Anthony Deighton, Tamrin toimitusjohtaja – Haastattelusarja

Anthony Deighton on Tamrin toimitusjohtaja. Hänellä on 20 vuoden kokemus yritysohjelmistoyhtiöiden rakentamisesta ja skaalauksesta. Viimeksi hän työskenteli kaksi vuotta Celonisissa markkinointijohtajana, jossa hän loi yhtiön johtavan aseman prosessien kaivuohjelmistojen luokassa ja loi kysyntäluomisohjelmia, jotka johtivat 130 %:n vuotuiseen kasvuun. Aikaisemmin hän työskenteli yli 10 vuotta Qlikissa kasvattaen sen tuntemattomasta ruotsalaisesta ohjelmistoyhtiöstä julkinen yhtiöksi – tuotejohtajuudesta, tuotemarkkinoinnista ja lopulta teknisen johtajan rooleissa. Hän aloitti uransa Siebel Systemsissä, jossa hän oppi rakentamaan yritysohjelmistoyhtiöitä monilla tuoterooleilla.

Voitko kertoa joitain tärkeitä merkkipaaluja matkaltaasi yritysohjelmistoteollisuudessa, erityisesti ajaltasi Qlikissä ja Celonisissa?

Aloin urani yritysohjelmistoteollisuudessa Siebel Systemsissä ja opin paljon yritysohjelmistoyhtiöiden rakentamisesta ja skaalauksesta johtoryhmältä siellä. Liityin Qlikiin, kun se oli pieni, tuntematon ruotsalainen ohjelmistoyhtiö, jossa 95 % 60-henkisestä tiimistä oli sijaitsee Lundissa, Ruotsissa. Vitsailen, että koska en ollut insinööri tai myyjä, minut asetettiin markkinointivastuuseen. Rakensin markkinointitiimin siellä, mutta ajan myötä mielenkiintoni ja panokset siirtyivät tuotejohtamiseen, ja lopulta tulinkin tuotejohtajaksi. Viimme Qlikin listalle vuonna 2010, ja jatkoimme menestyksekkäänä julkisena yhtiönä. Sen jälkeen halusimme tehdä joitain yritysostoja, joten perustin M&A-tiimin. Pitkän ja kohtuullisen menestyksekkään ajan julkisena yhtiönä myimme lopulta Qlikin yksityiseen pääomasijoittajaan nimeltä Thoma Bravo. Se oli, kuten sanon, yritysohjelmistoyhtiön täysi elinkaari. Qlikin jälkeen liityin Celonisiin, joka oli pieni saksalainen ohjelmistoyhtiö, joka yritti saavuttaa menestystä myymällä Yhdysvalloissa. Taas kerran johtamin markkinointia markkinointijohtajana. Kasvimme erittäin nopeasti ja rakensimme erittäin menestyksekkään globaalin markkinointitoiminnan.

Molemmat Celonis ja Qlik keskittyivät data-analytiikan haasteen eteen – miten näen ja ymmärrän dataa? Qlikin tapauksessa se oli dashboardit; Celonisissa se oli liiketoimintaprosessit. Mutta yhteinen haaste molemmissa oli data näiden visualisointien taustalla. Monet asiakkaat valittivat, että data oli väärää: moninkertaiset tiedot, epätäydelliset tiedot, puuttuvat data-silot. Tämä on se, mikä veti minut Tamriin, jossa tunsin, että voimme ensimmäistä kertaa ratkaista haasteen, joka liittyy epäsiistiin yritysdataan. Ensimmäiset 15 vuotta yritysohjelmistourallani kuluivat visualisoimalla dataa, toivon, että seuraavat 15 vuotta voidaan käyttää dataan siivoamiseen.

Miten varhaiset kokemuksesi muovasivat lähestymistapaasi yritysohjelmistoyhtiöiden rakentamiseen ja skaalaukseen?

