Anthony Deighton, CEO της Tamr – Σειρά Συνεντεύξεων

Anthony Deighton είναι ο CEO της Tamr. Έχει 20 χρόνια εμπειρίας στη δημιουργία και ανάπτυξη εταιρειών λογισμικού επιχειρήσεων. Πρόσφατα, πέρασε δύο χρόνια ως Chief Marketing Officer στην Celonis, καθιερώνοντας την ηγεσία της στην κατηγορία του Process Mining software και δημιουργώντας προγράμματα δημιουργίας ζήτησης που οδήγησαν σε αύξηση 130% του ετήσιου ρυθμού ανανέωσης. Προηγουμένως, υπηρέτησε για πάνω από 10 χρόνια στην Qlik, μεγαλώνοντας την εταιρεία από μια άγνωστη σουηδική εταιρεία λογισμικού σε eine δημόσια εταιρεία — σε ρόλους από ηγεσία προϊόντων, marketing προϊόντων και τελικά ως CTO. Ξεκίνησε την καριέρα του στην Siebel Systems μαθαίνοντας πώς να χτίζονται εταιρείες λογισμικού επιχειρήσεων σε eine ποικιλία ρόλων προϊόντων.

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

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

Και η Celonis και η Qlik επικεντρώθηκαν στην πρώτη πλευρά της πρόκλησης ανάλυσης δεδομένων – πώς να δω και να κατανοήσω τα δεδομένα; Σε περίπτωση της Qlik, αυτό ήταν τα dashboards· στην περίπτωση της Celonis ήταν οι επιχειρηματικές διαδικασίες. Αλλά μια κοινή πρόκληση σε cả τις δύο ήταν τα δεδομένα πίσω από αυτές τις οπτικές. Πολλοί πελάτες παραπονέθηκαν ότι τα δεδομένα ήταν λάθος: διπλότυπα ρεκόρ, непλήρη ρεκόρ, λείπουν σιλό δεδομένων. Αυτό είναι που με έκανε να ενταχθώ στην Tamr, όπου ένιωθα ότι για πρώτη φορά, μπορεί να λυθεί η πρόκληση των ακατάστατων επιχειρηματικών δεδομένων. Τα πρώτα 15 χρόνια της καριέρας μου στο λογισμικό επιχειρήσεων πέρασαν οπτικοποιώντας δεδομένα, ελπίζω ότι τα επόμενα 15 χρόνια θα περάσουν καθαρίζοντας αυτά τα δεδομένα.

Πώς οι πρώτες εμπειρίες σας διαμόρφωσαν την προσέγγισή σας στη δημιουργία και ανάπτυξη εταιρειών λογισμικού επιχειρήσεων;

Ένα σημαντικό μάθημα που έμαθα στη μετατόπιση από την Siebel στην Qlik ήταν η δύναμη της απλότητας. Η Siebel ήταν πολύ ισχυρό λογισμικό, αλλά σκοτώθηκε στην αγορά από την Salesforce.com, η οποία έφτιαξε ένα CRM με πολύ λιγότερες λειτουργίες (“ένα παιχνίδι” η Siebel το λεγόταν), αλλά οι πελάτες μπορούσαν να το ξεκινήσουν γρήγορα γιατί 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. Jako αποτέλεσμα, μπορούσαμε να νικήσουμε ανταγωνιστές με περισσότερες λειτουργίες, όπως η Business Objects και η Cognos.

Το δεύτερο σημαντικό μάθημα που έμαθα ήταν στην καριέρα μου από το marketing στο προϊόν. Σκεφτόμαστε αυτές τις περιοχές ως διακριτές. Στην καριέρα μου, βρήκα ότι κινώμαι εύκολα μεταξύ προϊόντων και marketing. Υπάρχει μια οικεία σύνδεση μεταξύ του προϊόντος που χτίζουμε και του πώς το περιγράψουμε σε potenciální πελάτες. Και υπάρχει μια εξίσου σημαντική σύνδεση μεταξύ του τι ζητούν οι πελάτες και του ποιό προϊόν πρέπει να χτίσουμε. Η ικανότητα να κινείστε μεταξύ αυτών των συζητήσεων είναι ένας κρίσιμος παράγοντας επιτυχίας για jede εταιρεία λογισμικού επιχειρήσεων. Ένας κοινός λόγος για την αποτυχία eines startup είναι η πίστη ότι “αν το χτίσετε, θα έρθουν”. Αυτή είναι η κοινή πίστη ότι αν χτίσετε απλά ένα καλό λογισμικό, οι άνθρωποι θα στείλουν για να το αγοράσουν. Αυτό ποτέ δεν λειτουργεί, και η λύση είναι μια robust διαδικασία marketing που συνδέεται με τη διαδικασία ανάπτυξης λογισμικού.

