Leighton Welch, CTO og medstifter af Tracer – Interviewserie

Leighton Welch er CTO og medstifter af Tracer. Tracer er et AI-drevet værktøj, der organiserer, administrerer og visualiserer komplekse datasæt for at drive hurtigere og mere handlebare forretningsintelligens. Før han blev Chief Technology Officer i Tracer, var Leighton direktør for Consumer Insights i SocialCode og VP of Engineering i VaynerMedia. Han har tilbragt sin karriere med at bane vejen for ad tech-økosystemet, hvor han har kørt den første Snapchat-reklame og rådgivet om kommercielle API’er for nogle af verdens største platforme. Leighton dimitterede fra Harvard i 2013 med en grad i datalogi og økonomi.

Kan du fortælle os mere om din baggrund og hvordan dine erfaringer på Harvard, SocialCode og VaynerMedia inspirerede dig til at co-founder Tracer?

Den oprindelige idé kom for et årti siden. En barndomsven af mine ringede til mig en fredag aften. Han havde problemer med at samle data fra forskellige sociale platforme for en af sine kunder. Han mente, at dette kunne automatiseres, så han hyrede min hjælp, da jeg havde en baggrund i softwareudvikling. Det var sådan, jeg blev introduceret til min nuværende medstifter, Jeff Nicholson.

Det var vores gnistøjeblik: Mængden af penge, der blev brugt på disse kampagner, overhalede langt kvaliteten af softwaren, der sporedde disse dollars. Det var et nyfødt marked med en masse anvendelser i datavidenskab.

Vi fortsatte med at bygge analytisk software, der kunne opfylde behovene for stadig større og mere komplekse mediekampagner. Da vi hakker på problemet, udviklede vi en proces – klare trin fra at få de forskellige data indtaget og kontekstualiseret. Vi indså, at processen, vi byggede, kunne anvendes på ethvert datasæt – ikke kun reklame – og det er, hvad Tracer er i dag: et AI-drevet værktøj, der organiserer, administrerer og visualiserer komplekse datasæt for at drive hurtigere og mere handlebare forretningsintelligens.

Vi hjælper med at demokratisere, hvad det betyder at være en “data-dreven” organisation ved at automatisere de trin, der er nødvendige for at indtage, forbinde og organisere forskellige datasæt på tværs af funktioner, og giver kraftfuld forretningsintelligens gennem intuitive rapporter og visualiseringer. Dette kan betyde at forbinde salgsdata til din marketing-CRM, HR-analyser til revenue-trends og mange flere anvendelser.

Kan du forklare, hvordan Tracers platform automatiserer analytics og revolutionerer den moderne data-stack for sine kunder?

For enkelheds skyld lad os definere analytics som svaret på et forretningsspørgsmål gennem software. I dagens landskab er der faktisk to tilgange.

• Den første er at købe vertikalt software. For CFO’er kan dette være Netsuite. For CRO kan det være Salesforce. Vertikalt software er fantastisk, fordi det er end-to-end, det kan være hyper-specialiseret, og skal bare fungere ud af billedet. Begrænsningen af vertikalt software er, at det er vertikalt: Hvis du vil have Netsuite til at tale med Salesforce, er du tilbage ved udgangspunktet. Vertikalt software er komplet, men det er ikke fleksibelt.
• Den anden tilgang er at købe horisontalt software. Dette kan være et software til data-indtagelse, et andet til lagring og et tredje til analyse. Horisontalt software er fantastisk, fordi det kan håndtere næsten alt. Du kunne helt sikkert indtage, lagre og analysere både dine Salesforce- og Netsuite-data gennem denne pipeline. Begrænsningen er, at det skal samles, vedligeholdes, og intet fungerer “ud af billedet”. Horisontalt software er fleksibelt, men det er ikke komplet.

Vi tilbyder en tredje tilgang ved at skabe en platform, der kombinerer de teknologier, der er nødvendige for at rapportere om alt, og gør det tilgængeligt nok til at fungere ud af billedet uden nogen tekniske ressourcer eller teknisk overhæng. Det er fleksibelt og komplet. Tracer er den mest kraftfulde platform på markedet, der er både applikations-agnostisk og end-to-end.

Tracer behandlede på ordre af 10 petabyte data sidste måned. Hvordan håndterer Tracer sådan en enorm mængde data effektivt?

Skalæring er utrolig vigtig i vores verden, og det har altid været en prioritet i Tracer, selv i de tidlige dage. For at behandle denne mængde data udnytter vi en masse bedst-i-klassen-teknologier og undgår at genopfinde hjulet, hvor vi ikke behøver det. Vi er utrolig stolte af den infrastruktur, vi har bygget, men vi er også ret åbne omkring det. Faktisk er vores arkitekturprogram beskrevet på vores website.

Hvad vi siger til partnere er dette: Det er ikke, at jeres interne tekniske teams ikke er i stand til at bygge, hvad vi har bygget; snarere burde de ikke behøve at. Vi har samlet stykkerne af den moderne data-stack for jer. Rammen er effektiv, slagkraftig og modulær, så vi kan dynamisk udvikle os med landskabet.

