Anthony Deighton, CEO της Tamr – Σειρά Συνεντεύξεων

Anthony Deighton είναι ο CEO της Tamr. Έχει 20 χρόνια εμπειρίας στη δημιουργία και ανάπτυξη εταιρειών λογισμικού για επιχειρήσεις. Πρόσφατα, πέρασε δύο χρόνια ως Chief Marketing Officer στην Celonis, καθιστώντας την ηγετική εταιρεία στη κατηγορία του Process Mining software και δημιουργώντας προγράμματα δημιουργίας ζήτησης που οδήγησαν σε αύξηση 130% του ετήσιου ερευνικού κύκλου. Προηγουμένως, υπηρέτησε για 10+ χρόνια στη Qlik, μεγαλώνοντας την εταιρεία από μια άγνωστη σουηδική εταιρεία λογισμικού σε μια δημόσια εταιρεία — σε ρόλους από ηγεσία προϊόντος, marketing προϊόντος και τελικά ως CTO. Ξεκίνησε την καριέρα του στο Siebel Systems μαθαίνοντας πώς να δημιουργεί εταιρείες λογισμικού για επιχειρήσεις σε διάφορους ρόλους προϊόντος.

Μπορείτε να μοιραστείτε κάποια βασικά ορόσημα από το ταξίδι σας στη βιομηχανία λογισμικού για επιχειρήσεις, ιδιαίτερα την περίοδο σας στη Qlik και την Celonis;

Ξεκίνησα την καριέρα μου στο λογισμικό για επιχειρήσεις στο Siebel Systems και έμαθα πολλά για τη δημιουργία και ανάπτυξη εταιρειών λογισμικού για επιχειρήσεις από την ηγετική ομάδα εκεί. Εντάχθηκα στη Qlik όταν ήταν μια μικρή, άγνωστη, σουηδική εταιρεία λογισμικού με 95% της μικρής ομάδας των 60 ατόμων να βρίσκεται στο Λουντ, Σουηδία. Γελούνω ότι既然 δεν ήμουν μηχανικός ή πωλητής, μου ανατέθηκε η ευθύνη του marketing. Δημιούργησα την ομάδα marketing εκεί, αλλά με τον καιρό το ενδιαφέρον και η συμβολή μου στράφηκαν προς τη διαχείριση προϊόντος, και τελικά έγινα Chief Product Officer. Πήγαμε τη Qlik στο χρηματιστήριο το 2010, και συνεχίσαμε ως μια επιτυχημένη δημόσια εταιρεία. Μετά από αυτό, θέλαμε να κάνουμε μερικές αγορές, οπότε ξεκίνησα μια ομάδα M&A. Μετά από μια μακρά και σχετικά επιτυχημένη πορεία ως δημόσια εταιρεία, τελικά πουλήσαμε τη Qlik σε μια εταιρεία ιδιωτικών επενδύσεων με το όνομα Thoma Bravo. Ήταν, όπως λέω, ο πλήρης κύκλος ζωής μιας εταιρείας λογισμικού για επιχειρήσεις. Μετά την αποχώρησή μου από τη Qlik, εντάχθηκα στην Celonis, μια μικρή γερμανική εταιρεία λογισμικού που προσπαθούσε να επιτύχει επιτυχία πουλώντας στις ΗΠΑ. Πάλι, διηύθυνα το marketing ως CMO. Μεγαλώσαμε πολύ γρήγορα και δημιουργήσαμε μια πολύ επιτυχημένη παγκόσμια λειτουργία marketing.

