Диалоговая аналитика, работающая на базе генеративного ИИ и агентов, набирает популярность, поскольку позволяет командам исследовать данные в ходе непрерывного диалога, а не серии ручных разовых расследований. Я столкнулся с этой необходимостью лично в Fivetran и dbt Labs. Наши данные Marketo уже хранились в хранилище, но до недавнего времени ответы на вопросы об эффективности обучающих рассылок (nurture) представляли собой долгий и трудоемкий процесс. Такой простой вопрос, как «На каком этапе люди бросают эту рассылку?», мог потребовать целых дней на создание умных кампаний (Smart Campaigns) и отчетов в Marketo, несмотря на то, что данные для ответа на него уже находились в нашем хранилище.

Fivetran Skills закрыл этот пробел для меня. Я могу задавать вопросы о синхронизированных с помощью Fivetran данных напрямую, на обычном английском языке, без необходимости создавать новый отчет или ждать, пока дата-инженер напишет для меня запрос. А поскольку интерфейс работает через Claude, которым я уже пользуюсь, мне не пришлось осваивать новый инструмент или менять настройки наших данных и хранилища.

Я использовал это для устранения неполадок в кампаниях Marketo, на что раньше уходили дни, а теперь сократилось до минут.

[CTA_MODULE]

Что такое навык Marketing Automation Analysis?

skill — это папка с инструкциями, которая учит агента ИИ выполнять определенную задачу. Компания Anthropic создала этот формат, но благодаря его популярности и эффективности он был принят другими агентами, такими как Codex и Cursor. Согласно собственным тестам Anthropic, точность Claude в аналитических вопросах выросла с 21% без навыков до более чем 95% с ними.

Наша команда разработала Fivetran Skills так, чтобы они выходили за рамки простых инструкций. Fivetran создает как коннекторы, так и модели dbt поверх них, поэтому каждый навык содержит глубокие знания о схеме и о том, как модели связаны между собой. Это позволяет агенту давать правильные ответы вместо того, чтобы угадывать по именам столбцов. Каждый ответ формируется на основе SQL-запроса к вашему хранилищу, поэтому вы можете легко проверить запрос для валидации результатов. Поскольку мы хорошо знаем эти данные, мы также создали шаблонные панели мониторинга на основе лучших практик для каждого источника данных.

Например, навык Marketing Automation Analysis, который я использовал для своего анализа, отлично знает данные Marketo. Он понимает, как лиды продвигаются по стажам воронки, как настраиваются программы и рассылки, а также как отслеживается взаимодействие с электронной почтой. Сюда входят такие детали, как то, что показатели открытий и кликов в карточке лида являются общими за все время, поэтому навык вместо этого рассчитывает показатели за определенный период на основе истории отправки писем.

Как я развернул навык

Настроить этот навык очень просто. Прежде чем начать, вам понадобятся данные Marketo, которые уже синхронизируются в BigQuery, Snowflake или Databricks с помощью Fivetran, а также агент ИИ, поддерживающий навыки, например Claude Code. Развертывание модели данных Fivetran Marketo Quickstart необязательно, но оно дает навыку более чистый уровень для работы по сравнению с выводом необработанного коннектора.

Шаг 1: Установите навык Marketing Automation Analysis

В Fivetran откройте Skills в левом меню навигации и выберите Marketing Automation Analysis. На странице отображается, есть ли в ваших данных Marketo таблицы, необходимые для этого навыка. Нажмите Install и следуйте инструкциям для вашего агента.

Шаг 2: Завершите первичную настройку

Когда вы зададите вопрос в первый раз, навык поинтересуется, знаете ли вы, в каком хранилище находятся ваши данные Fivetran.

Если знаете, укажите тип хранилища и имя базы данных, и оно самостоятельно найдет ваши данные Marketo. Ключ API не требуется.
Если нет, оно поможет вам настроить ключ API Fivetran.

В любом случае, настройка сохранится, так что это нужно сделать всего один раз.

Шаг 3: Задайте вопрос

Никакого специального синтаксиса запросов не требуется. Я просто спрашиваю на обычном языке, например: «Где лиды отсеиваются в воронке?»

Мой пример использования: устранение неполадок в сложной программе рассылки

Многоуровневая бесплатная пробная рассылка вела себя не так, как ожидалось. Поскольку вложенные кампании ссылались друг на друга, сбой не был очевиден на уровне программы верхнего уровня, а определение того, на каком этапе лиды отсеиваются, требовало прослеживания каждой ветки по очереди.

До появления этого навыка диагностика подобных проблем означала создание объектов Marketo, необходимых для локализации проблемы: умных кампаний, списков, отчетов, с последующим изучением результатов, их доработкой и повторением процесса. Этот процесс мог занимать дни, а иногда и недели, в зависимости от того, насколько глубоко была запрятана проблема.

С этим навыком я начинаю такое же исследование с прямого запроса к нашим данным Marketo, уже синхронизированным в хранилище:

"Где лиды отсеиваются из рассылки бесплатной пробной версии?"
"Разбей это по веткам рассылки."
"На каком шаге кампании наблюдается наибольшая разница между ожидаемым и фактическим прогрессом?"

Навык напрямую запрашивает хранилище и возвращает как ответ, так и фильтры, которые он использовал для его получения, поэтому я могу проверить результат на достоверность (например, сверившись с журналом действий), а не принимать его на веру. То, на что раньше у меня уходили дни или недели ручного создания отчетов и списков, теперь занимает считанные минуты или пару часов.

Тот же навык, который отвечает на вопрос «почему эта кампания сломана?», отлично подходит и для более широких аналитических вопросов, которые я задавал позже: где эффективность максимальна, какой регион превосходит ожидания и так далее, и все это без необходимости перестраивать инфраструктуру анализа для каждого нового вопроса.

Подключите ИИ к данным, которым вы уже доверяете

Fivetran уже решил первую проблему для нас: надежная доставка данных Marketo в хранилище и их преобразование в смоделированные и надежные наборы данных. Fivetran Skills решил для меня другую задачу: сделать эти данные пригодными для использования на обычном английском языке людьми, которым не обязательно разбираться в схеме.

Вот две вещи, о которых я бы рассказал любой команде по работе с данными:

Централизация данных не является опциональной, даже для ИИ. Подключение Claude напрямую к приложению для аналитики не масштабируется. Оно упирается в те же ограничения по объему данных и отсутствию контекста, с которыми я столкнулся, когда пытался отвечать на эти вопросы напрямую из Marketo. Данные должны быть упорядочены и смоделированы, прежде чем Claude сможет уверенно отвечать на вопросы с их помощью.
Как только этот фундамент создан, навык может превратить его в уровень самообслуживания для любой команды, а не только для отдела маркетинговых операций. Исследование, на которое раньше у меня уходили дни или недели ручного создания отчетов и списков, теперь представляет собой диалог «туда-обратно» с данными, которые уже были там.

Вы можете посмотреть все поддерживаемые нами навыкиздесь.

[CTA_MODULE]