Onur Alp Soner, CEO a spoluzakladatel Countly – Interview Series

Onur Alp Soner je spoluzakladatel a CEO Countly, digitální analytické a engagement platformy. Jako technológ a sebevědomý podnikatel, vybudoval Countly od základů, aby dal společnostem větší kontrolu nad tím, jak rozumí a interagují se svými uživateli. Pod jeho vedením se Countly stal důvěryhodnou platformou pro podniky po celém světě, které chtějí inovovat rychle, zatímco udržují uživatelskou ochranu soukromí v centru svých růstových strategií.

Vezměte nás zpět k okamžiku, který vás vedl k založení Countly — co jste osobně narazili na stávající analytické nástroje, které vás přesvědčily, že datový vlastnický model je zásadně rozbitý?

Před zhruba 13 lety, kdy mobilní aplikace začaly nabývat na významu, analytické nástroje dostupné následovaly velmi specifický model. Mnohé z nich byly zdarma nebo relativně levné, ale kompromis spočíval v tom, že platforma sbírala a monetizovala vaše data, často je zasílala do reklamních ekosystémů. V té době to bylo široce akceptováno jako normální způsob, jak věci fungují.

To však u nás nevyvolalo dobrý pocit. I jako malá společnost, myšlenka předání všech našich uživatelských dat pouze za účelem pochopení, jak naše produkt funguje, nedávala smysl.

Countly začal jako odpověď na to. Chtěli jsme vybudovat analytiku, kterou společnosti mohou plně vlastnit a kontrolovat, a proto jsme ji spustili jako open-source, self-hosted platformu. Nápad byl jednoduchý: organizace by měly být schopny pochopit a jednat na základě svých dat bez toho, aby je musely předat.

Od založení Countly, AI posunul vlastnictví dat z okrajové záležitosti do strategické povinnosti. Kdy vám bylo jasné, že tento princip bude mít význam daleko za hranice analytiky?

V raných letech, většina diskusí o vlastnictví dat byla rámována prostřednictvím ochrany soukromí nebo dodržování předpisů. Šlo hlavně o banky, poskytovatele zdravotní péče a vlády, které se hluboce staraly o to, kde jejich data žijí a kdo je kontroluje. Pro mnohé ostatní, analytika byla stále považována za jednoduchý reporting nástroj, takže otázka vlastnictví nebyla považována za naléhavou.

Tento pohled začal měnit, když společnosti začaly více spoléhat na data pro běh svých produktů, ne pouze pro měření. Jakmile se analytika přesunula z reportingu do rozhodování, personalizace, změn produktů a zákaznického engagementu, důležitost kontroly nad těmito daty se stala mnohem jasnější. Každá digitálně orientovaná společnost, od mobility po hotelnictví, efektivní začala soutěžit na datech, ne pouze na svém front-endu.

AI tento proces dramaticky urychlil. Můžete si licencovat nebo vybudovat AI model, ale nemůžete koupit behaviorální data, která odrážejí, jak vaši vlastní zákazníci interagují s vaším produktem. Tato data jsou jedinečná pro každou organizaci.

Mnohé organizace se domnívají, že jsou „AI-připravené“, protože mají velké objemy dat. Z čeho jste si všiml u skutečných společností, co obvykle chybí pod povrchem?

Chybějící data obvykle nejsou problémem. Skutečný problém spočívá v nedostatku využitelných dat. Mnohé organizace mají obrovské množství informací, ale jsou rozděleny napříč různými nástroji, týmy a systémy. Například marketing může mít jeden dataset, produkt jiný a inženýrství své vlastní telemetrické údaje, často uložené v různých formátech s malou sdílenou strukturou.

Pro AI, aby byla užitečná, data pod ní musí být čistá, konzistentní a kontextuální. Nestačí sbírat události nebo logy; musíte pochopit, co tyto signály vlastně představují. Bez této sémantické vrstvy jsou AI systémy prakticky pouze hádáním.

Jiným problémem je vlastnictví. Překvapivě mnoho společností ve skutečnosti nekontroluje svá vlastní data, protože jsou uložena u třetích stran. To činí obtížným kombinovat datové sady, stanovit pravidla pro jejich použití nebo bezpečně aplikovat AI modely na ně.

Takže když společnosti říkají, že jsou AI-připravené, protože mají mnoho dat, skutečná otázka je, zda mají koherentní datový základ.

Proč vytváří první strany dat trvanlivou konkurenční výhodu v AI systémech, zatímco modely samy se stávají stále více vyměnitelnými?

To, co vytváří trvanlivou výhodu, není model sám, ale pochopení uživatelů, které přichází z první strany dat. Tato data odrážejí, jak lidé skutečně interagují s vaším produktem, a jsou jedinečná pro každou organizaci. Modely, na druhé straně, se stávají stále více komoditami. Můžete je licencovat, jemně doladit nebo přepnout mezi poskytovateli relativně snadno. To, co nemůžete replikovat, jsou behaviorální data generovaná vašimi vlastními uživateli, kteří interagují s vašimi produkty over time.

Tato data zachycují vzorce, kontext a signály, které odrážejí, jak zákazníci skutečně jednají. Když jsou strukturována a pochopena správně, umožňují společnostem budovat systémy, které se učí kontinuálně z reálného použití, spíše než z generických datových sad.

Kde se moderní analytické stacky tiše rozpadají, když jsou repurposed pro AI systémy spíše než reporting, dashboards a KPI?