Και η Celonis και η Qlik εστιάζονταν στο μπροστινό μέρος της πρόκλησης ανάλυσης δεδομένων – πώς να δείτε και να κατανοήσετε τα δεδομένα; Σε περίπτωση της Qlik, αυτό ήταν τα dashboard· στην περίπτωση της Celonis ήταν οι επιχειρηματικές διαδικασίες. Αλλά μια κοινή πρόκληση και στις δύο ήταν τα δεδομένα πίσω από αυτές τις οπτικές. Πολλοί πελάτες παραπονέθηκαν ότι τα δεδομένα ήταν λάθος: διπλότυπα ρεκόρ, ελλιπή ρεκόρ, λείπουν σιλό δεδομένων. Αυτό είναι αυτό που με έκανε να προσελκύσω την Tamr, όπου ένιωσα ότι για πρώτη φορά, μπορεί να λυθεί η πρόκληση των ακατάστατων επιχειρηματικών δεδομένων. Τα πρώτα 15 χρόνια της καριέρας μου στη βιομηχανία λογισμικού για επιχειρήσεις ήταν αφιερωμένα στην οπτικοποίηση δεδομένων· ελπίζω ότι τα επόμενα 15 χρόνια θα αφιερωθούν στο καθαρισμό αυτών των δεδομένων.

Πώς οι πρώιμες εμπειρίες σας διαμόρφωσαν την προσέγγισή σας στη δημιουργία και ανάπτυξη εταιρειών λογισμικού για επιχειρήσεις;

Ένα σημαντικό μάθημα που έμαθα στη μετάβαση από το Siebel στη Qlik ήταν η δύναμη της απλότητας. Το Siebel ήταν πολύ ισχυρό λογισμικό, αλλά σκοτώθηκε στην αγορά από το Salesforce.com, το οποίο δημιούργησε ένα CRM με πολύ λιγότερες λειτουργίες («ένα παιχνίδι» το Siebel το αποκαλούσε), αλλά οι πελάτες μπορούσαν να το ξεκινήσουν γρήγορα επειδή παρεχόταν ως λύση SaaS. Φαίνεται προφανές σήμερα, αλλά εκείνη την εποχή η σοφία ήταν ότι οι πελάτες αγόραζαν λειτουργίες, αλλά αυτό που μάθαμε είναι ότι οι πελάτες επενδύουν σε λύσεις για να λύσουν τα επιχειρηματικά τους προβλήματα. Έτσι, αν το λογισμικό σας λύνει το πρόβλημά τους γρηγορότερα, κερδίζετε. Η Qlik ήταν μια απλή λύση στο πρόβλημα ανάλυσης δεδομένων, αλλά ήταν ριζικά απλούστερη. Ως αποτέλεσμα, μπορούσαμε να νικήσουμε ανταγωνιστές με περισσότερες λειτουργίες, όπως η Business Objects και η Cognos.

Το δεύτερο σημαντικό μάθημα που έμαθα ήταν στη μετάβαση της καριέρας μου από το marketing στο προϊόν. Νομίζουμε ότι αυτές οι περιοχές είναι διακριτές. Στην καριέρα μου, βρήκα ότι κινώμαι εύκολα μεταξύ προϊόντος και marketing. Υπάρχει μια στενή σύνδεση μεταξύ του προϊόντος που κατασκευάζουμε και του τρόπου με τον οποίο το περιγράψουμε στους πελάτες. Και υπάρχει μια εξίσου σημαντική σύνδεση μεταξύ του τι ζητούν οι πελάτες και του τι προϊόν πρέπει να κατασκευάσουμε. Η ικανότητα να κινείστε μεταξύ αυτών των συνομιλιών είναι ένας κρίσιμος παράγοντας επιτυχίας για jede εταιρεία λογισμικού για επιχειρήσεις. Ένας κοινός λόγος αποτυχίας μιας startup είναι η πίστη ότι «αν το κατασκευάσετε, θα έρθουν». Αυτή είναι η κοινή πίστη ότι αν κατασκευάσετε απλά ένα καλό λογισμικό, οι άνθρωποι θα στείλουν να το αγοράσουν. Αυτό ποτέ δεν λειτουργεί, και η λύση είναι μια ροβούστα διαδικασία marketing που συνδέεται με τη διαδικασία ανάπτυξης λογισμικού.

