Anthony Deighton, Tamrin toimitusjohtaja – Haastattelusarja

Anthony Deighton on Tamrin toimitusjohtaja. Hänellä on 20 vuoden kokemus yritysohjelmistoyhtiöiden rakentamisesta ja skaalauksesta. Viimeksi hän toimi kaksi vuotta Celonisin markkinointijohtajana, jossa hän loi yhtiön johtavan aseman prosessin kaivuuohjelmistokategoriassa ja loi kysyntäluomisohjelmia, jotka johtivat 130 %:n vuotuiseen kasvuun. Aikaisemmin hän toimi yli 10 vuotta Qlikissa, jossa hän kasvatti yhtiön tuntemattomasta ruotsalaisesta ohjelmistoyhtiöstä julkinen yhtiöksi – tuotejohtajan, tuotemarkkinoinnin ja lopulta CTO:n rooleissa. Hän aloitti uransa Siebel Systemsissa, jossa hän oppi rakentamaan yritysohjelmistoyhtiöitä monissa tuoterooleissa.

Voihsin jakaa joitain tärkeitä merkkipaaluja matkaltaasi yritysohjelmistoteollisuudessa, erityisesti ajaltasi Qlikissä ja Celonisissa?

Aloin urani yritysohjelmistoissa Siebel Systemsissa ja opin paljon yritysohjelmistoyhtiöiden rakentamisesta ja skaalauksesta johtoryhmältä. Liityin Qlikiin, kun se oli pieni, tuntematon ruotsalainen ohjelmistoyhtiö, jossa 95 % 60-henkisestä tiimistä sijaitsi Lundissa, Ruotsissa. Vitsailen, että koska en ollut insinööri tai myyjä, minut asetettiin markkinointivastuuseen. Rakensin markkinointitiimin, mutta ajan myötä mielenkiintoni ja panokset siirtyivät tuotejohtamiseen, ja lopulta minusta tuli tuotejohtaja. Veimme Qlikin pörssiin vuonna 2010, ja jatkoimme menestyksekkäänä pörssiyhtiönä. Sen jälkeen halusimme tehdä joitain yritysostoja, joten perustin M&A-tiimin. Pitkän ja kohtuullisen menestyksekkään ajan jälkeen pörssiyhtiönä myimme Qlikin pääomasijoittaja Thoma Bravolle. Se oli, kuten sanon, yritysohjelmistoyhtiön täydellinen elinkaari. Qlikistä lähdettyäni liityin Celonisiin, joka oli pieni saksalainen ohjelmistoyhtiö, joka yritti saavuttaa menestystä myymällä Yhdysvalloissa. Jälleen kerran johtamin markkinointia CMO:na. Kasvimme erittäin nopeasti ja rakensimme erittäin menestyksekkään globaalin markkinointifunktion.

Molemmat Celonis ja Qlik keskittyivät data-analytiikan haasteen eteen – miten voin nähdä ja ymmärtää dataa? Qlikin tapauksessa se oli dashboardeja; Celonisin tapauksessa se oli liiketoimintaprosessit. Mutta yhteinen haaste molemmissa oli data näiden visualisointien taustalla. Monet asiakkaat valittivat, että data oli väärä: duplikaatti- ja puutteelliset rekisterit, puuttuvat data-silot. Tämä oli se, mikä veti minut Tamriin, jossa minusta tuntui, että voimme ratkaista yritysdatan ongelmia. Ensimmäiset 15 vuotta yritysohjelmistourallani kuluivat visualisoimalla dataa, toivon, että seuraavat 15 vuotta voidaan käyttää datan puhdistamiseen.

Miten varhaiset kokemukset 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” Siebel kutsui sitä), mutta asiakkaat pystyivät käyttämään sitä nopeasti, koska se toimitettiin SaaS-ratkaisuna. Vaikka se näyttää ilmiselvältä tänään, tuolloin viisaus oli, että asiakkaat ostavat ominaisuuksia, mutta mitä opimme, on, 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. Tuloksena voimme voittaa ominaisuuksiltaan rikkaammat kilpailijat, kuten Business Objects ja Cognos.

Toinen tärkeä opetus, jonka opin urani aikana markkinoinnista tuotejohtamiseen, on, että nämä alueet ovat toisistaan riippuvia. Urallani olen havainnut, että liikun helposti tuotteen ja markkinoinnin välillä. On intiimi linkki siinä, mitä tuotetta rakennamme, ja miten kuvaamme sitä potentiaalisille asiakkaille. Ja on yhtä tärkeä linkki siinä, mitä asiakkaat vaativat, ja mitä tuotetta meidän pitäisi rakentaa. Kyky liikkua näiden keskustelujen välillä on kriittinen menestystekijä kaikille yritysohjelmistoyhtiöille. Yleinen syy startupin epäonnistumiselle on usko siihen, että “jos sinä rakennat sen, he tulevat”. Tämä on yleinen usko, että jos vain rakennat coolia ohjelmistoa, ihmiset jonottavat sen ostamista. Tämä ei toimi koskaan, ja ratkaisu on vankka markkinointiprosessi, joka on kytketty ohjelmistokehitysprosessiin.