Το τελευταίο ιδέα που θα μοιραστώ συνδέει το ακαδημαϊκό μου έργο με το επαγγελματικό μου έργο. Είχα την ευκαιρία στο business σχολείο να παρακολουθήσω ένα μάθημα για τη θεωρία της ανατρεπτικής καινοτομίας του Clay Christensen. Στο επαγγελματικό μου έργο, είχα την ευκαιρία να ζήσω και να ανατρεχθώ. Το κλειδί που έμαθα είναι ότι κάθε ανατρεπτική καινοτομία είναι αποτέλεσμα μιας εξωγενούς αλλαγής πλατφόρμας που κάνει το αδύνατο τελικά δυνατό. Σε περίπτωση της Qlik, ήταν η διαθεσιμότητα μεγάλων μεμοριών διακομιστών που επέτρεψε στην Qlik να ανατρεχθεί την παραδοσιακή αναφορά cube-βάσεων. Στην Tamr, η διαθεσιμότητα της μηχανικής μάθησης σε κλίμακα επιτρέπει να ανατρεχθεί η χειροκίνητη MDM με βάση κανόνες υπέρ μιας προσέγγισης AI-βάσεων. Είναι σημαντικό να κατανοήσουμε 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 (Μασσαχουσέτη Ινστιτούτο Τεχνολογίας) γύρω από την οντότητα entity resolution. Υπό την ακαδημαϊκή ηγεσία του βραβευμένου με το βραβείο Turing Michael Stonebraker, η ερώτηση που διερευνούσε η ομάδα ήταν “μπορούμε να συνδέσουμε εγγραφές δεδομένων σε εκατοντάδες χιλιάδες πηγές και εκατομμύρια εγγραφών”. Στο πρόσωπο του, αυτό είναι ένα ακατόρθωτο πρόβλημα επειδή όσο περισσότερες εγγραφές και πηγές, τόσο περισσότερες εγγραφές κάθε πιθανή αντιστοιχία πρέπει να συγκριθούν. Οι επιστήμονες υπολογιστών το λένε “n-τετράγωνο πρόβλημα” επειδή το πρόβλημα αυξάνεται γεωμετρικά με κλίμακα.

Οι παραδοσιακές λύσεις MDM προσπαθούν να λύσουν αυτό το πρόβλημα με κανόνες και μεγάλες ποσότητες χειροκίνητης επιμέλειας δεδομένων. Οι κανόνες δεν κλιμακώνονται επειδή δεν μπορείτε ποτέ να γράψετε αρκετούς κανόνες για να καλύψετε κάθε γωνία και η διαχείριση χιλιάδων κανόνων είναι μια τεχνική αδιανόητη. Η χειροκίνητη επιμέλεια είναι εξαιρετικά ακριβή επειδή βασίζεται σε ανθρώπους για να προσπαθήσουν να εργαστούν μέσω εκατομμυρίων πιθανών εγγραφών και συγκρίσεων. Λαμβάνοντας μαζί, αυτό εξηγεί την κακή αγορά της παραδοσιακής MDM (Διαχείριση Δεδομένων). Ειλικρινά, κανείς δεν αγαπά την παραδοσιακή MDM.