Η τελευταία ιδέα που θα μοιραστώ συνδέει το ακαδημαϊκό μου έργο με το επαγγελματικό μου έργο. Είχα την ευκαιρία στο σχολείο επιχειρήσεων να παρακολουθήσω ένα μάθημα για τη θεωρία της ανατρεπτικής καινοτομίας του Clay Christensen. Στο επαγγελματικό μου έργο, είχα την ευκαιρία να ζήσω και τις δύο πλευρές — να είμαι ο ανατρεπτικός και να ανατρεπόμαι. Το βασικό μάθημα που έμαθα είναι ότι κάθε ανατρεπτική καινοτομία είναι αποτέλεσμα μιας εξωγενούς αλλαγής πλατφόρμας που κάνει το αδύνατο τελικά δυνατό. Στην περίπτωση της Qlik, ήταν η διαθεσιμότητα μεγάλων διακομιστών μνήμης που επέτρεψε στη Qlik να ανατρεψει την παραδοσιακή αναφορά με βάση κύβους. Στην Tamr, η διαθεσιμότητα του machine learning σε κλίμακα επιτρέπει να ανατρεψουμε τις χειροκίνητες κανόνες-βασισμένες MDM με μια προσέγγιση AI-βασισμένη. Είναι σημαντικό να καταλάβουμε πάντα ποια αλλαγή πλατφόρμας οδηγεί την ανατρεπτική μας.

Τι ενέπνευσε την ανάπτυξη του AI-γενικού Master Data Management (MDM), και πώς διαφέρει από τις παραδοσιακές λύσεις MDM;

Η ανάπτυξη της Tamr προήλθε από ακαδημαϊκό έργο στο MIT (Μασαχουσέτη Ινστιτούτο Τεχνολογίας) γύρω από την οντότητα-επίλυση. Υπό την ακαδημαϊκή ηγεσία του βραβευμένου με βραβείο Turing Michael Stonebraker, η ερώτηση που διερευνούσε η ομάδα ήταν «μπορούμε να συνδέσουμε εγγραφές δεδομένων σε εκατοντάδες χιλιάδες πηγές και εκατομμύρια εγγραφών». Επιφανειακά, αυτό είναι μια ακατόρθωτη πρόκληση επειδή όσο περισσότερες εγγραφές και πηγές, τόσο περισσότερες εγγραφές πρέπει να συγκριθούν. Οι επιστήμονες υπολογιστών την αποκαλούν «n-τετράγωνο πρόβλημα» επειδή το πρόβλημα αυξάνεται γεωμετρικά με την κλίμακα.

Οι παραδοσιακές λύσεις MDM προσπαθούν να λύσουν αυτό το πρόβλημα με κανόνες και μεγάλες ποσότητες χειροκίνητης επιμέλειας δεδομένων. Οι κανόνες δεν κλιμακώνουν επειδή δεν μπορείτε ποτέ να γράψετε αρκετούς κανόνες για να καλύψετε κάθε γωνία και η διαχείριση χιλιάδων κανόνων είναι μια τεχνική αδιαλλαξία. Η χειροκίνητη επιμέλεια είναι εξαιρετικά ακριβή επειδή βασίζεται σε ανθρώπους για να προσπαθήσουν να δουλέψουν μέσω εκατομμυρίων πιθανών εγγραφών και συγκρίσεων. Λαμβάνοντας μαζί, αυτό εξηγεί την κακή αγορά υιοθέτησης των παραδοσιακών λύσεων MDM. Ειλικρινά, κανείς δεν αγαπά τις παραδοσιακές λύσεις MDM.

Η απλή ιδέα της Tamr ήταν να εκπαιδεύσει ένα AI να κάνει το έργο της πηγής-κατανάλωσης, εγγραφής-συνάθροισης και αξίας-επίλυσης. Το ωραίο πράγμα για το AI είναι ότι δεν τρώει, δεν κοιμάται ή δεν παίρνει διακοπές· είναι επίσης υψηλά παράλληλο, οπότε μπορεί να αντιμετωπίσει τεράστιες ποσότητες δεδομένων και να τα κάνει καλύτερα. Έτσι, όπου το MDM ήταν αδύνατο, είναι τελικά δυνατό να επιτύχετε καθαρά, συντηρημένα, ενημερωμένα δεδομένα (δείτε παραπάνω).

