Anthony Deighton, CEO von Tamr – Interview-Serie

Anthony Deighton ist CEO von Tamr. Er hat 20 Jahre Erfahrung darin, Unternehmen für Unternehmenssoftware aufzubauen und zu skalieren. Zuletzt war er zwei Jahre lang Chief Marketing Officer bei Celonis, wo er die Führung im Bereich Process Mining-Software etablierte und Nachfragegenerierungsprogramme erstellte, die zu einem Wachstum des jährlichen Umsatzes von 130 % führten. Vorher war er über 10 Jahre bei Qlik, wo er das Unternehmen von einem kleinen, unbekannten schwedischen Softwareunternehmen zu einem börsennotierten Unternehmen führte – in Rollen von Produktführung, Produktmarketing und schließlich als CTO. Er begann seine Karriere bei Siebel Systems, wo er lernte, wie man Unternehmenssoftwareunternehmen in verschiedenen Produktrollen aufbaut.

Können Sie einige wichtige Meilensteine aus Ihrer Reise in der Unternehmenssoftware-Industrie teilen, insbesondere Ihre Zeit bei Qlik und Celonis?

Ich begann meine Karriere in der Unternehmenssoftware bei Siebel Systems und lernte viel darüber, wie man Unternehmenssoftwareunternehmen aufbaut und skaliert, von dem Führungsteam dort. Ich trat Qlik bei, als es ein kleines, unbekanntes schwedisches Softwareunternehmen mit 95 % des kleinen 60-köpfigen Teams in Lund, Schweden, war. Ich scherze, dass ich, da ich weder Ingenieur noch Verkäufer war, mit dem Marketing beauftragt wurde. Ich baute das Marketing-Team dort auf, aber im Laufe der Zeit konzentrierten sich meine Interessen und Beiträge auf das Produktmanagement, und schließlich wurde ich zum Chief Product Officer. Wir brachten Qlik 2010 an die Börse und setzten unser erfolgreiches öffentliches Unternehmen fort. Danach wollten wir einige Übernahmen durchführen, also gründete ich ein M&A-Team. Nach einer langen und vernünftig erfolgreichen Laufbahn als öffentliches Unternehmen verkauften wir Qlik an eine Private-Equity-Firma namens Thoma Bravo. Es war, wie ich es gerne sage, der vollständige Lebenszyklus eines Unternehmenssoftware-Unternehmens. Nachdem ich Qlik verlassen hatte, trat ich Celonis bei, einem kleinen deutschen Software-Unternehmen, das versuchte, in den USA erfolgreich zu sein. Wiederum leitete ich das Marketing als CMO. Wir wuchsen sehr schnell und bauten eine sehr erfolgreiche globale Marketing-Funktion auf.

Beide, Celonis und Qlik, konzentrierten sich auf die Vorderseite der Datenanalyse-Herausforderung – wie sehe ich Daten und verstehe sie? Im Fall von Qlik war es Dashboards, im Fall von Celonis waren es Geschäftsprozesse. Aber eine gemeinsame Herausforderung bei beiden war die Daten hinter diesen Visualisierungen. Viele Kunden beschwerten sich, dass die Daten falsch seien: doppelte Einträge, unvollständige Einträge, fehlende Daten-Silos. Dies ist es, was mich zu Tamr gezogen hat, wo ich das Gefühl hatte, dass wir zum ersten Mal in der Lage sein könnten, die Herausforderung der chaotischen Unternehmensdaten zu lösen. Die ersten 15 Jahre meiner Karriere in der Unternehmenssoftware verbrachte ich damit, Daten zu visualisieren, ich hoffe, dass die nächsten 15 Jahre damit verbracht werden können, diese Daten zu bereinigen.

Wie haben Ihre frühen Erfahrungen Ihre Herangehensweise an den Aufbau und die Skalierung von Unternehmenssoftware-Unternehmen geprägt?

Eine wichtige Lektion, die ich beim Wechsel von Siebel zu Qlik gelernt habe, war die Macht der Einfachheit. Siebel war sehr leistungsfähige Software, aber es wurde am Markt von Salesforce.com getötet, das ein CRM mit vielen weniger Funktionen (“ein Spielzeug”, wie Siebel es nannte) hatte, aber Kunden konnten es schnell in Betrieb nehmen, weil es als SaaS-Lösung geliefert wurde. Es scheint heute offensichtlich, aber zu dieser Zeit war die Weisheit, dass Kunden Funktionen kaufen, was wir jedoch gelernt haben, ist, dass Kunden in Lösungen investieren, um ihre Geschäftsprobleme zu lösen. Wenn also Ihre Software ihr Problem schneller löst, gewinnen Sie. Qlik war eine einfache Lösung für das Datenanalyse-Problem, aber es war radikal einfacher. Als Ergebnis konnten wir mehr funktionsreiche Wettbewerber wie Business Objects und Cognos schlagen.

