ARTICLE · 1216029
Databricks Genie 作为 AI 助手,用于电子商务中的对话分析,以进行全渠道客户流失预测
增长营销人员通常需要等待数天才能获得定制化的用户群组数据。而AI Coworker只需几分钟就能提供流失用户细分数据及其背后的逻辑。
概括
电商增长营销人员面临着一个悖论：他们掌握着海量的行为数据——点击流事件、购物车放弃信号、复购模式、折扣兑换记录——然而，即使是像“哪些高客户生命周期价值 (CLV) 客户本周出现了早期流失信号？”这样简单的问题，仍然需要向数据工程团队提交工单，并等待三天才能得到结果。传统的商业智能 (BI) 仪表板只能显示昨天发生的事情，无法帮助营销人员根据当下的情况采取行动。本文将介绍Databricks 的人工智能助手Genie One如何让增长营销人员能够使用自然语言查询受监管的客户遥测数据，并通过Unity Catalog语义层将批量电商数据与流式点击流事件相结合。最终，营销人员只需 15 分钟的对话，就能获得流失客户列表、底层逻辑以及推荐的促销措施，而无需像以前那样等待三天才能获得流失客户群体信息。
为什么增长营销人员无法回答他们自己提出的客户流失问题？
一家中端市场在线时尚零售商每天通过网站、移动应用和店内自助终端产生约 240 万次点击流事件。客户人口统计信息存储在客户关系管理系统 (CRM) 中。订单历史记录存储在订单管理系统 (OMS) 中。点击流事件通过 Kafka 进行传输。折扣和优惠券兑换记录在促销引擎中。电子邮件互动数据来自电子邮件服务提供商 (ESP)。会员积分则存储在另一个系统中。
当一位负责增长营销的负责人准备开展限时促销活动并需要了解客户流失风险时，他需要回答的问题既紧迫又具有普遍性：
- “客户生命周期价值超过 500 美元的客户中，哪些 45 天内没有购买过商品，但本周浏览了三次或三次以上——他们浏览了哪些类别？”
- “请按获客渠道细分购物车放弃频率与 90 天流失率之间的相关性。”
- “上个季度哪个折扣档次的复购率最高？这些顾客现在还活跃吗？”
这些问题都涉及多个原本设计为相互通信的源系统。如今，要回答其中任何一个问题，都意味着要向分析团队提交请求，等待他们编写跨越四个不同表的自定义 SQL 语句，将输出结果与促销日历进行核对，并祈祷答案能在促销窗口关闭前送达。
为什么现有方法存在不足？
- 预置的BI仪表盘——营销仪表盘适用于标准KPI（日收入、转化率、平均订单价值），但它们无法处理那些驱动实际促销决策的不可预测的跨系统问题。每个新的用户群组定义都需要一个新的仪表盘组件，而等到组件构建完成，限时抢购活动可能已经结束了。
- 自助式 SQL 工具——让营销人员直接访问数据库听起来很有吸引力，直到你意识到电子商务数据模型是深度规范化的，点击流事件是嵌套的 JSON，订单表和点击流表之间的一个错误连接会导致笛卡尔爆炸，看起来你的客户流失率刚刚达到了 400%。
- 通用人工智能助手——比如 ChatGPT 和 Claude——可以编写 SQL，但它们并不知道贵公司所说的“客户生命周期价值 (CLV)”指的是过去 12 个月滚动窗口内的净收入减去退货额，而不是订单总额。它们也不知道贵公司将“客户流失”定义为：时尚类产品 90 天内未购买，电子产品 180 天内未购买。而且，它们无权访问贵公司受监管的数据。
电商增长团队需要的是一位能够理解店铺数据模型、尊重数据治理原则，并能让营销人员用通俗易懂的语言提出迭代式后续问题的AI分析师。而这正是Databricks Genie所提供的。
Databricks 如何将电子商务数据与营销决策联系起来？
Genie One是一款数据智能型 AI 助手，它通过Genie Ontology和Unity Catalog连接到您组织受监管的数据。它允许增长营销负责人用自然语言提问，并获得准确、经过权限筛选的答案——无需编写代码或向分析团队提交工单。
该架构遵循受控的Lakehouse模式，专为全渠道电子商务数据而设计：
数据源：订单管理系统 (OMS)（Shopify、Magento 或自定义系统）生成订单事件、退货和发货数据。点击流事件通过 Kafka 从 Web 和移动 SDK 流式传输。客户关系管理系统 (CRM)（Salesforce）和电子邮件服务提供商 (ESP)（Klaviyo、Braze）存储客户资料和电子邮件互动数据。促销引擎记录每个折扣码、优惠券兑换和积分交易。