Ποια είναι τα μεγαλύτερα προβλήματα που αντιμετωπίζουν οι εταιρείες με τη διαχείριση των δεδομένων τους, και πώς αντιμετωπίζει η Tamr αυτά τα ζητήματα;

Το πρώτο, και πιθανότατα το πιο σημαντικό πρόβλημα που αντιμετωπίζουν οι εταιρείες στη διαχείριση δεδομένων είναι ότι οι επιχειρηματικοί χρήστες δεν χρησιμοποιούν τα δεδομένα που παράγουν. Ή, με άλλα λόγια, αν οι ομάδες δεδομένων δεν παράγουν υψηλής ποιότητας δεδομένα που η οργάνωση χρησιμοποιεί για να απαντήσει σε αναλυτικά ερωτήματα ή να ροκανίσει επιχειρηματικές διαδικασίες, τότε σπαταλούν χρόνο και χρήμα. Ένα πρωταρχικό αποτέλεσμα της Tamr είναι μια σελίδα 360 για κάθε εγγραφή οντότητας (σκέψου: πελάτης, προϊόν, μέρος, κ.λπ.) που συνδυάζει όλα τα υποκείμενα 1ου και 3ου μέρους δεδομένα, ώστε οι επιχειρηματικοί χρήστες να μπορέσουν να δουν και να δώσουν σχόλια στα δεδομένα. Όπως μια βικι για τα δεδομένα οντότητας σας. Αυτή η σελίδα 360 είναι επίσης η είσοδος σε μια συνομιλητική διεπαφή που επιτρέπει στους επιχειρηματικούς χρήστες να κάνουν και να απαντήσουν σε ερωτήματα με τα δεδομένα. Έτσι, η δουλειά είναι να δώσετε στον χρήστη τα δεδομένα.

Μπορείτε να μοιραστείτε μια ιστορία επιτυχίας όπου η Tamr βελτίωσε σημαντικά τη διαχείριση δεδομένων μιας εταιρείας και τα επιχειρηματικά αποτελέσματα;

Η CHG Healthcare είναι ένας σημαντικός παίκτης στη βιομηχανία προσωρινής απασχόλησης υγειονομικής περίθαλψης, συνδέοντας εξειδικευμένους επαγγελματίες υγειονομικής περίθαλψης με εγκαταστάσεις που χρειάζονται. Όπως η Locums, οι νοσοκόμοι με RNnetwork ή ευρύτερες λύσεις με την CHG, παρέχουν εξατομικευμένες λύσεις προσωρινής απασχόλησης για να βοηθήσουν τις εγκαταστάσεις υγειονομικής περίθαλψης να λειτουργούν ομαλά και να παρέχουν ποιοτική φροντίδα στους ασθενείς.

Η θεμελιώδης αξία τους είναι να συνδέσουν τους σωστούς παρόχους υγειονομικής περίθαλψης με τους σωστούς χώρους την σωστή στιγμή. Η πρόκλησή τους ήταν ότι δεν είχαν μια ακριβή, ενιαία άποψη όλων των παρόχων στη δίκτυό τους. Με το μέγεθος τους (7,5 εκατομμύρια+ παρόχοι), ήταν αδύνατο να διατηρήσουν τα δεδομένα τους ακριβή με τις παραδοσιακές, κανόνες-οδηγούμενες προσεγγίσεις χωρίς να σπάσουν τον τραπεζικό λογαριασμό με ανθρώπινους επιμελητές. Δεν μπορούσαν επίσης να αγνοήσουν το πρόβλημα,既然 η λήψη αποφάσεων τους εξαρτάται από αυτό. Κακά δεδομένα για αυτούς θα μπορούσαν να σημαίνουν ότι ένας πάροχος λαμβάνει περισσότερες βάρδιες από ό,τι μπορεί να χειριστεί, οδηγώντας σε εξουθένωση.