Yksi tärkeä opetus, jonka opin siirtymällä Siebelistä Qlikiin, oli yksinkertaisuuden voima. Siebel oli erittäin voimakas ohjelmisto, mutta se kuoli markkinoilla Salesforce.comiin, joka loi CRM:n, jossa oli paljon vähemmän ominaisuuksia (”lelu”, jota Siebel kutsui), mutta asiakkaat pystyivät saamaan sen käyttöön nopeasti, koska se toimitettiin SaaS-ratkaisuna. Vaikka se näyttää ilmeiseltä tänään, silloin viisaus oli, että asiakkaat ostavat ominaisuuksia, mutta mitä opimme, on se, että asiakkaat investoivat ratkaisuihin, jotka ratkaisevat liiketoimintahaasteita. Jos ohjelmistosi ratkaisee ongelman nopeammin, voitat. Qlik oli yksinkertainen ratkaisu data-analytiikan ongelmaan, mutta se oli radikaalisti yksinkertaisempi. Sen vuoksi voimme voittaa kilpailijamme, jotka tarjosivat enemmän ominaisuuksia, kuten Business Objects ja Cognos.

Toinen tärkeä opetus, jonka opin urani siirtymällä markkinoinnista tuotejohtamiseen, on se, että tuotejohtaminen ja markkinointi ovat läheisesti kytköksissä toisiinsa. On intiimi linkki siinä, mitä tuotetta rakennamme, ja miten kuvaamme sen potentiaalisille asiakkaille. On myös tärkeä linkki siinä, mitä asiakkaat vaativat, ja mitä tuotetta meidän pitäisi rakentaa. Kyky liikkua näiden keskustelujen välillä on kriittinen menestystekijä yritysohjelmistoyhtiöille. Yleinen syy startupin epäonnistumiselle on uskomus, että ”jos rakennat sen, he tulevat”. Tämä on yleinen uskomus, jonka mukaan jos vain rakennat coolia ohjelmistoa, ihmiset jonottavat ostamaan sitä. Tämä ei toimi koskaan, ja ratkaisu on vankka markkinointiprosessi, joka on kytköksissä ohjelmistokehitysprosessiin.

Viimeinen ajatus, jonka haluan jakaa, liittyy akateemiseen työhöni ja ammattiuraani. Minulla oli mahdollisuus opiskella liiketoimintakoulussa Clay Christensenin teoriaa disruptiivisesta innovaatiosta. Ammattiurallani olen saanut mahdollisuuden kokea sekä olemassa disruptorina että disruptorin kohteena. Avainopetus, jonka olen oppinut, on, että jokainen disruptiivinen innovaatio on seuraus ulkoisesta alustan muutoksesta, joka tekee mahdottomasta mahdollisen. Qlikin tapauksessa se oli suurten muistipalvelinten saatavuus, joka mahdollisti Qlikin disruptoida perinteisen kuutio-pohjaisen raportoinnin. Tamrissa alustan saatavuus koneoppimista suuressa mittakaavassa mahdollistaa meidän disruptoida manuaalista, sääntöpohjaista MDM:ää AI-pohjaisen lähestymistavan hyväksi. On tärkeää aina selvittää, mikä alustan muutos ajaa disruptiota.

Mikä innoitti AI-käyttöisen Master Data Management (MDM) -järjestelmän kehittämisen, ja miten se eroaa perinteisistä MDM-ratkaisuista?

Tamrin kehittäminen lähti akateemisesta työstä MIT:ssä (Massachusetts Institute of Technology) yksikköiden ratkaisemisesta. Akateemisen johtajan, Turing-palkinnon voittajan Michael Stonebrakerin johdolla tutkijaryhmä tutki kysymystä ”voimmeko linkittää data-tietueita satoihin tuhansiin lähteisiin ja miljooniin tietueisiin”. Ensimmäisellä silmäyksellä tämä on ylittämätön haaste, koska mitä enemmän tietueita ja lähteitä on, sitä enemmän tietueita jokainen mahdollinen vastine on verrattava. Tietokoneet kutsuvat tätä ”n-squared-ongelmaa”, koska ongelma kasvaa geometrisesti mittakaavassa.

Perinteiset MDM-järjestelmät yrittävät ratkaista tämän ongelman sääntöjen ja manuaalisen data-kuraation avulla. Säännöt eivät skaalaa, koska et voi koskaan kirjoittaa tarpeeksi sääntöjä, jotka kattavat jokaisen erikoistapauksen, ja sääntöjen hallinta on tekninen mahdottomuus. Manuaalinen kuraatio on erittäin kallista, koska se riippuu ihmisistä, jotka yrittävät työskennellä miljoonien mahdollisten tietueiden ja vertailujen kanssa. Yhdessä nämä selittävät perinteisten MDM-ratkaisujen heikon markkinoiden omaksumisen. Rehellisesti sanottuna, kukaan ei pidä perinteisistä MDM:stä.