数据采集：Lakeflow Connect处理来自订单管理系统 (OMS)、客户关系管理系统 (CRM) 和促销引擎的变更数据 (CDC)，捕获每一次订单状态变更和客户资料更新。Zerobus Ingest近乎实时地传输点击流事件，因此黄金层能够在几分钟内而非几小时内反映浏览行为。
数据智能平台：铜级版本包含原始订单事件、点击事件、邮件打开和优惠券兑换数据。银级版本进行数据清洗和丰富：点击流事件被细分为浏览路径，订单数据被添加产品元数据和退货标记，并使用Spark 声明式管道跨网页、应用和线下门店触点解析客户身份。金级版本包含可直接用于业务的表格——基于 12 个月滚动窗口计算的客户生命周期价值 (CLV) 评分、每日更新的客户流失风险细分以及支持所有下游营销决策的 RFM（最近一次购买时间、购买频率、购买金额）用户群组。
治理：Unity Catalog 对所有层级进行管理。营销团队可以看到汇总的用户群数据；对于不需要这些信息的分析师，电子邮件和电话号码等个人身份信息 (PII) 字段会被屏蔽。Genie本体和指标视图确保“客户生命周期价值 (CLV)”、“流失率”和“复购率”在每次查询、每次仪表板和每次 Genie 对话中都代表相同的含义。
服务：Genie One 提供自然语言界面，用于处理临时营销问题。营销团队精心挑选的Genie Agent专注于特定领域——一个用于客户分析，另一个用于营销活动效果分析。AI /BI 控制面板提供全天候的营销指挥中心，用于监控日常 KPI。
消费者：增长营销人员通过对话式查询发现流失客户群体和促销机会。品类经理监控产品层面的表现。客户体验和留存负责人追踪购买后的满意度和忠诚度计划的运行状况。
真实的客户流失预测对话是什么样的？
让我们具体化这个问题。一位负责周末限时抢购的增长营销主管需要回答以下问题：“哪些高价值客户出现了早期流失信号，什么样的促销活动才能重新吸引他们？”
增长营销主管打开 Genie One，用通俗易懂的营销语言输入问题。在后台，Genie 会查询本体，以了解“CLV 超过 500 美元”在该组织的上下文中意味着什么——它不是根据列名猜测，而是使用分析团队在指标视图中认证的规范定义SUM(net_order_value) WHERE order_status = 'completed' AND order_date >= DATEADD(month, -12, CURRENT_DATE)。
该查询针对 Unity Catalog 运行，将黄金层客户生命周期价值 (CLV) 得分与会话化点击流数据和订单表进行关联。几秒钟内，结果便显现：847 位客户符合条件，主要集中在“女装”和“配饰”类别。
但营销人员并未就此止步。他们会追问：“上个季度哪种折扣档位能重新吸引类似的客户？” Genie 将历史营销活动效果数据与流失客户群体定义相结合，结果显示，针对浏览过的类别提供 20% 的折扣，其重新激活率是统一 10% 折扣的 2.8 倍。
整个过程仅需十二分钟。无需提交工单，无需编写 SQL 代码，也无需等待三天。营销人员现在即可立即获得目标群体和推广逻辑，并立即采取行动。
Genie 如何成为您的电商营销人工智能同事？
Genie之所以能够准确回答跨系统营销问题（而不是凭空臆造连接或错误定义客户生命周期价值），是因为其本体论。以下是各个组件如何集成到电子商务部署中：
本体就是大脑。Genie不会猜测“CLV”的含义。它会在指标视图中查找经过认证的定义：客户生命周期价值 = 12 个月滚动窗口内净订单价值的总和，不包括退货和取消订单。它知道“流失”指的是时尚类产品 90 天内未购买，电子产品类产品 180 天内未购买——因为分析团队已将这些特定类别的阈值编码到 UC 术语表中。这些并非建议——而是所有下游工具一致使用的权威定义。
Genie One 是入口。当增长营销人员询问高 CLV 客户的流失风险时，Genie One 会查询本体并将问题路由到客户分析Agent，该Agent拥有正确的表格（CLV 分数、会话点击流、订单历史记录）、正确的指令（使用 RFM 最近一次购买时间作为流失信号，从 CLV 计算中排除测试订单）以及正确的业务规则（特定类别的流失窗口）。