Die zweite wichtige Lektion, die ich in meiner Karriere beim Übergang von Marketing zu Produkt gelernt habe, war die Verbindung zwischen dem, was wir bauen, und wie wir es potenziellen Kunden beschreiben. Und es gibt eine ebenso wichtige Verbindung zwischen dem, was Interessenten fordern, und dem, was wir bauen sollten. Die Fähigkeit, zwischen diesen Gesprächen zu wechseln, ist ein kritischer Erfolgsfaktor für jedes Unternehmenssoftware-Unternehmen. Ein häufiger Grund für das Scheitern eines Startups ist die Überzeugung, dass “wenn Sie es bauen, werden sie kommen”. Dies ist die gemeinsame Überzeugung, dass, wenn Sie einfach coole Software bauen, die Leute Schlange stehen werden, um sie zu kaufen. Das funktioniert nie, und die Lösung ist ein robuster Marketing-Prozess, der mit Ihrem Software-Entwicklungsprozess verbunden ist.

Die letzte Idee, die ich teilen werde, verbindet meine akademische Arbeit mit meiner beruflichen Arbeit. Ich hatte die Gelegenheit, an der Business School einen Kurs über Clay Christensens Theorie der disruptiven Innovation zu besuchen. In meiner beruflichen Arbeit hatte ich die Gelegenheit, sowohl als Disruptor als auch als Disruptierter zu erleben. Die wichtigste Lektion, die ich gelernt habe, ist, dass jede disruptive Innovation das Ergebnis einer exogenen Plattformverschiebung ist, die es ermöglicht, das Unmögliche endlich möglich zu machen. Im Fall von Qlik war es die Verfügbarkeit großer Speicher-Server, die es Qlik ermöglichte, traditionelle cube-basierte Berichterstattung zu stören. Bei Tamr ermöglicht die Verfügbarkeit von Machine Learning im großen Maßstab uns, manuelle, regelbasierte MDM durch einen AI-basierten Ansatz zu stören. Es ist wichtig, immer zu ermitteln, welche Plattformverschiebung die Disruption antreibt.

Was hat die Entwicklung von AI-nativer Master Data Management (MDM) inspiriert, und wie unterscheidet es sich von traditionellen MDM-Lösungen?

Die Entwicklung von Tamr entstand aus akademischer Arbeit am MIT (Massachusetts Institute of Technology) im Bereich der Entity-Auflösung. Unter der akademischen Leitung des Turing-Preisträgers Michael Stonebraker untersuchte das Team die Frage, ob man Daten-Sätze über Hunderttausende von Quellen und Millionen von Datensätzen verknüpfen kann. Auf den ersten Blick ist dies eine unüberwindbare Herausforderung, da das Problem mit der Skalierung geometrisch anwächst.

Traditionelle MDM-Systeme versuchen, dieses Problem mit Regeln und großen Mengen an manueller Daten-Pflege zu lösen. Regeln sind nicht skalierbar, da man niemals genug Regeln schreiben kann, um jeden Sonderfall abzudecken, und das Management von Tausenden von Regeln ist eine technische Unmöglichkeit. Manuelle Pflege ist extrem teuer, da sie auf Menschen angewiesen ist, die versuchen, Millionen von möglichen Datensätzen und Vergleichen zu durcharbeiten. Zusammen erklärt dies die schlechte Marktdurchdringung traditioneller MDM-Lösungen (Master Data Management). Ehrlich gesagt, niemand mag traditionelle MDM.

Tamrs einfache Idee war, einen AI zu trainieren, um die Arbeit der Quellen-Ingestion, des Record-Matchings und der Wert-Auflösung zu übernehmen. Das Gute an AI ist, dass es nicht isst, schläft oder Urlaub macht; es ist auch hochgradig parallelisierbar, sodass es große Datenmengen verarbeiten und daran arbeiten kann, sie zu verbessern. Wo MDM früher unmöglich war, ist es jetzt endlich möglich, saubere, konsolidierte und aktuelle Daten zu erhalten (siehe oben).