Mange partnere kommer til os for at frigøre tekniske ressourcer til at fokusere på større strategiske initiativer. De bruger Tracers arkitektur som et middel til et formål. At have en database besvarer ikke forretnings-spørgsmål. At have en ETL-pipeline besvarer ikke forretnings-spørgsmål. Det, der virkelig betyder noget, er, hvad du kan gøre med den infrastruktur, når den er blevet samlet. Det er derfor, vi byggede Tracer – vi er jeres genvej til at få svar.

Hvorfor tror du, at struktureret data er kritisk for AI, og hvad fordele giver det over ustuktureret data?

Struktureret data er kritisk for AI, fordi det tillader manuel menneskelig interaktion, som vi mener er en afgørende komponent til effektive outputs. Det sagde, i dagens økosystem er vi faktisk bedre udstyret end nogensinde før til at udnytte indsigt i ustuktureret data og tidligere svært tilgængelige formater (dokumenter, billeder, videoer osv.).

Så for os handler det om at give en platform, hvor yderligere kontekst kan indarbejdes fra de mennesker, der er mest fortrolige med de underliggende datasæt, når data er blevet gjort tilgængeligt. Med andre ord, det er ustuktureret data → struktureret data → Tracers kontekst-motor → AI-drevne outputs. Vi sidder imellem og giver mulighed for en mere effektiv feedback-løkke og for manuel indgriben, hvor nødvendigt.

Hvad udfordringer står virksomheder over for med ustuktureret data, og hvordan hjælper Tracer med at overvinde disse udfordringer for at forbedre datakvaliteten?

Uden en platform som Tracer er udfordringen med ustuktureret data alt om kontrol. Du føder data ind i modellen, modellen spytter svar ud, og du har meget lidt mulighed for at optimere, hvad der sker inde i den sorte kasse.

Så for eksempel, hvis du vil bestemme det mest indflydelsesrige indhold i en mediekampagne, kan Tracer bruge AI til at hjælpe med at give metadata på alle indhold, der blev kørt i annoncerne. Det kan også bruge AI til at give sidste-mile-analyse til at komme fra et højt struktureret datasæt til det svar.

Men imellem giver vores platform brugerne mulighed for at tegne forbindelserne mellem mediadata og datasættet, hvor resultaterne bor, mere detaljeret definere “indflydelsesrigt” og rydde op i kategorierne, der er gjort af AI’en. Essentielt har vi abstraheret og produktiseret trinnene for at fjerne den sorte kasse. Uden AI er der meget mere arbejde, der skal gøres af mennesket i Tracer. Men uden Tracer kan AI ikke komme til samme kvalitet af svar.

Hvad er nogle af de vigtigste AI-baserede teknologier, Tracer bruger til at forbedre sin data-intelligens-platform?

Du kan tænke på Tracer på tværs af tre kerne-produkt-kategorier: Kilder, Indhold og Outputs.

• Kilder er et værktøj, der bruges til at automatisere indtagelse, overvågning og QA af forskellige data.
• Kontekst er et drag-and-drop-semantisk lag for organisation af data efter indtagelse.
• Outputs er, hvor du kan besvare forretnings-spørgsmål oven på kontekstualiseret data.

Hos Tracer ser vi AI ikke som en erstatning for nogen af disse trin; i stedet ser vi AI som en anden form for teknologi, som alle tre kategorier kan udnytte til at udvide, hvad der kan automatiseres.

For eksempel:

• Kilder: At udnytte AI til at hjælpe med at bygge nye API-forbindelser til lang-hal-data-kilder, der ikke er tilgængelige gennem vores partner-katalog.
• Kontekst: At udnytte AI til at rydde op i metadata før kørsel af tag-regler. For eksempel rydde op i variationer af publikationsnavne på hvert sprog.
• Outputs: At udnytte AI som en drop-in-erstatning for dashboards, hvor forretnings-brugen er udviklingsorienteret, snarere end en fast sæt af KPI’er, der skal rapporteres på igen og igen.
• AI giver os mulighed for at opnå disse typer af anvendelser på måder, der er både simple og tilgængelige.

Hvad er Tracers planer for fremtidig udvikling og innovation i data-intelligens-rummet?

Tracer er en aggregator af aggregatorer. Vore partnere vil læne sig op ad os til bestemte anvendelser inden for teams og funktioner eller til brug i tværfaglig forretningsintelligens. Skønheden ved Tracer er, at uanset om du udnytter os til at træffe bedre beslutninger med din medie-udgift og kreativitet eller bygger dashboards til at forbinde forskellige metrikker fra forsyningskæde til salg og alt imellem, byggeklodserne er konsistente.

Vi ser organisationer, der tidligere kun afhængigt af os inden for ét område af forretningen (f.eks. medie og marketing), udvide anvendelser til andre områder af forretningen. Så hvor vores primære kunder tidligere var senior medie-chefer eller agent-partnere, arbejder vi i dag på tværs af organisationen med CIO’er, CTO’er, data-videnskabsmænd og forretningsanalytikere. Vi fortsætter med at bygge vores værktøjer til at imødekomme flere og flere anvendelser og personer, samtidig med at vi sikrer, at den grundlæggende teknologi er skalerbar, fleksibel og tilgængelig for ikke-tekniske brugere.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Tracer.