Cómo Comcast Advertising Acelera las Previsiones de Campaña con Databricks Apps

Comcast Advertising opera a una escala que convierte la ciencia de datos en algo indispensable y, a la vez, en un cuello de botella. Llegar a 125 millones de hogares en las 210 áreas de mercado designadas genera enormes volúmenes de datos de audiencia, interacción y rendimiento de campañas. Los científicos de datos de la organización construyeron sofisticados modelos predictivos para optimizar estrategias publicitarias, pero esos modelos vivían en entornos técnicos a los que los usuarios de negocio no podían acceder ni interpretar.

La brecha entre el resultado del modelo y la decisión de negocio era costosa. Las herramientas de BI tradicionales carecían de flexibilidad para permitir a los usuarios finales interactuar dinámicamente con las salidas del modelo. Crear aplicaciones personalizadas para los equipos de negocio requería infraestructura de alojamiento separada, frameworks de frontend desconocidos y una sobrecarga de ingeniería considerable que nada tenía que ver con mejorar el rendimiento de las campañas. Los científicos de datos invertían tiempo en la fontanería de aplicaciones en lugar de mejorar los modelos.

Cuando Databricks Apps estuvo disponible, el equipo de ciencia de datos de Comcast Advertising reconoció la oportunidad de cerrar este ciclo. Ya utilizando Databricks para Lakeflow Spark Declarative Pipelines, experimentación con ML, gobierno de Unity Catalog y seguimiento de modelos con MLflow, el equipo podía ahora construir aplicaciones interactivas basadas en Python directamente dentro de su plataforma de datos existente. Sin alojamiento separado, sin cambios de contexto, sin nuevas pilas tecnológicas que mantener.

La primera aplicación fue un panel de previsión que permite a los usuarios de negocio ajustar parámetros de entrada —asignaciones de presupuesto, objetivos de audiencia, parámetros de campaña— y ver predicciones de ingresos de forma inmediata. Los equipos de ventas, estrategia y experiencia del cliente pueden ejecutar escenarios hipotéticos ilimitados sin necesidad de hacer cola para solicitar ayuda a los científicos de datos. El ciclo de retroalimentación se acortó drásticamente, con los resultados del modelo llegando a los responsables de decisiones más rápido y con mayor interacción contextual que cualquier informe estático.

El tiempo de desarrollo de nuevos productos de datos cayó entre un 10 y un 30%, consecuencia directa de mantener todo dentro de una plataforma unificada. El panel de previsión está actualmente en pruebas de aceptación de usuario, con planes de expandirlo a cientos de usuarios. El equipo también está explorando las capacidades de IA generativa dentro de Databricks, incluidos chatbots asistentes de IA y la arquitectura Lakebase para unificar aún más los datos operativos y analíticos.