Viimeinen asia, jonka haluan jakaa, liittyy akateemiseen työhöni ja ammattiuraani. Minulla oli mahdollisuus opiskella liiketoimintakoulussa Clay Christensenin teoriaa disruptiivisesta innovaatiosta. Ammattiurallani olen havainnut, 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 manuaalisen, sääntöpohjaisen MDM:n ja korvata sen AI-pohjaisella lähestymistavalla. On tärkeää aina selvittää, mikä alustan muutos ajaa disruptiota.

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

Tamrin kehitys alkoi akateemisesta työstä MIT:ssä (Massachusetts Institute of Technology) yksikköiden ratkaisemisesta. Akateemisen johtajan, Turing-palkinnon voittajan Michael Stonebrakerin johdolla tutkittiin kysymystä “voimmeko linkittää data-rekisterit satoihin tuhansiin lähteisiin ja miljooniin rekisteriin”. Ensimmäisellä silmäyksellä tämä on ylittämätön haaste, koska mitä enemmän rekisteriä ja lähteitä, sitä enemmän rekisteriä jokaisen mahdollisen vastineen kanssa verrataan. Tietokoneet kutsuvat tätä “n-ruutu-ongelmaksi”, koska ongelma kasvaa geometrisesti mittakaavassa.

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

Tamrin yksinkertainen idea oli kouluttaa AI tehtävään, jossa se syöttelee lähteitä, rekisteröi vastineita ja ratkaisee arvoja. AI:n hyvä puoli on, että se ei syö, nuku eikä ottele lomaa; se on myös erittäin rinnakkainajettavissa, joten se voi käsitellä valtavat määrät dataa ja tehdä siitä paremman. Joten, missä MDM oli aiemmin mahdoton, se on nyt mahdollista saavuttaa puhdas, konsolidoitu ja ajan tasalla oleva data (ks. yllä).

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

Ensimmäinen ja ehkä tärkein haaste, jonka yritykset kohtaavat datan hallinnassa, on, että heidän liiketoimintakäyttäjänsä eivät käytä dataa, jonka he luovat. Toisin sanoen, jos datajoukkueet eivät tuota laadukasta dataa, jonka organisaatiot käyttävät analyyttisiin kysymyksiin tai liiketoimintaprosessien sujuvoittamiseen, he häviävät aikaa ja rahaa. Tamrin ensisijainen tuotos on 360-sivu kullekin yksikkörekisterille (ajattele: asiakas, tuote, osa jne.), joka yhdistää kaiken taustalla olevan 1. ja 3. osapuolen datan, jotta liiketoimintakäyttäjät voivat nähdä ja antaa palautetta datasta. Kuin wiki yrityksesi yksikködatalle. Tämä 360-sivu on myös syöte keskustelurajapintaan, joka sallii liiketoimintakäyttäjien kysyä ja vastata kysymyksiin datan kanssa. Joten, työ yksi on antaa käyttäjille data.

Miksi on niin vaikeaa yrityksille antaa käyttäjille dataa, jota he rakastavat? Koska on kolme keskeistä haastetta, jotka liittyvät tähän tavoitteeseen: ladata uusi lähde, vastineiden linkittäminen olemassa olevaan dataan ja arvojen/kenttien korjaaminen datassa. Tamr tekee helpoksi ladata uusia data-lähteitä, koska sen AI automaattisesti kartoittaa uudet kentät määriteltyyn yksikköschemaan. Tämä tarkoittaa, että riippumatta siitä, mitä uusi data-lähde kutsuu tiettyä kenttää (esim. cust_name), se kartoitetaan oikeaan keskeiseen määrittelyyn kyseisestä yksiköstä (esim. “asiakkaan nimi”). Seuraava haaste on linkittää rekisterit, jotka ovat duplikaatteja. Duplikaatit tarkoittavat, että rekisterit ovat todella samaa todellista yksikköä. Tamrin AI tekee tämän, ja se käyttää jopa ulkoisia 3. osapuolen lähteitä “todelliseksi totuudeksi” yleisten yksiköiden, kuten yritysten ja ihmisten, ratkaisemiseen. Hyvä esimerkki tästä olisi linkittää kaikki rekisterit useista lähteistä tärkeälle asiakkaalle, kuten “Dell Computeriin”. Lopulta kullakin rekisterillä voi olla kenttiä, jotka ovat tyhjiä tai virheellisiä. Tamr voi täydentää oikeat kenttien arvot sisäisistä ja 3. osapuolen lähteistä.