Χρησιμοποιώντας τις προηγμένες ικανότητες AI/ML της Tamr, η CHG Healthcare μειώθηκε οι διπλότυπες ιατρικές εγγραφές κατά 45% και σχεδόν εξαφάνισε την χειροκίνητη προετοιμασία δεδομένων που γινόταν από σπάνιους πόρους δεδομένων και ανάλυσης. Και το πιο σημαντικό, έχοντας μια αξιόπιστη και ακριβή άποψη των παρόχων, η CHG μπορεί να βελτιώσει την απασχόληση, επιτρέποντας τους να παρέχουν μια καλύτερη εμπειρία πελάτη.

Τι είναι κάποια κοινά λάθη για το AI στη διαχείριση δεδομένων, και πώς βοηθά η Tamr να διώχνει αυτούς τους μύθους;

Ένα κοινό λάθος είναι ότι το AI πρέπει να είναι «τέλειο», ή ότι οι κανόνες και η χειροκίνητη επιμέλεια είναι τέλειοι σε αντίθεση με το AI. Η πραγματικότητα είναι ότι οι κανόνες αποτυχαίνουν συνέχεια. Και, πιο σημαντικά, όταν οι κανόνες αποτυχαίνουν, η μόνη λύση είναι περισσότεροι κανόνες. Έτσι, έχετε ένα ακαταμάχητο χάος κανόνων. Και η χειροκίνητη επιμέλεια είναι αμφίβολη επίσης. Οι άνθρωποι μπορεί να έχουν καλές προθέσεις (αν και όχι πάντα), αλλά δεν είναι πάντα σωστοί. Τι είναι χειρότερο, κάποιοι ανθρώπινοι επιμελητές είναι καλύτεροι από άλλους, ή απλά μπορεί να λάβουν διαφορετικές αποφάσεις από άλλους. Το AI, σε αντίθεση, είναι πιθανό φύσης. Μπορούμε να επικυρώσουμε στατιστικά πώς ακριβή είναι αυτές οι τεχνικές, και όταν το κάνουμε, βρισκόμαστε ότι το AI είναι λιγότερο ακριβό και πιο ακριβές από οποιαδήποτε ανταγωνιστική εναλλακτική.

Η Tamr συνδυάζει το AI με ανθρώπινη επιμέλεια για την ακρίβεια δεδομένων. Μπορείτε να εξηγήσετε πώς αυτή η συνδυασμένη προσέγγιση λειτουργεί στην πράξη;

Οι άνθρωποι παρέχουν κάτι εξαιρετικά σημαντικό στο AI — παρέχουν την εκπαίδευση. Το AI είναι πραγματικά για την κλιμάκωση των ανθρώπινων προσπαθειών. Αυτό που η Tamr ζητά από τους ανθρώπους είναι το μικρό αριθμό των παραδειγμάτων («ετικέτες εκπαίδευσης») που η μηχανή μπορεί να χρησιμοποιήσει για να ορίσει τις παραμέτρους του μοντέλου. Στην πράξη, αυτό που μοιάζει είναι ότι οι άνθρωποι περνούν ένα μικρό χρονικό διάστημα με τα δεδομένα, δίνοντας στην Tamr παραδείγματα λαθών και σφαλμάτων στα δεδομένα, και το AI τρέχει αυτά τα μαθήματα σε ολόκληρο το σύνολο δεδομένων. Επιπλέον, όταν προστίθενται νέα δεδομένα ή τα δεδομένα αλλάζουν, το AI μπορεί να επιφέρει περιπτώσεις όπου δυσκολεύεται να λάβει σίγουρες αποφάσεις («χαμηλής εμπιστοσύνης αντιστοιχίσεις») και να ζητήσει από τον άνθρωπο να δώσει εισροή. Αυτή η εισροή, φυσικά, πηγαίνει να βελτιώσει και να ενημερώσει τα μοντέλα.