Welche sind die größten Herausforderungen, denen Unternehmen bei der Daten-Verwaltung gegenüberstehen, und wie löst Tamr diese Probleme?

Die erste und wahrscheinlich wichtigste Herausforderung, der Unternehmen bei der Daten-Verwaltung gegenüberstehen, ist, dass ihre Geschäftsanwender die generierten Daten nicht nutzen. Oder anders ausgedrückt: Wenn Daten-Teams keine hochwertigen Daten produzieren, die ihre Organisationen nutzen, um analytische Fragen zu beantworten oder Geschäftsprozesse zu rationalisieren, verschwenden sie Zeit und Geld. Ein primäres Ausgabe-Produkt von Tamr ist eine 360-Seite für jeden Entity-Record (denken Sie an: Kunden, Produkte, Teile usw.), die alle zugrunde liegenden 1. und 3. Partei-Daten kombiniert, damit Geschäftsanwender die Daten sehen und Feedback dazu geben können. Wie ein Wiki für Ihre Entity-Daten. Diese 360-Seite ist auch die Eingabe für eine konversationale Schnittstelle, die es Geschäftsanwendern ermöglicht, Fragen zu stellen und mit den Daten zu antworten. Also, Job eins ist es, dem Benutzer die Daten zu geben.

Warum ist es so schwierig für Unternehmen, Benutzern Daten zu liefern, die sie lieben? Weil es drei primäre harte Probleme gibt, die diesem Ziel zugrunde liegen: das Laden einer neuen Quelle, das Abgleichen neuer Records in den bestehenden Daten und das Korrigieren der Werte/Felder in den Daten. Tamr macht es einfach, neue Datenquellen zu laden, da sein AI automatisch neue Felder in ein definiertes Entity-Schema abbildet. Dies bedeutet, dass unabhängig davon, wie eine neue Datenquelle ein bestimmtes Feld bezeichnet (Beispiel: cust_name), es dem richtigen zentralen Definition dieses Entitys zugeordnet wird (Beispiel: “Kundenname”). Die nächste Herausforderung besteht darin, Records zu verknüpfen, die Duplikate sind. Duplizität in diesem Kontext bedeutet, dass die Records tatsächlich dieselbe reale Entität sind. Tamrs AI tut dies und verwendet sogar externe 3. Partei-Quellen als “Ground Truth”, um gemeinsame Entitäten wie Unternehmen und Personen aufzulösen. Ein gutes Beispiel dafür wäre das Verknüpfen aller Records über viele Quellen für einen wichtigen Kunden wie “Dell Computer”. Schließlich kann Tamr für jeden gegebenen Record Feldwerte einsetzen, die leer oder falsch sind.

Können Sie eine Erfolgsgeschichte teilen, in der Tamr die Daten-Verwaltung und die Geschäftsergebnisse eines Unternehmens erheblich verbessert hat?

CHG Healthcare ist ein wichtiger Spieler in der Gesundheitskrankenhaus-Industrie, der qualifizierte Gesundheitsfachkräfte mit Einrichtungen verbindet, die sie benötigen. Ob es sich um temporäre Ärzte durch Locums, Krankenschwestern mit RNnetwork oder umfassendere Lösungen durch CHG selbst handelt, bietet das Unternehmen maßgeschneiderte Personalbeschaffungslösungen, um Gesundheitseinrichtungen zu helfen, reibungslos zu funktionieren und qualitativ hochwertige Pflege für Patienten zu bieten.

Ihre grundlegende Wertschöpfung besteht darin, die richtigen Gesundheitsdienstleister mit der richtigen Einrichtung zur richtigen Zeit zu verbinden. Ihre Herausforderung bestand darin, dass sie keine genaue, einheitliche Sicht auf alle Anbieter in ihrem Netzwerk hatten. Angesichts ihres Umfangs (7,5 Mio. + Anbieter) war es unmöglich, ihre Daten mit herkömmlichen, regelbasierten Ansätzen ohne das Brechen der Bank auf menschliche Kuratoren zu halten. Sie konnten das Problem auch nicht ignorieren, da ihre Personalentscheidungen davon abhängig waren. Schlechte Daten könnten dazu führen, dass ein Anbieter mehr Schichten erhält, als er bewältigen kann, was zu Burnout führt.

