Das Erfolgsrezept hinter dem Wachstum der Marketing-Analytik von Databricks

Die Situation

Das ist Chris Klaczynski: ein Manager für Marketing-Analysen und Fivetran Power-User bei Databricks. Als erstes Vollzeitmitglied des Marketing-Analytics-Teams von Databricks brachte Chris bei seinem Eintritt im Jahr 2019 einen reichen Erfahrungsschatz von den Kindle- und Alexa-Kundenverhaltensteams von Amazon mit.

Chris' Rolle war klar: Marketing-Experten bei Databricks dabei zu unterstützen, ihre schwierigsten Probleme zu lösen. Databricks – ein Unternehmen, das sich wiederum darauf spezialisiert hat, Datenteams bei der Lösung der größten Herausforderungen der Welt zu unterstützen – wurde 2013 von den ursprünglichen Entwicklern von Apache Spark, Delta Lake und MLflow gegründet. Basierend auf einer modernen Lakehouse-Architektur in der Cloud, kombiniert Databricks das Beste aus Data Warehouses und Data Lakes, um eine offene und einheitliche Plattform für Daten und KI anzubieten.

Das Problem  

Chris' erste Aufgabe bei Databricks war die Unterstützung der primären Marketingziele: die Generierung von Pipelines voranzutreiben, die Datenbank zu erweitern und den ROI zu verbessern. Doch als Databricks schnell expandierte, wurde der Bedarf an zentralisierten und dokumentierten Daten immer offensichtlicher. Im gesamten Unternehmen entstanden Datensilos, auch in Chris' Marketingteam, wo Daten in einem eigenen Data Warehouse gespeichert wurden.

Es war entscheidend, dass Chris' neu erstellte Dashboards mit vertrauenswürdigen, zeitnahen Daten versorgt wurden, damit die Marketingabläufe reibungslos weiterlaufen konnten – doch ohne dedizierte Engineering-Ressourcen und angesichts eines schnell wachsenden Marketingteams wurde die Skalierung mit der Nachfrage nahezu unmöglich.

„97 % meiner Arbeit bestand darin, den Laden am Laufen zu halten. Aus der Datenhölle herauszukommen, war für mich eine enorme Verbesserung der Lebensqualität.“

Als Chris zu Databricks kam, wurden Daten über Notebooks, Alteryx und ältere Pipelines von zentralen Teams mühsam zusammengetragen. Das war kein skalierbarer Ansatz, und Chris erhielt Unmengen von E-Mails von Marketingleitern, die ihren Daten und Berichten nicht trauten. Databricks stand mit seinem traditionellen Data Warehouse vor einer Reihe von Herausforderungen:

• Probleme insbesondere mit ihren Salesforce- und Marketo-Pipelines – sie konnten Daten nicht nativ in das Delta-Format bringen und mussten Parquet als Workaround verwenden.
• Probleme beim nativen Anhängen von Daten an bestehende Tabellen erforderten die Verwendung von temporären Tabellen und komplexeren ETL-Prozessen.  
• Schemaänderungen führten immer wieder zum Ausfall von Pipelines, was zu Ausfällen und veralteten, unzuverlässigen Daten führte.

Deshalb konnten Stakeholder nicht erkennen, ob eine vielversprechende Erkenntnis real war oder lediglich ein Datenqualitätsproblem. Chris' Team verlor jedes Mal das Vertrauen der Stakeholder, wenn ihre Daten nicht mit den Quellsystemen übereinstimmten. Dies behinderte die Planung, Budgetzuweisung und andere Entscheidungsprozesse.

Die Lösung

Chris suchte nach einer Low-Code-, schlüsselfertigen Lösung, die seinem Team die benötigten zuverlässigen Pipelines liefern würde. Eine dreigliedrige Strategie leitete seine Suche:  

• Raus aus dem „Dschungel“ des Data Engineering und rein in Erkenntnisse und prädiktive Analysen.
• Analysten und digitale Fachexperten einstellen, nicht Data Engineers und DevOps.
• Mit unseren Datenpipelines autark sein und Delta und AutoML nutzen.