Genie Agent 是各自领域的专家。客户分析 Agent 的范围限定于客户生命周期价值 (CLV)、客户流失率和 RFM 表，并包含针对特定营销活动的指令。营销活动效果 Agent 的范围限定于促销兑换、A/B 测试结果和渠道归因。分析团队的领域专家无需编写代码即可管理这些 Agent：他们选择表、添加自然语言指令，并提供示例 SQL，以教会 Genie 商店的规范。
行动才能形成闭环。营销人员不仅仅在屏幕上看到答案。他们每周都会安排一份客户流失群体报告，该报告会在每周一早上发送到 #retention-alerts Slack 频道。他们直接从对话中生成营销活动简报。他们通过营销运营团队开发的Databricks 应用，将限时抢购的目标客户列表推送给电子邮件服务提供商 (ESP)。
企业会做出哪些改变？
构建用户群组所需的时间从几天缩短到几分钟。过去，构建流失用户群组需要分析师编写自定义 SQL 语句，跨越四个表，验证客户生命周期价值 (CLV) 计算，并格式化电子表格。现在，只需一次 Genie 对话即可完成。营销人员可以在促销窗口期仍在进行时获得用户群组。
每个团队都使用相同的定义。由于 Genie 的响应基于受监管的指标视图，而非根据列名进行猜测，因此无论是增长营销人员向 Genie 查询、品类经理查看仪表盘，还是数据科学家构建倾向性模型，“CLV” 的含义都相同。一家电商平台将指标视图标准化为其治理层，并在涵盖营销、客户体验、库存、物流和定价等 500 多名业务用户的系统中实现了 95% 以上的查询准确率。
分析师不再是查询编写者，而是数据策展人。分析团队不再耗费数周时间进行临时性的群体数据提取，而是将精力投入到指标视图的精心策划、Genie Agent 指令的优化以及语义层的验证上。现在，最了解数据的人员负责发布受控的数据访问权限，而不是将其置于工单队列之后。
治理机制无形且坚不可摧。当营销人员向 Genie 提出问题时，Unity Catalog 的权限模型不会被绕过。区域营销经理只能看到其所在区域的客户数据。初级分析师只能看到经过脱敏处理的个人身份信息 (PII)。治理层对用户完全透明，且无法绕过。
如果今天重新开始，我会做哪些不同的事情？
- 首先，想想你的团队每周一早上都会在 Slack 上问你什么问题。第一个 Genie Agent 应该回答那些引发最多临时请求的问题——通常是“哪些客户即将流失？”或者“上周各渠道的复购率是多少？”。这个单一用例就能比全面的数据仓库迁移更有价值。
- 在投资仪表盘之前，先投资指标视图。当每个团队都对“客户生命周期价值 (CLV)”和“流失率”的含义达成一致——包括时间窗口、排除标准和分母定义——所有下游工具都会给出相同的结果。首先在指标视图中定义你的十大营销关键绩效指标 (KPI)。仪表盘和 Genie 的分析结果自然会随之而来。
- 从一开始就将批量数据和流式数据相结合。最有效的客户流失预测源于将历史购买模式（批量数据）与实时浏览行为（流式数据）相结合。不要等到最后一刻才添加点击流数据——从一开始就通过Zerobus Ingest导入，在 Silver 中进行会话化处理，然后让 Genie 查询最新的行为信号以及历史客户生命周期价值 (CLV) 分数。
- 衡量信任度，而不仅仅是速度。在内容整理阶段，追踪您的分析团队与 Genie 生成的 SQL 达成一致的频率。如果一致率低于 90%，则本体需要更多上下文信息——例如添加更多指标视图、完善术语表或在代理指令中提供更多示例 SQL。SQL 一致率是营销人员是否会采用该体验的最佳领先指标。
如何自己尝试一下？
如果您想亲身体验Genie One 的强大功能，现在即可使用。首先，将Genie Agent指向您查询量最高的营销数据集——通常来说，将客户订单与客户生命周期价值 (CLV) 评分关联起来是一个不错的起点。添加一些指标视图来定义您的核心营销 KPI（例如 CLV、客户流失率、复购率、购物车放弃率），在统一通信术语表中填充您组织的术语，然后提出您的第一个问题。本文中描述的架构可以逐步构建——您无需一下子构建整个系统。从一个营销团队、一个 Agent 和一个问题开始即可。
