Onur Alp Soner, CEO und Mitgründer von Countly – Interview-Serie

Onur Alp Soner ist der Mitgründer und CEO von Countly, einer digitalen Analyse- und In-App-Engagement-Plattform. Als Technologe und Selbststarter hat er Countly von Grund auf aufgebaut, um Unternehmen mehr Kontrolle darüber zu geben, wie sie ihre Nutzer verstehen und interagieren. Unter seiner Führung ist Countly zu einer vertrauenswürdigen Plattform für Unternehmen weltweit geworden, die schnell innovieren möchten, während sie die Privatsphäre der Nutzer in den Mittelpunkt ihrer Wachstumsstrategien stellen.

Erzählen Sie uns von dem Moment, der Sie dazu veranlasst hat, Countly zu gründen – was haben Sie persönlich mit bestehenden Analyse-Tools erlebt, das Sie davon überzeugt hat, dass das Daten-Eigentumsmodell grundlegend fehlerhaft ist?

Vor etwa 13 Jahren, als mobile Apps anfingen, an Popularität zu gewinnen, folgten die verfügbaren Analyse-Tools einem bestimmten Modell. Viele von ihnen waren kostenlos oder relativ günstig, aber der Trade-off bestand darin, dass die Plattform Ihre Daten sammelte und monetarisierte, oft in Werbeeinrichtungen. Zu dieser Zeit wurde das weithin als die normale Art und Weise akzeptiert, wie Dinge funktionierten.

Doch das gefiel uns nicht. Selbst als kleines Unternehmen machte es keinen Sinn, all unsere Nutzerdaten einfach nur weiterzugeben, um zu verstehen, wie unser Produkt funktioniert.

Countly begann als Reaktion darauf. Wir wollten eine Analyse erstellen, die Unternehmen vollständig besitzen und kontrollieren können, weshalb wir es als Open-Source-, Self-Hosted-Plattform starteten. Die Idee war einfach: Organisationen sollten in der Lage sein, ihre Daten zu verstehen und darauf zu reagieren, ohne sie weiterzugeben. Dieses Prinzip liegt noch immer im Kern von Countly.

Seit der Gründung von Countly hat KI das Thema Daten-Eigentum von einer Nischen-Bedenken in eine strategische Anforderung verwandelt. Wann wurde Ihnen klar, dass dieses Prinzip weit über die Analyse hinausgehen würde?

In den frühen Jahren wurden die meisten Gespräche über Daten-Eigentum im Rahmen von Datenschutz oder Compliance geführt. Es waren hauptsächlich Banken, Gesundheitsdienstleister und Regierungen, die sich tief um den Ort und die Kontrolle ihrer Daten kümmerten. Für viele andere wurde die Analyse noch immer als einfaches Berichtswerkzeug gesehen, sodass die Frage des Eigentums nicht dringend erschien.

Diese Perspektive begann sich zu ändern, als Unternehmen mehr und mehr auf Daten angewiesen waren, um ihre Produkte zu betreiben, nicht nur um sie zu messen. Sobald die Analyse von der Berichterstattung in die Entscheidungsfindung, Personalisierung, Produktänderungen und Kundenbindung überging, wurde die Bedeutung der Kontrolle über diese Daten viel deutlicher. Jedes digital orientierte Unternehmen, von Mobilität bis hin zu Gastgewerbe, begann effektiv, auf Daten und nicht nur auf die Benutzeroberfläche zu konkurrieren.

KI hat diese Erkenntnis dramatisch beschleunigt. Sie können ein KI-Modell lizenzieren oder bauen, aber Sie können die Verhaltensdaten, die zeigen, wie Ihre eigenen Kunden mit Ihrem Produkt interagieren, nicht kaufen. Diese Daten sind für jedes Unternehmen einzigartig.

Viele Organisationen glauben, sie seien “KI-bereit”, weil sie große Datenmengen haben. Was fehlt normalerweise unter der Oberfläche, wenn man in realen Unternehmen hineinschaut?

Der Mangel an Daten ist normalerweise nicht das Problem. Das eigentliche Problem ist der Mangel an nutzbaren Daten. Viele Organisationen haben enorme Informationsmengen, aber diese sind über verschiedene Tools, Teams und Systeme fragmentiert. Zum Beispiel kann das Marketing ein Dataset haben, das Produkt ein anderes und die Entwicklung ihre eigene Telemetrie, oft in unterschiedlichen Formaten mit wenig gemeinsamer Struktur gespeichert.

