Onur Alp Soner, Countlyn toimitusjohtaja ja perustaja – Haastattelusarja

Onur Alp Soner on Countlyn perustaja ja toimitusjohtaja, joka on digitaalisen analytiikan ja sovellusliittymisen alusta. Teknologiainsinööri ja itseohjautuva yrittäjä, hän on rakentanut Countlyn alusta alkaen antaakseen yrityksille enemmän valtaa siitä, miten he ymmärtävät ja vuorovaikuttavat asiakkaidensa kanssa. Hänen johdollaan Countly on kasvanut luotettavaksi alustaksi maailmanlaajuisille yrityksille, jotka haluavat innovoida nopeasti pitäen samalla käyttäjien yksityisyyden kasvustrategioidensa keskipisteenä.

Vie meidät takaisin hetkeen, joka johti Countlyn perustamiseen — mitä sinä henkilökohtaisesti kohtasit olemassa olevissa analytiikkatyökaluissa, joka vakuutti sinun, että dataomistusmalli oli perustavanlaatuisesti rikkinäinen?

Noin 13 vuotta sitten, kun mobiilisovellukset alkoivat menestyä, analytiikkatyökalut seurasivat tiettyä mallia. Monet niistä olivat ilmaisia tai melko edullisia, mutta vastineeksi alusta keräsi ja hyödynsi dataa, usein syöttäen sen mainosekosysteemeihin. Tuolloin se hyväksyttiin laajasti normaalina toimintatapana.

Se ei kuitenkaan istunut meidän mielestämme oikein. Jopa pienenä yrityksenä ajatus siitä, että kaikki käyttäjätietomme annettaisiin vain ymmärtääksemme, miten tuotteemme suoriutuivat, ei ollut järkevää.

Countly aloitti vastauksena tähän. Halusimme rakentaa analytiikkaa, jonka yritykset voisivat täysin omistaa ja hallita, joten lanseerasimme sen avoimena lähdekoodina ja itseisännitettyinä alustana. Idea oli yksinkertainen: organisaatioiden tulisi pystyä ymmärtämään ja toimimaan datansa kanssa ilman sen antamista muille.

Milloin sinulle selvisi, että tämä periaate tulisi merkitsemään paljon enemmän kuin vain analytiikka?

Alkuvuosina useimmat keskustelut dataomistuksesta käytiin yksityisyyden ja vaatimusten kautta. Pääasiassa vain pankit, terveydenhuollon tarjoajat ja hallitukset pitivät sydänsuurasti siitä, missä heidän dataansa säilytettiin ja kuka sitä hallitsi. Monille muille analytiikka näytti yksinkertaiselta raportointityökalulta, joten omistuskysymys ei tuntunut kiireelliseltä.

Näkökulma alkoi muuttua, kun yritykset alkoivat riippua enemmän datasta tuotteidensa pyörittämiseksi, eikä vain niiden mittaamiseksi. Kun analytiikka siirtyi raportoinnista päätöksentekoon, henkilökohtaiseen sovittamiseen, tuotteen muutoksiin ja asiakasviestintään, datan hallinnan tärkeys selkeni. Jokainen digitaalinen yritys, liikenteestä hotelliin, kilpaili tehokkaasti datasta, eikä vain eturintamasta.

Tekoäly on kiihdyttänyt tämän toteemuodon dramaattisesti. Voit lisensoida tai rakentaa tekoälymallin, mutta et voi ostaa käyttäytymisdataa, joka heijastaa, miten omat asiakkaasi vuorovaikuttavat tuotteidesi kanssa. Tämä data on jokaiselle organisaatiolle ainutlaatuista.

Monet organisaatiot uskovat olevansa “tekoälyvalmiita”, koska heillä on suuria datamääriä. Mitä yleensä puuttuu pinnan alla, kun tarkastelet todellisia yrityksiä?

Datan puute ei yleensä ole ongelma. Todellinen ongelma on käytettävissä olevan datan puute. Monilla organisaatioilla on valtavat tietomäärät, mutta ne ovat hajanaisia eri työkaluissa, tiimeissä ja järjestelmissä. Esimerkiksi markkinointi saattaa omata oman tietojoukon, tuote toisen ja insinöörit omat telemetria, usein tallennettuina eri muodoissa vähäisen jaettavan rakenteen kanssa.

Tehtäväkseen tekoälylle on, että sen alle oleva data on puhdas, yhdenmukainen ja kontekstualinen. Ei riitä kerätä tapahtumia tai lokitietoja; on ymmärrettävä, mitä nämä signaalit edustavat. Ilman tätä semanttista kerrosta tekoälyjärjestelmät ovat käytännössä arvaamassa.