Mit Tamrs erweiterten AI/ML-Fähigkeiten reduzierte CHG Healthcare die doppelten Arzt-Records um 45 % und eliminierte fast vollständig die manuelle Daten-Vorbereitung, die von knappen Daten- und Analyse-Ressourcen durchgeführt wurde. Und am wichtigsten ist, dass CHG durch die vertrauenswürdige und genaue Sicht auf Anbieter in der Lage ist, die Personalbeschaffung zu optimieren und so eine bessere Kundenerfahrung zu bieten.

Was sind einige häufige Missverständnisse über künstliche Intelligenz in der Daten-Verwaltung, und wie hilft Tamr dabei, diese Mythen zu zerstreuen?

Ein häufiges Missverständnis ist, dass künstliche Intelligenz “perfekt” sein muss oder dass Regeln und menschliche Kuratoren im Gegensatz zu künstlicher Intelligenz perfekt sind. Die Realität ist, dass Regeln immer wieder versagen. Und was noch wichtiger ist, wenn Regeln versagen, ist die einzige Lösung mehr Regeln. Also haben Sie ein unverwaltbares Durcheinander an Regeln. Und menschliche Kuratoren sind fehlerhaft. Menschen haben möglicherweise gute Absichten (obwohl nicht immer), aber sie sind nicht immer richtig. Was schlimmer ist, ist, dass einige menschliche Kuratoren besser sind als andere oder einfach andere Entscheidungen treffen als andere. Künstliche Intelligenz hingegen ist probabilistisch von Natur aus. Wir können überprüfen, wie genau diese Techniken sind, und wenn wir dies tun, stellen wir fest, dass künstliche Intelligenz weniger teuer und genauer ist als jede konkurrierende Alternative.

Tamr kombiniert künstliche Intelligenz mit menschlicher Verfeinerung für die Daten-Genauigkeit. Können Sie erläutern, wie diese Kombination in der Praxis funktioniert?

Menschen liefern etwas außergewöhnlich Wichtiges für künstliche Intelligenz – sie liefern die Schulung. Künstliche Intelligenz ist eigentlich das Skalieren menschlicher Bemühungen. Was Tamr von Menschen verlangt, sind die wenigen Beispiele (“Trainings-Labels”), die die Maschine verwenden kann, um die Modell-Parameter zu setzen. In der Praxis sieht dies so aus, dass Menschen eine kurze Zeit mit den Daten verbringen, Tamr Beispiele für Fehler und Fehler in den Daten geben und die künstliche Intelligenz diese Lektionen über das gesamte Datenset(s) laufen lässt. Zusätzlich kann die künstliche Intelligenz, wenn neue Daten hinzugefügt oder Daten geändert werden, Instanzen identifizieren, bei denen sie Schwierigkeiten hat, zuverlässige Entscheidungen zu treffen (“Low-Confidence-Matches”), und den Menschen um Input bitten. Diese Eingabe wird natürlich verwendet, um die Modelle zu verfeinern und zu aktualisieren.

Welche Rolle spielen Large Language Models (LLMs) in Tamrs Daten-Qualitäts- und Anreicherungs-Prozessen?

Erstens ist es wichtig, klar zu sein, wofür LLMs gut sind. Grundlegend sind LLMs für Sprache da. Sie produzieren Textzeichenfolgen, die etwas bedeuten, und sie können die Bedeutung von Text verstehen, der ihnen gegeben wird. Man könnte also sagen, dass sie Sprachmaschinen sind. Also, bei Tamr, wo Sprache wichtig ist, verwenden wir LLMs. Ein offensichtliches Beispiel ist unsere konversationale Schnittstelle, die auf unseren Entity-Daten sitzt, die wir unseren virtuellen CDO nennen. Wenn Sie mit Ihrem realen CDO sprechen, verstehen sie Sie und antworten in einer Sprache, die Sie verstehen. Genau so verwenden wir LLMs in diesem Teil unserer Software. Was wertvoll an Tamr in diesem Kontext ist, ist, dass wir die Entity-Daten als Kontext für die Konversation mit unserem vCDO verwenden. Es ist, als ob Ihr realer CDO alle besten Unternehmensdaten zur Verfügung hat, wenn er auf Ihre Fragen antwortet – wäre das nicht großartig!