Τι ρόλο παίζουν τα μεγάλα μοντέλα γλωσσών (LLMs) στη διαδικασία ποιότητας και εμπλουτισμού δεδομένων της Tamr;

Πρώτα, είναι σημαντικό να είναι σαφές για τι είναι καλά τα LLMs. Θεμελιωδώς, τα LLMs είναι για γλώσσα. Παραγάγουν σειρές κειμένου που σημαίνουν κάτι, και μπορούν να «κατανοήσουν» τη σημασία του κειμένου που τους δίνεται. Έτσι, θα μπορούσατε να πείτε ότι είναι μηχανές γλώσσας. Για την Tamr, όπου η γλώσσα είναι σημαντική, χρησιμοποιούμε LLMs. Ένα προφανές παράδειγμα είναι στη συνομιλητική μας διεπαφή που βρίσκεται πάνω από τα δεδομένα οντότητας μας, την οποία αγαπημένα ονομάζουμε εικονική CDO. Όταν μιλάτε στον πραγματικό CDO σας, καταλαβαίνουν και απαντούν με γλώσσα που καταλαβαίνετε. Αυτό είναι ακριβώς αυτό που περιμένουμε από ένα LLM, και αυτό είναι ακριβώς πώς το χρησιμοποιούμε σε这一 μέρος του λογισμικού μας. Τι είναι πολύτιμο για την Tamr σε αυτό το контекστό είναι ότι χρησιμοποιούμε τα δεδομένα οντότητας ως контекστό για τη συνομιλία με την εικονική CDO μας. Είναι σαν ο πραγματικός CDO σας να έχει όλα τα καλύτερα επιχειρηματικά δεδομένα σας στα χέρια του όταν απαντάει στα ερωτήματά σας — δεν θα ήταν υπέροχο;

Επιπλέον, υπάρχουν περιπτώσεις όπου στην καθαρισμό τιμών δεδομένων ή στην συμπλήρωση λείπων τιμών, όπου θέλουμε να χρησιμοποιήσουμε μια γλώσσα-βασισμένη ερμηνεία των εισροών τιμών για να βρούμε ή να διορθώσουμε μια λείπων τιμή. Για παράδειγμα, θα μπορούσατε να ζητήσετε από το κείμενο «5mm ball bearing» ποια είναι το μέγεθος του μέρους, και ένα LLM (ή ένας άνθρωπος) θα απαντούσε σωστά «5mm».

Τέλος, τα υποκείμενα LLMs είναι μοντέλα ενσωμάτωσης που κωδικοποιούν τη σημασία της γλώσσας σε tokens (σκέψου: λέξεις). Αυτά μπορούν να είναι πολύ χρήσιμα για τον υπολογισμό γλωσσικής σύγκρισης. Έτσι, ενώ «5» και «five» δεν μοιράζονται κανένα χαρακτήρα, είναι πολύ κοντά στη γλωσσική σημασία. Έτσι, μπορούμε να τα χρησιμοποιήσουμε για να συνδέσουμε εγγραφές μαζί.

Πώς βλέπετε το μέλλον της διαχείρισης δεδομένων να εξελίσσεται, ιδιαίτερα με τις προόδους στο AI και το machine learning;

Η εποχή «Μεγάλων Δεδομένων» στις αρχές της δεκαετίας του 2000 πρέπει να θυμόμαστε ως η εποχή «Μικρών Δεδομένων». Ενώ έχει δημιουργηθεί πολλά δεδομένα τα τελευταία 20+ χρόνια, με την Hilfe της εμπορευματοποίησης της αποθήκευσης και του υπολογισμού, η πλειονότητα των δεδομένων που έχουν επηρεάσει την επιχείρηση είναι σχετικά μικρής κλίμακας — βασικές αναφορές πωλήσεων και πελατών, αναλυτικά marketing, και άλλα σύνολα δεδομένων που θα μπορούσαν εύκολα να απεικονιστούν σε ένα dashboard. Το αποτέλεσμα είναι ότι πολλά από τα εργαλεία και τις διαδικασίες που χρησιμοποιούνται στη διαχείριση δεδομένων είναι βελτιστοποιημένα για «μικρά δεδομένα», και αυτό είναι ο λόγος για τον οποίο οι κανόνες-βασισμένες λογική, συμπληρωμένη με ανθρώπινη επιμέλεια, είναι ακόμη τόσο προεξάρχουσες στη διαχείριση δεδομένων.