Tamrin yksinkertainen idea oli kouluttaa AI tehtävään, joka koostuu lähdeaineiston ottamisesta, tietueiden vastaavuuden määrittämisestä ja arvojen määrittämisestä. AI:n suuret asiat ovat, että se ei syö, nuku eikä ottele lomaa; se on myös erittäin rinnakkain, joten se voi käsitellä valtavia määriä dataa ja jatkaa sen parantamista. Joten, missä MDM oli aiemmin mahdoton, on nyt vihdoin mahdollista saada puhdas, konsolidoitu ja ajan tasalla oleva data (ks. yllä).

Mitkä ovat suurimmat haasteet, joita yritykset kohtaavat datanhallinnassa, ja miten Tamr ratkaisee nämä ongelmat?

Ensimmäinen ja ehkä tärkein haaste, jota yritykset kohtaavat datanhallinnassa, on, että heidän liiketoimintakäyttäjänsä eivät käytä heidän tuottamaansa dataa. Toisin sanoen, jos datatiimit eivät tuota laadukasta dataa, jonka organisaatiot voivat käyttää analyyttisiin kysymyksiin tai liiketoimintaprosessien sujuvoittamiseen, he hävittävät aikaa ja rahaa. Yksi Tamrin ensisijaisista tuloksista on 360-sivu kullekin yksikön tietueelle (esim. asiakas, tuote, osa jne.), joka yhdistää kaiken taustalla olevan 1. ja 3. osapuolen datan, jotta liiketoimintakäyttäjät voivat nähdä ja antaa palautetta datasta. Kuin wiki yritysdatalle. Tämä 360-sivu on myös syöte keskustelurajapintaan, joka sallii liiketoimintakäyttäjien kysyä ja vastata kysymyksiin datan kanssa. Joten, tehtävä yksi on antaa käyttäjille data.

Miksi on niin vaikea yrityksille antaa käyttäjille dataa, jota he rakastavat? Koska on kolme tärkeää ongelmaa, jotka liittyvät tähän tavoitteeseen: ladata uusi lähde, vastaavuuden määrittäminen uusille tietueille ja arvojen korjaaminen kentissä. Tamr tekee helpoksi ladata uusia data-lähteitä, koska sen AI automaattisesti kartoittaa uudet kentät määritellyyn yksikköschemaan. Tämä tarkoittaa, että riippumatta siitä, mitä uusi data-lähde kutsuu tiettyä kenttää (esim. asiakkaan_nimi), se kartoitetaan oikeaan keskusmääritykseen kyseisestä yksiköstä (esim. ”asiakkaan nimi”). Seuraava haaste on linkittää tietueet, jotka ovat duplikaatteja. Duplikaatti tarkoittaa, että tietueet ovat todellisuudessa samaa yksikköä. Tamrin AI tekee tämän, ja se käyttää jopa ulkoisia 3. osapuolen lähteitä ”todelliseksi” yksiköiden, kuten yritysten ja ihmisten, ratkaisemiseen. Hyvä esimerkki tästä olisi linkittää kaikki tietueet useista lähteistä tärkeälle asiakkaalle, kuten ”Dell Computeriin”. Lopulta kussakin tietueessa voi olla kenttiä, jotka ovat tyhjiä tai virheellisiä. Tamr voi täydentää oikeat kenttärivit sisäisistä ja 3. osapuolen lähteistä.

Voitko kertoa menestystarinan, jossa Tamr paransi merkittävästi yrityksen datanhallintaa ja liiketoimintatuloksia?

CHG Healthcare on suuri toimija terveydenhuollon henkilöstöpalvelujen alalla, joka yhdistää ammattitaitoisia terveydenhuollon ammattilaisia laitoksiin, joissa heidän palvelujaan tarvitaan. Olipa kyse sijaislääkäreistä Locumsin kautta, sairaanhoitajista RNnetworkin kautta tai laajemmista ratkaisuista CHG:n kautta, he tarjoavat räätälöityjä henkilöstöratkaisuja, jotta terveydenhuollon laitokset voivat toimia sujuvasti ja tarjota laadukasta hoitoa potilaille.