Voihsin jakaa menestystarinan, jossa Tamr paransi merkittävästi yrityksen datan hallintaa ja liiketoimintatuloksia?

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

Heidän perustavanlaatuinen arvopropositions on yhdistää oikeat terveydenhuollon ammattilaiset oikeaan laitokseen oikeaan aikaan. Heidän haasteensa oli, että heillä ei ollut tarkkaa, yhdenmukaista näkymää kaikista ammattilaisista verkostossaan. Ottaen huomioon heidän mittakaavansa (7,5 miljoonaa + ammattilaista), heillä oli mahdotonta pitää heidän dataa tarkkana perinteisillä, sääntöohjatuilla lähestymistavoilla ilman, että he murtuisivat pankin human curators -resursseilla. He eivät myöskään voineet jättää ongelmaa huomiotta, koska heidän henkilöstöpäätöksiin vaikuttivat data.

Käyttäen Tamrin edistyneitä AI/ML-ominaisuuksia CHG Healthcare vähensi duplikaatti-lääkäreiden rekisteriä 45 prosentilla ja poisti lähes täysin manuaalisen data-valmistelun, jota tehtiin harvoilla data- ja analytiikkarajoilla. Ja ennen kaikkea, luotettavan ja tarkan katsauksen ammattilaisten saatavuudesta Tamr mahdollisti heidän optimoida henkilöstönsä, mikä mahdollisti heidän tarjoamaan paremman asiakaskokemuksen.

Mitkä ovat yleisimmät väärinkäsitykset AI:sta datan hallinnassa, ja miten Tamr auttaa hävittämään nämä myytit?

Yleinen väärinkäsitys on, että AI:n on oltava “täydellinen” tai että säännöt ja human curators ovat täydellisiä verrattuna AI:hin. Todellisuus on, että säännöt epäonnistuvat aina. Ja tärkeämpää on, että kun säännöt epäonnistuvat, ainoa ratkaisu on lisää sääntöjä. Joten sinulla on hallitsematon sääntöjen sotku. Ja human curators ovat myös virheellisiä. Ihmisillä voi olla hyvät aikomukset (vaikka ei aina), mutta he eivät aina ole oikein. Mitä on huonompi, joitain human curators on parempia kuin toisia, tai he saattavat tehdä erilaisia päätöksiä kuin toiset. AI on toisaalta todennäköisyysluonteinen. Voimme vahvistaa tilastollisesti, kuinka tarkin nämä tekniikat ovat, ja kun teemme niin, havaitsemme, että AI on vähemmän kallista ja tarkin kuin mikään muu vaihtoehto.

Tamr yhdistää AI:n human refiniin datan tarkkuuden vuoksi. Voitko selittää, miten tämä yhdistelmä toimii käytännössä?

Ihmiset antavat AI:lle jotain poikkeuksellisen tärkeää – he antavat koulutuksen. AI on oikeasti human pyrkimyksen skaalautuminen. Mitä Tamr odottaa ihmisiltä, on pieni määrä esimerkkejä (“koulutusmerkit”), joita kone voi käyttää malliparametrien asettamiseen. Käytännössä tämä näyttää siltä, että ihmiset viettävät pienen määrän aikaa datan kanssa, antaen Tamrille esimerkkejä virheistä ja virheistä datassa, ja AI suorittaa nämä opit koko datajoukon yli. Lisäksi, kun uutta dataa lisätään tai data muuttuu, AI voi esittää tapauksia, joissa se kamppailee luottavaisuuden kanssa, ja pyytää human inputtia. Tämä syöte päivittää ja päivittää malleja.

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

Kasvattaa dataa, jonka ihmiset voivat käyttää. Ei ole epäilystä, että parannukset data-visualisointityökaluissa ovat tehneet datan paljon helpommin saataville koko yrityksessä. Nyt data- ja analytiikkajohtajien on katettava datan arvon lisäämiseksi datan ulkopuolelle. Rajapinnat, kuten sisäiset 360-sivut, tietograafit ja keskustelurajapinnat, ovat mahdollistettu uusilla teknologioilla, ja antavat potentiaalisille datakäyttäjille enemmän tapoja käyttää dataa päivittäisessä työssä. Se on erittäin voimakasta, kun ne on upotettu järjestelmiin, joita ihmiset jo käyttävät, kuten CRM- ja ERP-järjestelmiin. Nopein tapa luoda enemmän arvoa datasta on tuomalla data ihmisten luokse, jotka voivat sitä käyttää.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Tamr:ssa.