Ο τρόπος που οι άνθρωποι θέλουν να χρησιμοποιήσουν τα δεδομένα αλλάζει θεμελιωδώς με τις προόδους στο AI και το machine learning. Η ιδέα «πρακτόρων AI» που μπορούν να εκτελέσουν αυτόνομα ένα σημαντικό μέρος της δουλειάς ενός ανθρώπου λειτουργεί μόνο αν οι πράκτορες έχουν τα δεδομένα που χρειάζονται. Αν περιμένετε από έναν πράκτορα AI να εξυπηρετήσει στην πρώτη γραμμή της υποστήριξης πελατών, αλλά έχετε πέντε αναπαραστάσεις «Dell Computer» στο CRM σας και δεν είναι συνδεδεμένο με πληροφορίες προϊόντων στο ERP σας, πώς μπορείτε να περιμένετε να παρέχετε υψηλής ποιότητας υπηρεσία όταν κάποιος από την Dell επικοινωνήσει;

Η επίδραση αυτού είναι ότι τα εργαλεία και οι διαδικασίες διαχείρισης δεδομένων μας θα πρέπει να εξελιχθούν για να χειριστούν κλίμακα, που σημαίνει να ενσωματώσουμε το AI και το machine learning για να αυτοματοποιήσουμε περισσότερες δραστηριότητες καθαρισμού δεδομένων. Οι άνθρωποι θα εξακολουθούν να παίζουν ένα σημαντικό ρόλο στη διαχείριση της διαδικασίας, αλλά θεμελιωδώς πρέπει να ζητήσουμε από τις μηχανές να κάνουν περισσότερα, ώστε να μην είναι μόνο τα δεδομένα σε ένα seul dashboard που είναι ακριβή και πλήρη, αλλά η πλειονότητα των δεδομένων στην επιχείρηση.

Ποια είναι τα μεγαλύτερα προβλήματα που αντιμετωπίζουν οι επιχειρήσεις σήμερα όταν πρόκειται για την αξιοποίηση των δεδομένων τους πιο αποτελεσματικά;

Αύξηση του αριθμού των τρόπων με τους οποίους οι άνθρωποι μπορούν να καταναλώσουν δεδομένα. Δεν υπάρχει αμφιβολία ότι οι βελτιώσεις στα εργαλεία οπτικοποίησης δεδομένων έχουν κάνει τα δεδομένα πολύ πιο προσιτά σε ολόκληρη την επιχείρηση. Τώρα, οι ηγέτες δεδομένων και ανάλυσης πρέπει να κοιτάξουν πέρα από το dashboard για τρόπους να παραδώσουν αξία με δεδομένα. Διεπαφές όπως εσωτερικές σελίδες 360, γράφοι γνώσης και συνομιλητικές διεπαφές ενεργοποιούνται από νέες τεχνολογίες και δίνουν στους πιθανούς καταναλωτές δεδομένων περισσότερους τρόπους για να χρησιμοποιήσουν δεδομένα στην καθημερινή εργασία. Είναι ιδιαίτερα ισχυρό όταν αυτά είναι ενσωματωμένα στα συστήματα που οι άνθρωποι ήδη χρησιμοποιούν, όπως τα CRM και ERPs. Ο ταχύτερος τρόπος για να δημιουργήσετε περισσότερη αξία από δεδομένα είναι φέρνοντας τα δεδομένα στους ανθρώπους που μπορούν να τα χρησιμοποιήσουν.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν Tamr.