„Wir wollten nicht im Data-Engineering-Geschäft tätig sein – wir wollten uns darauf konzentrieren, Erkenntnisse zu liefern und Analysen durchzuführen, die Geschäftsergebnisse erzielen.“

Fivetran stach sofort als Lösung für Chris' Datenpipeline-Anforderungen hervor. Beim Testen des Produkts war die Einrichtung schnell und einfach. „Wir folgten den kurzen Anweisungen, richteten einen Cluster ein, setzten die IPs auf die Whitelist und innerhalb weniger Tage waren wir startklar.“

Chris' Team nutzt Fivetran nun, um Daten aus all ihren zentralen Marketing-Quellsystemen zu beziehen: Marketo, Salesforce, Facebook Ads und Google Analytics. „Einfach ausgedrückt: Es funktioniert einfach.“ Sobald die Daten in ihrem Lakehouse sind, verbindet Chris' Team sie mit anderen Quellen aus den Produkt- und zentralen Teams und transformiert sie auf sinnvolle Weise, um Data Science und maschinelles Lernen zu betreiben und wichtige Tableau-Dashboards für die Analyse zu erstellen.

Das Ergebnis

Chris unterstützt nun ein schnell wachsendes Datenteam aus Analysten und Führungskräften, die wiederum über 90 Marketingexperten entscheidende Einblicke liefern. Insgesamt spart Fivetran Databricks über 40 Stunden Ingenieurszeit pro Monat – das entspricht der Arbeitszeit eines Teilzeit-Data-Engineers.

„Anstatt traditionelle Ingenieurskapazitäten aufzubauen, ermöglicht uns Fivetran, uns auf den Geschäftswert zu konzentrieren und Analysten, Dashboard-Ersteller sowie Experten für Webanalyse und bezahlte Medien einzustellen. Unsere Infrastruktur ist heute viel breiter und fortschrittlicher als noch vor ein oder zwei Jahren.“

Durch den Einsatz von Fivetran für die Datenaufnahme hat Chris Zeit gewonnen, um eine vollständige Suite von Tableau-Dashboards zu erstellen, die die häufigsten Fragen seines Marketingteams beantworten. Dadurch spart sein Team Zeit und kann sich auf die Wertschöpfung durch drei Data-Science- und Machine-Learning-Projekte konzentrieren:

• Genaue Prognosen auf Kampagnenebene, damit Manager verstehen, wie sie vorankommen und ob ihre Leistung im Plan liegt.
• Ein kausales Wirkungsmodell, das den Einfluss eines spezifischen Kundenereignisses auf deren Konsumverhalten bestimmt.
• Ein Propensitätsmodell, das die Teilnahme an Veranstaltungen basierend auf früherem Verhalten vorhersagt, wodurch Teams ihr E-Mail-Marketing gezielter gestalten können.

Die nachgelagerten Auswirkungen von Chris' Entscheidungen sind intern bei Databricks bereits spürbar. Kundenservice und Customer Success haben gesehen, wie einfach der Prozess war, und fordern weitere Anwendungsfälle und Konnektoren an.

„Durch den Einsatz von Fivetran können wir neue Datenquellen einbinden, die unsere neuen Mitarbeiter nutzen werden – Bereiche, die wir noch nicht eingehend untersucht haben. Sie können sofort loslegen und Dashboards erstellen. Sie müssen keine Pipelines bauen, sich mit Notebooks vertraut machen oder Code schreiben. Sie haben sofortigen Zugriff auf Daten, sodass sie sich auf Erkenntnisse und den Aufbau von Beziehungen zu ihren Stakeholdern konzentrieren können.“

Der Zugang zu zuverlässigen Daten war entscheidend für Marketing-Account-Manager, die nun stärker für ihre Prognosen verantwortlich sind. Eine erhöhte Transparenz durch ausgeklügelte Dashboards hat es den Teams erleichtert, die Kampagnenleistung zu verfolgen und schnell darauf zu reagieren.

Daten in einen Delta Lake aufnehmen? Besuchen Sie das Databricks Partnerportal , um mehr über die Leistungsfähigkeit von Databricks und Fivetran zu erfahren.

Besuchen Sie Fivetrans Marketing-Analysen -Seite, um zu sehen, wie Sie Ihre Marketingdaten schnell, zuverlässig und in Echtzeit zentralisieren können.

Laden Sie dieses IDC-Bericht um zu erfahren, wie Fivetran einen finanziellen Mehrwert in Millionenhöhe schafft und neue Geschäftsinitiativen für Unternehmen ermöglicht.