Heidän perustavanlaatuinen arvotarjontansa on yhdistää oikeat terveydenhuollon tarjoajat oikeaan laitokseen oikeaan aikaan. Heidän haasteensa oli, että heillä ei ollut tarkkaa, yhtenäistä näkymää kaikista tarjoajista verkostossaan. Ottaen huomioon heidän mittakaavansa (7,5 miljoonaa + tarjoajaa), heillä ei ollut mahdollista pitää dataa tarkkana perinteisillä, sääntöohjatuilla lähestymistavoilla ilman, että he rikkoivat pankin ihmisillä kuraattoreilla. He eivät myöskään voineet jättää ongelmaa huomiotta, koska heidän henkilöstöratkaisut riippuivat siitä. Huonot tiedot heille voivat tarkoittaa sitä, että tarjoaja saa enemmän vuoroja, kuin he voivat käsitellä, mikä johtaa polttamiseen.

Käyttämällä Tamrin edistyneitä AI- ja ML-ominaisuuksia CHG Healthcare vähensi duplikaattisia lääkäritietueita 45 prosentilla ja poisti lähes täysin manuaalisen data- valmistelun, jota harvoja data- ja analytiikkarajoja tehtiin. Ja ennen kaikkea, sillä, että heillä oli luotettava ja tarkka näkymä tarjoajista, CHG pystyy optimoimaan henkilöstönsä, mikä mahdollistaa heidän tarjoamisen paremman asiakaskokemuksen.

Mitkä ovat yleisimmät väärinkäsitykset AI:sta datanhallinnassa, ja miten Tamr auttaa näiden myyttien kumoamisessa?

Yleinen väärinkäsitys on, että AI:n on oltava ”täydellinen” tai että säännöt ja ihmisten kuraatio ovat täydellisiä verrattuna AI:hin. Todellisuus on, että säännöt epäonnistuvat aina. Ja tärkeämpää on, kun säännöt epäonnistuvat, ainoa ratkaisu on lisää sääntöjä. Joten sinulla on hallitsematon sääntöjen sotku. Ja ihmisten kuraatio on virheellinen. Ihmiset saattavat olla hyviä aikomuksia (vaikka ei aina), mutta he eivät aina ole oikein. Mitä on huonompi, jotkut ihmiset ovat parempia kuin toiset, tai he saattavat tehdä eri päätöksiä kuin toiset. AI on luonteeltaan todennäköinen. Voimme vahvistaa tilastollisesti, kuinka tarkkoja nämä tekniikat ovat, ja kun teemme niin, havaitsemme, että AI on halvempi ja tarkin kuin mikään muu vaihtoehto.

Tamr yhdistää AI:n ihmisten hienosäätöön datan tarkkuuden vuoksi. Voitko selittää, miten tämä yhdistäminen toimii käytännössä?

Ihmisten antama asia on poikkeuksellisen tärkeää AI:lle – he antavat koulutuksen. AI on todella skaalautuvaa ihmistoimintaa. Mitä Tamr odottaa ihmisiltä, on pieni määrä esimerkkejä (”koulutusmerkkejä”), joita kone voi käyttää mallin parametreja asettamaan. Käytännössä tämä tarkoittaa, että ihmiset viettävät pienen määrän aikaa datan kanssa, antaen Tamrille esimerkkejä virheistä ja virheistä datassa, ja AI suorittaa nämä opit kaikkien datakokoelmien yli. Lisäksi, kun uutta dataa lisätään tai dataa muutetaan, AI voi näyttää tapauksia, joissa se kamppailee luottavaisuuden kanssa, ja pyytää ihmisen syöttämään. Tämä syöte, luonnollisesti, menee päivittämään ja päivittämään malleja.

Mitkä ovat suurten kieli-mallien (LLM) roolit Tamrin datan laadun ja rikastamisprosesseissa?

Ensinnäkin on tärkeää olla selvä, mihin LLM:t ovat hyviä. Perustajalisesti LLM:t ovat kieltä. Ne tuottavat tekstiä, jolla on merkitys, ja ne voivat ”ymmärtää” tekstiä, jota heille annetaan. Voit sanoa, että ne ovat kieli-koneita. Joten Tamrissa, missä kieli on tärkeää, käytämme LLM:itä. Yksi ilmeinen esimerkki on keskustelurajapinnassa, joka on yksikködatamme päällä, jonka kutsumme virtuaaliseksi CDO:ksi. Kun puhut oikeaan CDO:si, he ymmärtävät sinua ja vastaavat kielellä, jota ymmärrät. Tämä on täsmälleen sitä, mitä odotamme LLM:iltä, ja tämä on täsmälleen sitä, miten käytämme sitä ohjelmistossamme. Mitä on arvokasta Tamrissa tässä asiayhteydessä, on se, että käytämme yksikködataa keskustelun kontekstina. Se on kuin oikea CDO:si olisi kaikki parhaat yrityksesi datat sormiensa välissä, kun he vastaavat kysymyksiisi – ei se ole mahtavaa!