Η απλή ιδέα της Tamr ήταν να εκπαιδεύσει ένα AI να κάνει το έργο της εισαγωγής πηγής, αντιστοίχισης εγγραφών και επίλυσης τιμής. Το ωραίο πράγμα για το AI είναι ότι δεν τρώει, δεν κοιμάται, δεν παίρνει διακοπές· είναι επίσης高度 παράλληλο, οπότε μπορεί να αναλάβει τεράστιες ποσότητες δεδομένων και να εργαστεί για να τα κάνει καλύτερα. Έτσι, όπου η MDM ήταν αδύνατη, είναι τελικά δυνατό να επιτύχετε καθαρά, ενοποιημένα και ενημερωμένα δεδομένα (δείτε παραπάνω).

Ποια είναι τα μεγαλύτερα προβλήματα που αντιμετωπίζουν οι εταιρείες με τη διαχείριση δεδομένων, και πώς η Tamr αντιμετωπίζει 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 τους χρησιμοποιεί για να απαντήσει σε αναλυτικά ερωτήματα ή να ροκανίσουν 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 δεδομένα 1ης και 3ης πηγής, ώστε οι επιχειρηματικοί χρήστες να possono δουν και να προσφέρουν σχόλια για τα δεδομένα. Όπως ένα wiki για τα δεδομένα οντότητας σας. Αυτή η σελίδα 360 είναι επίσης η είσοδος για μια συνομιλική διεπαφή που επιτρέπει στους επιχειρηματικούς χρήστες να ρωτούν και να απαντούν σε ερωτήματα με τα δεδομένα. Έτσι, η δουλειά είναι να δώσετε στον χρήστη τα δεδομένα.

Γιατί είναι τόσο δύσκολο για τις εταιρείες να δώσουν στους χρήστες δεδομένα που αγαπούν; Επειδή υπάρχουν τρία βασικά σκληρά προβλήματα που υποκείονται σε αυτό το στόχο: φόρτωση μιας νέας πηγής, αντιστοίχηση των νέων εγγραφών στις υπάρχουσες δεδομένα και διόρθωση των τιμών/πεδίων δεδομένων. Η Tamr κάνει εύκολη τη φόρτωση νέων πηγών δεδομένων επειδή το AI της αυτόματα χαρτογραφεί νέα πεδία σε ένα καθορισμένο σχήμα οντότητας. Αυτό σημαίνει ότι ανεξάρτητα από το τι ονομάζει μια νέα πηγή δεδομένων ένα συγκεκριμένο πεδίο (π.χ. cust_name) το χαρτογραφεί στο σωστό κεντρικό ορισμό της οντότητας (π.χ. “όνομα πελάτη”). Η επόμενη πρόκληση είναι να συνδέσετε εγγραφές που είναι διπλότυπες. Διπλότυπο σε αυτή τη περίπτωση σημαίνει ότι οι εγγραφές είναι στην πραγματικότητα η ίδια πραγματική οντότητα. Το AI της Tamr το κάνει αυτό, και ακόμη χρησιμοποιεί εξωτερικές πηγές 3ης πηγής ως “αλήθεια εδάφους” για να επιλύσει κοινές οντότητες όπως εταιρείες και άτομα. Ένα καλό παράδειγμα θα ήταν η σύνδεση όλων των εγγραφών σε πολλές πηγές για einen σημαντικό πελάτη όπως η “Dell Computer”. Τέλος, για jede εγγραφή μπορεί να υπάρχουν πεδία που είναι κενά ή λάθος. Η Tamr μπορεί να προβλέψει τις σωστές τιμές πεδίων από εσωτερικές και 3ης πηγής πηγές.

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

Η CHG Healthcare είναι ένας σημαντικός παίκτης στη βιομηχανία υγειονομικής επιλογής, συνδέοντας ικανά υγειονομικά επαγγελματίες με εγκαταστάσεις που χρειάζονται. Όταν πρόκειται για προσωρινούς γιατρούς μέσω Locums, νοσοκόμες με RNnetwork ή ευρύτερες λύσεις μέσω CHG, παρέχουν προσαρμοσμένες λύσεις επιλογής για να βοηθήσουν τις εγκαταστάσεις υγείας να λειτουργούν ομαλά και να παρέχουν ποιοτική φροντίδα στους ασθενείς.