Tendují se rozpadat v bodě, kde data potřebují přesunout se z pozorování do akce. Tradiční analytické stacky byly navrženy primárně pro reporting. Sbírají a agregují data, pak je prezentují v dashboardech, které pomáhají týmům pochopit, co se stalo včera nebo minulém týdnu.

AI systémy, na druhé straně, fungují velmi odlišně. Vyžadují data, která jsou strukturována, kontextuální a dostupná v reálném čase, aby mohla přímo ovlivnit, jak systém funguje. Když jsou analytické potrubí postaveny kolem batch zpracování a zpožděného reportingu, zápasí s podporou systémů, které potřebují reagovat okamžitě.

Jak se nedostatek skutečného vlastnictví dat projevuje operativně, když týmy se snaží přesunout AI z experimentování do produkce?

Obvykle se projevuje jako kontrolní problém. Nakonec, pokud nemáte kontrolu nad svými daty, nemáte kontrolu nad svým AI. To se stává zvláště zřejmým, když týmy přecházejí z experimentování do produkce. Během experimentování, týmy mohou často pracovat s malými datovými sadami nebo dočasnými potrubími, ale produkční systémy vyžadují konzistentní přístup k spolehlivým datům napříč celou organizací.

Pak, ve mnoha společnostech, základní data sídlí napříč různými třetími stranami, jako jsou analytické nástroje, marketingové systémy nebo cloudové služby. To činí obtížným kombinovat datové sady, aplikovat pravidla řízení nebo přesunout data mezi systémy kontrolovaným způsobem. To je jeden z důvodů, proč mnoho AI projektů zůstává uvíznutých v pilotních fázích. Bez strukturovaných, organizaci-wide dat, stává se obtížným nasadit AI spolehlivě v produkci.

Také činí obtížnějším stopovat, jak model dosáhl rozhodnutí nebo rekonstruovat přesně datové stavy, které stály za ním. Bez této úrovně kontroly, opravování chyb nebo vrácení rozhodnutí se stává extrémně obtížným.

Proč špatná datová struktura, sémantika a kontext podkopávají i ty nejkapacitnější AI modely?

Even ty nejkapacitnější AI modely jsou pouze tak dobré, jako data, která obdrží. Pokud základní data jsou špatně strukturována nebo postrádají kontext, model má velmi málo porozumění pro to, co tyto signály vlastně představují.

V mnoha systémech, data jsou sbírána jako izolované události nebo logy bez jasně přiřazeného významu. Model může vidět tisíce interakcí, ale bez řádné struktury a sémantiky, nemůže rozlišit, co je důležité a co je pouze šum.

Kontext je stejně důležitý. AI systémy potřebují pochopit, jak se různé části dat vztahují k sobě navzájem over time. Bez tohoto kontextu, modely mohou stále produkovat výstupy, ale jsou často nespolehlivé, protože systém pracuje s neúplnými informacemi.

Jaké varovné signály ukazují, že společnost se blíží k obecným AI výsledkům dlouho předtím, než tyto zkušenosti začnou pociťovat jako obecné zákazníci?

Nejběžnější varovný signál je, když společnosti spoléhají na stejné externí AI modely a nástroje, ale dělají velmi málo pro rozvoj svého vlastního datového základu. Pokud organizace používají stejné modely, ale nefeedují je svými vlastními uživatelskými a kontextovými daty, systémy pracují s těmi samými generickými vstupy. V takové situaci, AI může produkovat pouze high-level nebo generické výsledky. Over time, to vede k produktům, které cítí stále podobnější, protože inteligence za nimi je postavena na stejných omezených informacích.

Jiným varovným signálem je, když organizace se soustředí silně na přijetí AI modelů, ale věnují malou pozornost struktuře a kvalitě svých dat. AI zesiluje to, co obdrží. Pokud základní data jsou znečištěná, fragmentovaná nebo špatně strukturovaná, systém bude produkovat pouze sofistikovanější verzi stejného problému.

Pro organizace, které se snaží budovat AI na základě svých vlastních dat, co Countly vlastně umožňuje, co tradiční analytické a datové platformy ne?

Klíčový rozdíl spočívá v tom, jak je kontrola vestavěna do platformy. V mnoha analytických produktech, vlastnictví dat je něco, co se objevuje jako možnost nebo funkce. S Countly, sedí to v jádru systému. Platforma byla navržena tak, aby organizace nemusely obětovat kontrolu nad svými daty pro pokročilou funkčnost.

V praxi to znamená, že společnosti mohou spustit Countly ve svém vlastním prostředí, udržet plnou kontrolu nad svými datovými strukturami a stále mít přístup k analytickým, engagement a automatizačním funkcím v měřítku. To se stává zvláště důležitým, když organizace chtějí budovat AI na základě svých vlastních dat. Mnohé tradiční analytické nástroje jsou postaveny primárně pro reporting, což znamená, že data, která sbírají, často zůstávají uvnitř třetích stran dashboardů, místo aby se stala využitelným základem pro ostatní systémy. Countly přistupuje k tomu jinak, když považuje analytiku za součást základních datových struktur.

Jak by se mělo vyvinout definice etického AI, když vlastnictví dat je považováno za základní designový princip spíše než za policy checkbox?

Jakmile se vlastnictví dat stane designovým principem, etické AI již není o auditování modelů po faktu — je o navrhování systémů, kde uživatelé si uchovávají agenturu nad daty, která je trénují. Etika se stává infrastrukturou.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Countly.