Lisäksi on tapauksia, joissa haluamme käyttää kieli-pohjaista tulkintaa syötteen arvojen etsimiseksi tai korjaamiseksi. Esimerkiksi voit kysyä tekstistä ”5 mm kuula” mitä osan koko on, ja LLM (tai henkilö) vastaisi oikein ”5 mm”.

Viimeksi mainittujen alla olevat upottamismallit ovat hyödyllisiä kieli-vertailun laskemiseen. Joten, vaikka ”5” ja ”viisi” eivät jaksa yhteisiä merkkejä, ne ovat hyvin lähellä kieli-merkityksessä. Voimme käyttää tätä tietoa linkittääksesi tietueita yhteen.

Miten näet datanhallinnan tulevaisuuden kehittyvän, erityisesti AI:n ja koneoppimisen edistymisen myötä?

”Big Data” -aikakausi 2000-luvun alussa tulisi muistaa ”Small Data” -aikakautena. Vaikka paljon dataa on luotu viimeisten 20+ vuoden aikana, jota on mahdollistettu tallennus- ja laskentakapasiteetin kommodifikaation ansiosta, suurin osa dataa, jolla on ollut vaikutus yrityksiin, on ollut suhteellisen pieni – perussales- ja asiakasraportit, markkinointianalytiikka ja muut tietokokoukset, jotka voidaan helposti esittää dashboardissa. Tämän seurauksena monet työkalut ja prosessit, joita käytetään datanhallinnassa, on optimoitu ”pienen datan” hallintaan, miksi sääntöpohjainen logiikka, jota täydentävät ihmisten kuraatio, on edelleen niin yleinen datanhallinnassa.

Tapa, jolla ihmiset haluavat käyttää dataa, muuttuu perustavasti AI:n ja koneoppimisen edetessä. Ajatus ”AI-agenteista”, jotka voivat suorittaa merkittävän osan työstä itsenäisesti, toimii vain, jos agentit ovat saaneet datan, jota he tarvitsevat. Jos odotat AI-agentin toimivan eturintamalla asiakastukea, mutta sinulla on viisi eri edustusta ”Dell Computerista” CRM:ssäsi, eikä se ole kytköksissä tuotetietoihin ERP:ssäsi, miten voit odottaa heidän toimivan korkealaatuisen palvelun, kun joku Delliltä ottaa yhteyttä?

Tämän seuraus on, että datanhallintatyökalumme ja -prosessimme tulevat kehittymään skaalautuvammaksi, mikä tarkoittaa AI:n ja koneoppimisen hyödyntämistä datan puhdistamisessa. Ihmiset tulevat edelleen olemaan tärkeitä prosessin valvonnassa, mutta perustavasti meidän on pyydettävä koneilta enemmän, jotta se ei ole vain yhden dashboardin data, joka on tarkka ja täydellinen, vaan suurin osa yrityksen datasta.

Mitkä ovat suurimmat mahdollisuudet yrityksille tänään, kun on kyse datan hyödyntämisestä tehokkaammin?

Lisätä dataa kuluttavien ihmisten määrää. Ei ole epäilystäkään, että parannukset data-visualisointityökaluissa ovat tehneet datan helpommin saataville koko yrityksessä. Nyt data- ja analytiikka-johtajien on etsittävä tapoja toimittaa arvoa datasta, ja heidän on katettava dashboardin ulkopuolelle. Rajapinnat, kuten sisäiset 360-sivut, tietokannat ja keskustelurajapinnat, ovat mahdollistettu uusilla teknologioilla, ja ne antavat potentiaalisille data-käyttäjille enemmän tapoja käyttää dataa päivittäisessä työssään. Se on erittäin voimakasta, kun ne on upotettu järjestelmiin, joita ihmiset jo käyttävät, kuten CRM:iin ja ERP:ihin. Nopein tapa luoda enemmän arvoa datasta on tuoda data niille, jotka voivat sitä käyttää.

Kiitos hienosta haastattelusta, lukijoille, jotka haluavat oppia enemmän, suosittelemme vierailemaan Tamrissa.