2026-10-21

Databricks CustomerLake進入Beta：Agentic CDP如何重塑行銷架構

MarTechCRMAI 應用

前言

身為長期在企業第一線參與 CDP 評估、建置與銷售顧問的從業者，我經常看到企業陷入同一種架構兩難：

一邊是耗費數百萬導入的套裝套裝型 CDP（Packaged CDP），行銷團隊雖能點選介面，但底層資料同步延遲、欄位擴充僵化，最終變成昂貴的資料孤島；另一邊是組裝型 CDP（Composable CDP），雖然資料緊貼數據倉儲，卻極度依賴工程師寫 SQL，行銷團隊要包一個受眾名單動輒排程兩週。

Databricks 近期宣布其內嵌於 Data + AI 平台的「CustomerLake」進入重要里程碑：Campaign Agents 推進至 Beta 測試，Profile Agents 進入 Private Preview。這項產品的定位並非單純在 Lakehouse 上加一層反向 ETL，而是直接將 AI Agent、身分識別（Identity Resolution）與行銷啟動（Activation）內嵌進受治理的數據湖倉中。

這項演進標誌著 CDP 市場正式從「規則驅動的受眾提取」，跨入「由 Agent 主導的即時顧客運作模式」。台灣企業的行銷長、CRM 主管與數據架構師，必須重新檢視現有的 MarTech 投資效益。

發生了什麼：重點整理

Databricks CustomerLake 的核心概念是將行銷受眾建置、啟動、個人化與 Customer 360 能力，原生整合於受治理的 Databricks 平台中。本次產品更新包含兩大核心模組的推進：

  • Campaign Agents（Beta 階段）：讓行銷人員直接調用已受治理的企業資料與 AI Agent，透過行銷團隊既有的溝通平台進行受眾建立與自動化啟動，無須依賴資料工程團隊重寫管線。
  • Profile Agents（Private Preview 階段）：專注於 Customer 360 輪廓建置，包含三大能力：多源資料欄位映射與語意正規化（Source normalization）、結合確定性（Deterministic）、機率性（Probabilistic）與大型語言模型（LLM-based）的身分識別與黃金主檔生存法則（Golden record survivorship），以及具備微批次更新與資料管家手動覆寫（Manual data steward overrides）的狀態化增量處理機制。這兩個模組可獨立導入。

根據 Databricks 公布的數據，採用 CustomerLake 的企業展現出顯著的營運效益：

  • 受眾準備時間（Audience turnaround time）縮短 90%，受眾就緒時程從傳統的 2 至 3 個月縮減為 2 小時。
  • CDP 總持有成本（TCO）具備降低 40% 的潛力。
  • 在轉換表現上，轉換率提升了 10 個百分點。

國際知名品牌的落地案例佐證了這項趨勢：

  • HP：以行銷湖倉（Marketing Lakehouse）為基礎，加速受眾交付週期並降低行銷科技持有成本。
  • Getnet by Santander：整合交易、行為與預測情報，使商業、CRM 與行銷團隊共享一致的客戶全貌。
  • Zé Delivery（AB InBev 旗下）：讓 CRM 團隊能自主掌控上線活動，擺脫對資料工程團隊的依賴。
  • Wine.com 與 Philadelphia Union：分別藉由 Agentic 架構處理大量產品目錄與個別受眾偏好，或是將大型賽事帶來的流量轉化為長期會員互動。
  • Databricks 自身實務（Infinity Campaigns）：在 Data + AI Summit 面對 30,000 名實體與會者，利用 Campaign Agents 根據互動軌跡動態客製議程推薦信件，達到 60% 開信率、10% 點擊率，並帶來相較對照組高出 10 個百分點的轉換提升。

為什麼重要：對數據、行銷與 CRM 團隊的影響

過去企業建構 CDP 時，最大的隱性成本往往不是軟體授權，而是「資料複製」與「語意斷層」。

傳統架構下，企業在數據倉儲整理好資料後，必須透過批次傳輸將龐大資料推送到第三方 CDP 系統。這帶來了雙重代價：首先是儲存與運算費用的重複支出；其次，第三方系統為了提供行銷人操作介面，往往會簡化資料維度，導致行銷人員無法即時取用第一線的行為預測分數或完整的產品細節。

CustomerLake 提出的「Embedded（內嵌）」、「Democratized（民主化）」與「Autonomous（自主化）」三項原則，直接衝擊了現有組織的分工：

資料工程團隊：從做報表名單的工廠，轉向資料治理與邊界制定者

過去資料工程師有大量時間耗費在處理「行銷部門臨時要撈一群某特徵受眾」的瑣事。當 Profile Agents 原生處理了正規化與 LLM-based 模糊比對，微批次更新機制又保障了主檔鮮度，工程團隊只需透過資料管家機制（Data Steward Overrides）設定業務規則邊界，不必介入每檔活動的受眾打包。

CRM 與行銷團隊：從靜態受眾包，升級至連續自適應互動（Infinity Campaigns）

素材中提及 74% 的消費者已開始利用 AI 探索、比較或購買商品。當消費者的決策週期縮短且高度破碎化，行銷人每週排程一次的 EDM 或 LINE 推播必然失去相關性。Campaign Agents 展現的 Infinity Campaigns 概念，是讓 Agent 持續分析客戶訊號並自主調適互動策略，行銷人則轉變為定義商業目標與防護圍欄（Guardrails）的策劃者。