Damit KI nützlich ist, müssen die unterliegenden Daten sauber, konsistent und kontextuell sein. Es reicht nicht aus, Ereignisse oder Protokolle zu sammeln; Sie müssen verstehen, was diese Signale tatsächlich darstellen. Ohne diese semantische Ebene raten KI-Systeme im Wesentlichen.

Ein weiteres Problem ist das Eigentum. Eine erstaunliche Anzahl von Unternehmen kontrolliert ihre eigenen Daten nicht, da sie innerhalb von Drittanbieter-Plattformen liegen. Das macht es schwierig, Datensätze zu kombinieren, die Nutzung zu regeln oder KI-Modelle sicher darauf anzuwenden.

Wenn also Unternehmen sagen, sie seien KI-bereit, weil sie viele Daten haben, ist die eigentliche Frage, ob sie eine kohärente Datenbasis haben.

Warum schafft First-Party-Daten eine nachhaltige Wettbewerbsvorteile in KI-Systemen, während die Modelle selbst zunehmend austauschbar werden?

Was eine nachhaltige Vorteile schafft, ist nicht das Modell selbst, sondern das Verständnis der Nutzer, das durch First-Party-Daten entsteht. Diese Daten spiegeln wider, wie Menschen tatsächlich mit Ihrem Produkt interagieren, und sind für jedes Unternehmen einzigartig. Modelle hingegen werden zunehmend zu Kommoditäten. Sie können sie lizenzieren, feinjustieren oder zwischen Anbietern wechseln. Was Sie jedoch nicht replizieren können, sind die Verhaltensdaten, die durch die Interaktion Ihrer eigenen Nutzer mit Ihren Produkten über die Zeit generiert werden.

Diese Daten erfassen Muster, Kontext und Signale, die das tatsächliche Verhalten der Kunden widerspiegeln. Wenn sie ordnungsgemäß strukturiert und verstanden werden, ermöglichen sie es Unternehmen, Systeme zu bauen, die kontinuierlich von der realen Nutzung lernen, anstatt von generischen Datensätzen.

Wo brechen moderne Analyse-Stacks stillschweigend zusammen, wenn sie für KI-Systeme anstelle von Berichterstattung, Dashboards und KPIs umfunktioniert werden?

Sie brechen normalerweise an dem Punkt zusammen, an dem Daten von der Beobachtung zur Aktion übergehen müssen. Traditionelle Analyse-Stacks wurden hauptsächlich für die Berichterstattung konzipiert. Sie sammeln und aggregieren Daten und präsentieren sie in Dashboards, die Teams helfen, zu verstehen, was gestern oder letzte Woche passiert ist.

KI-Systeme hingegen funktionieren anders. Sie erfordern Daten, die strukturiert, kontextuell und in Echtzeit verfügbar sind, damit sie direkt das Verhalten eines Systems beeinflussen können. Wenn Analyse-Pipelines um Batch-Verarbeitung und verzögerte Berichterstattung herum aufgebaut sind, kämpfen sie darum, Systeme zu unterstützen, die sofort reagieren müssen.

Wie zeigt sich der Mangel an echtem Daten-Eigentum operativ, wenn Teams versuchen, KI von der Experimentierung in die Produktion zu überführen?

Es zeigt sich normalerweise als Kontrollproblem. Letztendlich, wenn Sie keine Kontrolle über Ihre Daten haben, haben Sie auch keine Kontrolle über Ihre KI. Dies wird besonders deutlich, wenn Teams von der Experimentierung in die Produktion übergehen. Während der Experimentierphase können Teams oft mit kleinen Datensätzen oder temporären Pipelines arbeiten, aber Produktions-Systeme erfordern konsistente Zugriffe auf zuverlässige Daten im gesamten Unternehmen.

Dann befinden sich in vielen Unternehmen die zugrunde liegenden Daten über verschiedene Drittanbieter-Plattformen wie Analyse-Tools, Marketing-Systeme oder Cloud-Dienste. Das macht es schwierig, Datensätze zu kombinieren, Regeln der Governance anzuwenden oder Daten zwischen Systemen in einer kontrollierten Weise zu verschieben. Dies ist einer der Gründe, warum viele KI-Projekte im Pilot-Status stecken bleiben. Ohne strukturierte, organisationsweite Daten wird es schwierig, KI zuverlässig in der Produktion einzusetzen.

Es wird auch schwieriger, zu verfolgen, wie ein Modell zu einer Entscheidung kam, oder den genauen Daten-Zustand dahinter zu rekonstruieren. Ohne diese Kontrolle wird es extrem schwierig, Fehler zu korrigieren oder Entscheidungen zurückzunehmen.