Η θεμελιώδης αξία τους είναι η σύνδεση των σωστών υγειονομικών παρόχων με τη σωστή εγκατάσταση τη σωστή στιγμή. Η πρόκλησή τους ήταν ότι δεν είχαν μια ακριβή, ενοποιημένη άποψη όλων των παρόχων στη δικτύωσή τους. Λόγω του μεγέθους τους (7,5 εκατομμύρια+ παρόχοι), ήταν αδύνατο να διατηρήσουν τα δεδομένα τους ακριβή με τις παραδοσιακές, κανόνας-οδηγούμενες προσεγγίσεις χωρίς να σπάσουν την τράπεζα με ανθρώπινους επιμελητές. Δεν μπορούσαν επίσης να αγνοήσουν το πρόβλημα,既然 η λήψη αποφάσεων τους εξαρτάται από αυτό. Κακό δεδομένα για αυτούς θα μπορούσε να σημαίνει 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 μείωσε τις διπλότυπες ιατρικές εγγραφές κατά 45% και σχεδόν εξαφάνισε τη χειροκίνητη προετοιμασία δεδομένων που γινόταν από σπάνιες πηγές δεδομένων και αναλυτικών πόρων. Και το πιο σημαντικό, έχοντας μια αξιόπιστη και ακριβή άποψη των παρόχων, η CHG είναι σε θέση να βελτιστοποιήσει την επιλογή, επιτρέποντάς τους να παρέχουν καλύτερη εμπειρία πελάτη.

Τι είναι κάποια κοινά λάθη για το AI στη διαχείριση δεδομένων, και πώς η Tamr βοηθά να διαλύσει αυτές τις μύθους;

Ένα κοινό λάθος είναι ότι το AI πρέπει να είναι “τέλειο”, ή ότι οι κανόνες και η χειροκίνητη επιμέλεια είναι τέλειες σε αντίθεση με το AI. Η πραγματικότητα είναι ότι οι κανόνες αποτυγχάνουν συνέχεια. Και, πιο σημαντικά, όταν οι κανόνες αποτυγχάνουν, η μόνη λύση είναι περισσότεροι κανόνες. Έτσι, έχετε μια ακατάστατη混乱 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 πιθανολογικό φύσης. Μπορούμε να επικυρώσουμε μέσω στατιστικών πόσο ακριβείς 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 βελτίωση 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 ψάχνει η Tamr από τους ανθρώπους είναι τα λίγα παραδείγματα (“ετικέτες εκπαίδευσης”) που η μηχανή μπορεί να χρησιμοποιήσει για να ορίσει τις παραμέτρους του μοντέλου. Στην πράξη, αυτό που μοιάζει είναι ότι οι άνθρωποι δαπανάνε λίγο χρόνο 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, καθώς προστίθενται νέα δεδομένα ή τα δεδομένα αλλάζουν, το AI μπορεί να επιφέρει περιπτώσεις όπου δυσκολεύεται να λάβει σίγουρες αποφάσεις (“σύνδεσμοι χαμηλής εμπιστοσύνης”) και να ζητήσει από τον άνθρωπο να δώσει εισροή. Αυτή η εισροή, φυσικά, πηγαίνει να βελτιστοποιήσει και να ενημερώσει τα μοντέλα.

Τι ρόλο παίζουν οι μεγάλες γλωσσικές μοντέλα (LLM) στη διαδικασία ποιότητας και εμπλουτισμού δεδομένων της Tamr;

Πρώτα, είναι σημαντικό να είναι σαφείς για το τι είναι καλά τα LLM. Βασικά, τα LLM 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 γλωσσικές μηχανές. Για την Tamr, όπου η γλώσσα είναι σημαντική, χρησιμοποιούμε LLM. Ένα προφανές παράδειγμα είναι στη συνομιλική μας διεπαφή που βρίσκεται πάνω από τα δεδομένα οντότητας μας, την οποία αγαπάμε να την ονομάζουμε εικονικό CDO. Όταν μιλάτε με τον πραγματικό CDO σας, κατανοούν σας και απαντούν χρησιμοποιώντας γλώσσα που κατανοείτε. 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 το εικονικό μας CDO. Είναι σαν ο πραγματικός CDO σας να έχει όλα τα καλύτερα επιχειρηματικά δεδομένα σας στο νου του όταν απαντάει στα ερωτήματά σας – δεν θα ήταν υπέροχο;