實務應用：台灣企業可以怎麼做

面對這種將 Agentic 能力直接壓在資料層的架構變革，台灣不同產業有明確的切入情境：

金融保險業：兼顧洗錢防制規範與全通路個人化推薦

台灣金融機構面臨嚴格的個資法與金融監管要求，將機敏交易資料直接傳輸至外部行銷 SaaS 軟體通常會遭遇合規阻礙。透過在內部受管制的湖倉環境中運行 Profile Agents，金融業可在內網完成確定性與機率性的身分識別，建立單一客戶視圖（Customer 360）。當客戶在數位通路出現貸款試算或保險保障缺口評估行為時，行銷與業務支援系統便能在不出庫機敏資料的前提下，由 Agent 運算出最佳接觸建議。

零售與大型電商：大量品類下的自動化精準交叉銷售

如同 Wine.com 與 Zé Delivery 的痛點，台灣電商時常面臨促銷活動疲勞，千篇一律的週年慶名單只會導致封鎖率上升。行銷主管應推動將交易紀錄、GA4 點擊流與庫存系統匯流至湖倉，由 Campaign Agents 根據使用者的瀏覽歷程與價格敏感度，自動組裝出個人化商品集（如同 Summit 針對 3 萬名與會者推薦議程），將名單產出時程從兩週縮短至數小時內。

B2B 科技製造與服務業：線下展會與商務名單的即時轉化

如同 Philadelphia Union 掌握大型賽事流量，台灣科技硬體或 B2B 企業在參加國際大展後，常有數千筆混亂的名片與掃描資料。透過 Profile Agents 的語意正規化與身分匹配，可以在最短時間內比對既有 CRM 主檔，並由 Campaign Agents 發送高度契合該採購窗口角色的後續跟進信件，避免商機在業務名單指派的行政流程中流失。

導入評估：成本、風險與限制

在評估轉向內嵌式 Agentic CDP 架構時，企業決策者必須客觀權衡以下架構限制：

1. 湖倉基礎建設成熟度是先決條件

CustomerLake 的核心前提是「行銷湖倉已經存在且受信任」。如果企業連底層的 Data Lakehouse 都尚未規範欄位定義、缺乏統一的資料治理政策，導入 Agentic CDP 只會讓 AI 在混亂的資料源中產生幻覺。這並不是一條可以跳過資料清洗與管線打底的捷徑。

2. LLM-based 身分識別的運算成本控管

Profile Agents 引入了確定性、機率性以及大型語言模型匹配機制。企業必須清楚劃分使用情境：電話、身分證字號與 Email 等強鍵值應維持確定性比對，僅有在多來源地址拼寫錯誤、姓名簡體繁體差異等模糊場景才動用 LLM。若無節制地對數百萬級別的非結構化字串全量調用模型，基礎設施的運算費用將會侵蝕其所宣稱的 40% TCO 節省優勢。

3. 行銷組織與資料團隊的心理轉換

過去行銷人員習慣所見即所得（WYSIWYG）的圖形化介面，對他們而言，面對 Agent 與資料庫抽象層需要一定的適應期。管理層必須建立資料管家（Data Steward）的覆寫稽核機制，讓業務端信任 Agent 篩選出的受眾邏輯，避免因系統黑箱感而退回傳統人工篩選模式。

給決策者的行動清單

針對希望降低 MarTech 總擁有成本並提升個人化轉換率的企業決策者，建議採取以下步驟：

  • 稽核現有 MarTech 資料管線延遲：清查目前從資料倉儲同步資料至行銷發送工具的週期，計算行銷團隊提出受眾需求到實際發送活動的平均等待天數。
  • 盤點身分識別（Identity Resolution）痛點：評估現有 CRM 與 CDP 系統在處理跨渠道訪客識別時的破失率，特別是跨多 App、多網站或線下門市之雜亂文字資料的合併現況。
  • 評估微批次增量架構的支援能力：確認企業現有資料湖倉是否具備支援微批次處理的治理架構，為未來導入自動化 Agent 奠定治理環境。
  • 界定首波高價值應用場景：挑選具備高度動態變化、大流量且現行人工作業耗時的場景（如大促個人化推薦、展會活動動態議程），建立小規模的 Agentic 試驗項目。

建議追蹤的關鍵績效指標（KPI）

  • 受眾交付週期（Audience Turnaround Time）：衡量從業務邏輯確立到受眾完成打包發送的所需時間（對標 CustomerLake 宣稱的 90% 降幅）。
  • 行銷活動轉換率增幅（Conversion Rate Lift）：透過嚴格的 A/B 測試對照組，追蹤 Agent 動態個人化相較靜態規則受眾的名單轉換表現。
  • MarTech 總持有成本（TCO）變動率：綜合評估軟體授權、跨系統資料傳輸雲端費用、外包資料工程維護費用的淨變化。

延伸閱讀

傑森數據 Jason Analytics 協助企業以數據與 AI 驅動 CRM 與行銷成長。歡迎轉載（請註明出處）或洽詢顧問合作。

原始報導： CustomerLake enters Beta: Leading enterprises going live with the Agentic CDP — Databricks