Zusätzlich gibt es Fälle, in denen wir bei der Reinigung von Daten-Werten oder der Einsetzung fehlender Werte eine sprachbasierte Interpretation von Eingabe-Werten verwenden möchten, um einen fehlenden Wert zu finden oder zu korrigieren. Zum Beispiel könnten Sie fragen, was die Größe des Teils ist, wenn der Text “5mm Kugellager” gegeben ist, und ein LLM (oder eine Person) würde korrekt “5mm” antworten.

Letztendlich sind LLMs zugrunde liegende Einbettungsmodelle, die die sprachliche Bedeutung in Token (denken Sie an Wörter) kodieren. Diese können sehr nützlich für die Berechnung der sprachlichen Ähnlichkeit sein. Also, während “5” und “fünf” keine gemeinsamen Zeichen haben, sind sie sehr nah an der sprachlichen Bedeutung. Also können wir diese Informationen verwenden, um Records zusammenzuführen.

Wie sehen Sie die Zukunft der Daten-Verwaltung, insbesondere mit den Fortschritten in künstlicher Intelligenz und maschinellem Lernen?

Die “Big Data”-Ära der frühen 2000er sollte als “Small Data”-Ära in Erinnerung bleiben. Obwohl in den letzten 20+ Jahren viel Daten erstellt wurden, ermöglicht durch die Kommodifizierung von Speicher und Rechenleistung, hatte die Mehrheit der Daten, die Auswirkungen auf das Unternehmen hatten, relativ kleine Skalierbarkeit – grundlegende Verkaufs- und Kunden-Berichte, Marketing-Analytics und andere Datensätze, die leicht in einem Dashboard dargestellt werden konnten. Die Folge ist, dass viele der in der Daten-Verwaltung verwendeten Tools und Prozesse für “kleine Daten” optimiert sind, was der Grund dafür ist, dass regelbasierte Logik, ergänzt durch menschliche Kuratoren, immer noch so prominent in der Daten-Verwaltung ist.

Die Art und Weise, wie Menschen Daten nutzen möchten, ändert sich grundlegend mit den Fortschritten in künstlicher Intelligenz und maschinellem Lernen. Die Idee von “künstlichen Intelligenz-Agenten”, die einen erheblichen Teil der Arbeit einer Person autonom ausführen können, funktioniert nur, wenn diese Agenten die Daten haben, die sie benötigen. Wenn Sie von einem künstlichen Intelligenz-Agenten erwarten, dass er auf der Frontline des Kundensupports dient, aber Sie haben fünf Darstellungen von “Dell Computer” in Ihrem CRM und es ist nicht mit Produkt-Informationen in Ihrem ERP verbunden, wie können Sie dann erwarten, dass er qualitativ hochwertigen Service liefert, wenn jemand von Dell kontaktiert?

Die Implikation davon ist, dass unsere Daten-Verwaltungs-Tooling und -Prozesse evolvieren müssen, um Skalierbarkeit zu bewältigen, was bedeutet, dass wir künstliche Intelligenz und maschinelles Lernen annehmen müssen, um mehr Daten-Reinigungs-Aktivitäten zu automatisieren. Menschen werden immer noch eine wichtige Rolle bei der Überwachung des Prozesses spielen, aber grundlegend müssen wir die Maschinen bitten, mehr zu tun, damit es nicht nur die Daten in einem einzelnen Dashboard sind, die genau und vollständig sind, sondern die Mehrheit der Daten im Unternehmen.

Welche sind die größten Chancen für Unternehmen heute, wenn es darum geht, ihre Daten effektiver zu nutzen?

Die Anzahl der Möglichkeiten, wie Menschen Daten konsumieren können, erhöhen. Es gibt keinen Zweifel, dass Verbesserungen in Daten-Visualisierungstools Daten viel zugänglicher im gesamten Unternehmen gemacht haben. Jetzt müssen Daten- und Analytics-Führer über das Dashboard hinausgehen, um Wege zu finden, mit Daten Mehrwert zu schaffen. Schnittstellen wie interne 360-Seiten, Wissensgraphen und konversationale Assistenten werden durch neue Technologien ermöglicht und geben potenziellen Daten-Verbrauchern mehr Möglichkeiten, Daten in ihrem täglichen Arbeitsablauf zu nutzen. Es ist besonders leistungsfähig, wenn diese in den Systemen integriert sind, die Menschen bereits verwenden, wie CRMs und ERPs. Der schnellste Weg, mehr Wert aus Daten zu schaffen, ist, die Daten zu den Menschen zu bringen, die sie nutzen können.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Tamr besuchen.