Επιπλέον, υπάρχουν περιπτώσεις όπου στη καθαρισμό τιμών δεδομένων ή στην προβλέψη λείπων τιμών, όπου θέλουμε να χρησιμοποιήσουμε μια γλώσσα-βασισμένη ερμηνεία εισαγωγικών τιμών για να βρούμε ή να διορθώσουμε μια λείπων τιμή. Για παράδειγμα, μπορείτε να ρωτήσετε από το κείμενο “5mm ball bearing” τι είναι το μέγεθος του μέρους, και ένα LLM (ή ένας άνθρωπος) θα απαντήσει σωστά “5mm”.

Τέλος, τα υποκείμενα LLM 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 “πέντε” δεν μοιράζονται κανένα χαρακτήρα, είναι πολύ κοντά στη γλωσσική σημασία. Έτσι, μπορούμε να χρησιμοποιήσουμε αυτή την πληροφορία για να συνδέσουμε εγγραφές μαζί.

Πώς βλέπετε το μέλλον της διαχείρισης δεδομένων να εξελίσσεται, ιδιαίτερα με τις προόδους στο AI και τη μηχανική μάθηση;

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, ενεργοποιημένα από την εμπορευματοποίηση της αποθήκευσης και του υπολογισμού, η πλειονότητα των δεδομένων που είχε επίδραση στην επιχείρηση είναι σχετικά μικρή κλίμακα — βασικές πωλήσεις και αναλυτικά ερωτήματα, marketing αναλυτικά 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”, που είναι γιατί η λογική κανόνων,輔 με ανθρώπινη επιμέλεια, είναι ακόμη τόσο προεξάρχουσα στη διαχείριση δεδομένων.

Ο τρόπος που οι άνθρωποι θέλουν να χρησιμοποιήσουν τα δεδομένα αλλάζει θεμελιωδώς με τις προόδους στο AI και τη μηχανική μάθηση. Η ιδέα των “πρακτικών agent” που μπορούν να εκτελέσουν αυτόνομα ένα σημαντικό μέρος του έργου ενός ανθρώπου λειτουργεί μόνο αν οι πράκτορες έχουν τα δεδομένα που χρειάζονται. Αν περιμένετε από έναν πρακτικό agent να υπηρετήσει στην πρώτη γραμμή της υποστήριξης πελατών, αλλά έχετε πέντε αναπαραστάσεις της “Dell Computer” στο CRM σας και δεν είναι συνδεδεμένο με πληροφορίες προϊόντων στο ERP σας, πώς μπορείτε να περιμένετε να παρέχουν 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 τη μηχανική μάθηση για να αυτοματοποιήσουμε περισσότερες δραστηριότητες καθαρισμού δεδομένων. Οι άνθρωποι θα εξακολουθούν να παίζουν ένα σημαντικό ρόλο στη διεύθυνση της διαδικασίας, αλλά θεμελιωδώς πρέπει να ζητήσουμε από τις μηχανές να κάνουν περισσότερα, ώστε όχι μόνο τα δεδομένα σε ένα seul dashboard να είναι ακριβή και πλήρη, αλλά και η πλειονότητα των δεδομένων στην επιχείρηση.

Τι είναι τα μεγαλύτερα ευκαιρίες για τις επιχειρήσεις σήμερα όταν πρόκειται για την αξιοποίηση των δεδομένων τους πιο αποτελεσματικά;

Αυξάνοντας τον αριθμό των τρόπων που 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 αναλυτικών πρέπει να κοιτάξουν πέρα από το dashboard για τρόπους να παραδώσουν αξία με δεδομένα. Διεπαφές όπως εσωτερικές σελίδες 360, γράφοι γνώσης και συνομιλικές βοηθοί ενεργοποιούνται από νέες τεχνολογίες και δίνουν στους potenciální καταναλωτές δεδομένων περισσότερους τρόπους 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.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Tamr.