Warum untergraben schlechte Datenstruktur, Semantik und Kontext sogar die leistungsfähigsten KI-Modelle?

Sogar die leistungsfähigsten KI-Modelle sind nur so gut wie die Daten, die sie erhalten. Wenn die zugrunde liegenden Daten schlecht strukturiert sind oder Kontext fehlt, hat das Modell sehr wenig Verständnis dafür, was diese Signale tatsächlich darstellen.

In vielen Systemen werden Daten als isolierte Ereignisse oder Protokolle ohne klare Bedeutung gesammelt. Ein Modell kann Tausende von Interaktionen sehen, aber ohne ordnungsgemäße Struktur und Semantik kann es nicht zwischen dem Wichtigen und dem, was einfach Rauschen ist, unterscheiden.

Kontext ist ebenso wichtig. KI-Systeme müssen verstehen, wie verschiedene Datenkomponenten im Laufe der Zeit miteinander in Beziehung stehen. Ohne diesen Kontext können Modelle zwar Ausgaben produzieren, aber sie sind oft unzuverlässig, weil das System mit unvollständigen Informationen arbeitet.

Welche Warnsignale zeigen an, dass ein Unternehmen auf generische KI-Ergebnisse zusteuert, lange bevor diese Erfahrungen für die Kunden generisch erscheinen?

Das grundlegendste Warnsignal ist, wenn Unternehmen auf externe KI-Modelle und -Tools angewiesen sind, aber wenig tun, um ihre eigene Datenbasis zu entwickeln. Wenn Organisationen die gleichen Modelle verwenden, aber nicht ihre eigenen Nutzer- und Kontextdaten einsetzen, arbeiten die Systeme im Wesentlichen mit den gleichen generischen Eingaben. In dieser Situation kann die KI nur hochrangige oder generische Ergebnisse produzieren. Im Laufe der Zeit führt dies zu Produkten, die sich zunehmend ähnlich anfühlen, weil die Intelligenz dahinter auf den gleichen begrenzten Informationen basiert.

Ein weiteres Warnsignal ist, wenn Organisationen sich stark auf die Übernahme von KI-Modellen konzentrieren, aber wenig Aufmerksamkeit auf die Struktur und Qualität ihrer Daten richten. KI verstärkt, was sie erhält. Wenn die zugrunde liegenden Daten chaotisch, fragmentiert oder schlecht strukturiert sind, wird das System einfach eine raffiniertere Version des gleichen Problems produzieren.

Was ermöglicht Countly im Gegensatz zu herkömmlichen Analyse- und Datenplattformen für Organisationen, die KI auf Basis ihrer eigenen Daten aufbauen möchten?

Der Schlüsselunterschied liegt darin, wie Kontrolle in die Plattform integriert ist. In vielen Analyse-Produkten erscheint das Daten-Eigentum als Option oder Feature. Bei Countly liegt es im Kern des Systems. Die Plattform wurde so konzipiert, dass Organisationen nicht auf die Kontrolle über ihre Daten verzichten müssen, um erweiterte Funktionalitäten zu erhalten.

In der Praxis bedeutet dies, dass Unternehmen Countly in ihrer eigenen Umgebung ausführen, die volle Kontrolle über ihren Datenstapel behalten und dennoch auf Analytics-, Engagement- und Automatisierungsfunktionen im großen Maßstab zugreifen können. Dies wird besonders wichtig, wenn Organisationen KI auf Basis ihrer eigenen Daten aufbauen möchten. Viele herkömmliche Analyse-Tools sind hauptsächlich für die Berichterstattung konzipiert, was bedeutet, dass die gesammelten Daten oft innerhalb von Drittanbieter-Dashboards bleiben, anstatt eine nutzbare Grundlage für andere Systeme zu bilden. Countly geht einen anderen Weg, indem es die Analyse als Teil der zugrunde liegenden Daten-Infrastruktur behandelt.

Wie sollte die Definition von ethischer KI sich entwickeln, wenn Daten-Eigentum als Kern-Designprinzip und nicht als Policy-Checkbox behandelt wird, wenn KI-Systeme in die tägliche Entscheidungsfindung integriert werden?

Sobald Daten-Eigentum als Designprinzip behandelt wird, ist ethische KI nicht mehr nur darum bemüht, Modelle nachträglich zu überprüfen – es geht darum, Systeme zu konzipieren, in denen Nutzer die Kontrolle über die Daten behalten, die sie trainieren. Ethik wird zur Infrastruktur.

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