에이전트로 라우팅한다고 설명했다.
정확성과 신뢰성을 확보한 방법
회사는 마지의 정확성과 신뢰성을 높이기 위해 사용한 네 가지 방법을 소개했다. 첫째, 데이터브릭스는 유니티 카탈로그(Unity Catalog)를 활용해 메타데이터, 테이블 설명, 데이터 계보, 접근 통제를 중앙화했으며, 마케팅 담당자들이 AI가 생성한 설명을 검토하고 비즈니스 맥락을 더해 보강했다고 밝혔다. 둘째, 전환율이나 고객 생애 가치처럼 자주 묻는 핵심 질문에 대해서는 검증된 답변과 예시 쿼리를 도메인 전문가의 검토를 거쳐 미리 입력해 두었다고 설명했다. 셋째, 데이터브릭스는 마지에 회사 고유의 용어를 해석하는 행동 지침을 부여했다고 밝혔다. 예를 들어 '지출(spend)'과 '투자(investment)'를 '비용(cost)'이라는 필드와 동일하게 취급하도록 했으며, 기간이나 지역 등 요청에 필요한 정보가 빠져 있을 경우 어시스턴트가 추가 질문을 하도록 지시했다고 한다. 넷째, 회사는 사용자가 응답에 등급을 매기고 BI 매니저가 이를 검토하는 지속적인 피드백·평가 체계를 구축했으며, 이를 통해 오답 신고율을 25% 낮추는 데 도움이 됐다고 밝혔다. 데이터브릭스에 따르면 이러한 유지 관리에는 현재 주당 약 한 시간이 소요된다.
도입 방식
데이터브릭스는 먼저 마케터들과 직접 협업해 그들이 가장 자주 묻는 질문과 사용하는 언어를 파악한 뒤, 이메일 캠페인 성과라는 단일하고 명확한 활용 사례부터 시작했다고 밝혔다. 이 과정에서는 해당 질문에 답하는 데 필요한 캠페인, 수신자, 참여도 데이터만을 활용했다고 한다. 회사는 이처럼 초기 범위를 좁게 설정한 것이 정확성을 검증하고 성과를 입증한 뒤 다른 데이터와 활용 사례로 확장하는 데 도움이 됐다고 설명했다.
출처: 데이터브릭스 블로그, "How Databricks' marketers use data 3x more with Genie, an AI analytics assistant", 2026년 9월 15일 게재.
자주 묻는 질문
- 마지(Marge)란 무엇인가?
- {"duration_api_ms":2988,"stop_reason":"end_turn","session_id":"cd113e92-1985-43ba-a78d-0b59c96c89a6","total_cost_usd":0.0080484,"usage":{"input_tokens":2,"cache_creation_input_tokens":945,"cache_read_input_tokens":8132,"output_tokens":147,"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":945,"ephemeral_5m_input_tokens":0},"inference_geo":"not_available","iterations":[{"input_tokens":2,"output_tokens":147,"cache_read_input_tokens":8132,"cache_creation_input_tokens":945,"cache_creation":{"ephemeral_5m_input_tokens":0,"ephemeral_1h_input_tokens":945},"type":"message"}],"speed":"standard"},"modelUsage":{"claude-haiku-4-5-20251001":{"inputTokens":1103,"outputTokens":13,"cacheReadInputTokens":0,"cacheCreationInputTokens":0,"webSearchRequests":0,"costUSD":0.001168,"contextWindow":200000,"maxOutputTokens":32000,"thinkingTokens":0,"canonicalModel":"claude-haiku-4-5","provider":"firstParty","costBasis":"list"},"claude-sonnet-5":{"inputTokens":2,"outputTokens":147,"cacheReadInputTokens":8132,"cacheCreationInputTokens":945,"webSearchRequests":0,"costUSD":0.0068804,"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":"데이터브릭스에 따르면, 마지(Marge)는 지니 에이전트(Genie Agents)로 구축된 대화형 분석 어시스턴트로, 회사의 거버넌스가 적용된 마케팅 레이크하우스(Marketing Lakehouse)를 기반으로 마케터가 일상 언어로 질문하고 검증된 답변을 얻을 수 있도록 지원한다.","ttft_ms":2966,"type":"result","duration_ms":3024,"uuid":"6941ab64-5ceb-4b4a-9b65-adadd4116792","ttft_stream_ms":1626,"time_to_request_ms":839,"queued_turn_count":0} Client.listTools() called but server does not advertise tools capability - returning empty list
- 데이터브릭스는 마지 사용으로 어떤 성과를 보고했나?
- 데이터브릭스에 따르면 마케터들이 의사결정에 데이터를 활용하는 빈도가 세 배로 늘었으며, 전체 마케팅 조직의 85% 이상이 이를 도입했고 사용량은 분기마다 50%씩 증가하고 있다.
- 데이터브릭스는 마지의 답변 정확성을 어떻게 유지했다고 밝혔나?
- 데이터브릭스에 따르면 유니티 카탈로그에 데이터 관계를 문서화하고, 검증된 답변과 예시 쿼리를 입력했으며, 마지(Marge)에게 업계 특화 용어를 학습시키고, 지속적인 피드백 및 평가 루프를 구축했다고 밝혔다.
- 데이터브릭스는 마지를 마케터들에게 어떻게 도입했나?
- 데이터브릭스는 실제 사용자들의 질문에서 출발해, 이메일 캠페인 성과라는 하나의 구체적인 사용 사례에 집중한 뒤 점차 범위를 넓혀갔다고 설명한다.