Toinen ongelma on omistajuus. Yllättävän monilla yrityksillä ei ole valtaa omiin tietoihinsa, koska ne sijaitsevat kolmannen osapuolen alustoilla. Tämä tekee siitä vaikeaa yhdistää tietoja, hallita niiden käyttöä tai soveltaa tekoälymallia turvallisesti niihin.

Joten kun yritykset sanovat olevansa tekoälyvalmiita, koska heillä on paljon dataa, todellinen kysymys on, onko heillä koherentti data-perusta.

Miksi ensimmäisen osapuolen data luo kestävän kilpailuetuuden tekoälyjärjestelmissä, kun mallit itse muuttuvat yhä vaihdettavammaksi?

Se, mikä luo kestävän etuuden, ei ole itse malli, vaan ymmärrys käyttäjistä, joka tulee ensimmäisen osapuolen datasta. Tämä data heijastaa, miten ihmiset todella vuorovaikuttavat tuotteidesi kanssa, ja se on ainutlaatuista kullekin organisaatiolle. Mallit sen sijaan muuttuvat yhä helpommin vaihdettaviksi. Voit lisensoida ne, hienosäätää ne tai vaihtaa toimittajaa melko helposti. Mitä et voi replikoida, on käyttäjien käyttäytymisdata, joka generoidaan omien tuotteidesi kanssa vuorovaikuttaessa.

Missä modernit analytiikkapinot menevät rikki, kun ne käytetään tekoälyjärjestelmissä raportoinnin, dashboardien ja KPI-en sijaan?

Ne menevät rikki siinä vaiheessa, jossa dataa on siirrettävä havainnosta toimintaan. Perinteiset analytiikkapinot on suunniteltu lähinnä raportointia varten. Ne keräävät ja aggregoivat dataa, ja esittävät sen dashboardeissa, jotka auttavat tiimejä ymmärtämään, mitä tapahtui eilen tai viime viikolla.

Tehtäväkseen tekoälyjärjestelmät toimivat eri tavoin. Niiden tarvitsee dataa, joka on rakennettu, kontekstualisoitu ja saatavilla reaaliajassa, jotta se voi vaikuttaa suoraan siihen, miten järjestelmä toimii. Kun analytiikkaputket on rakennettu eräprosessoinnin ja viivästetyn raportoinnin ympärille, ne kamppailevat tukemalla järjestelmiä, jotka tarvitsevat reagoida välittömästi.

Miten puutteellinen todellinen dataomistajuus ilmenee operatiivisesti, kun tiimit yrittävät siirtää tekoälyä kokeilusta tuotantoon?

Se ilmenee yleensä hallintana. Lopulta, jos sinulla ei ole valtaa datasi yllä, sinulla ei ole valtaa tekoälysi yllä. Tämä tulee erityisen selväksi, kun tiimit siirtävät kokeilusta tuotantoon. Kokeiluvaiheessa tiimit voivat usein työskennellä pienten tietojoukkojen tai tilapäisten putkien kanssa, mutta tuotantojärjestelmät vaativat johdonmukaista pääsyä luotettavaan dataan koko organisaatiossa.

Sitten monissa yrityksissä perustava data sijaitsee eri kolmannen osapuolen alustoilla, kuten analytiikkatyökaluissa, markkinointijärjestelmissä tai pilvipalveluissa. Tämä tekee siitä vaikeaa yhdistää tietoja, soveltaa hallintosääntöjä tai siirtää dataa järjestelmien välillä hallitusti. Tämä on yksi syy, miksi monet tekoälyprojektit jäävät kiinni koepilottivaiheeseen. Ilman rakennettua, organisaatiokohtaista dataa on vaikeaa käyttää tekoälyä luotettavasti tuotannossa.

Se myös vaikeuttaa jäljittämistä, miten malli saavutti päätöksensä tai rekonstruoimaan tarkan datatilan, joka oli mallin takana. Ilman tätä tason valtaa on erittäin vaikeaa korjata virheitä tai perua päätöksiä.

Miksi heikko datarakenteiden, semantiikka ja konteksti heikentävät jopa kaikkein kyvykkäimpiä tekoälymalleja?

Even kaikkein kyvykkäimmät tekoälymallit ovat vain yhtä hyviä kuin data, jota ne saavat. Jos perustava data on huonosti rakennettu tai puuttuu konteksti, mallilla on vain vähän ymmärrystä siitä, mitä nämä signaalit edustavat.

Monissa järjestelmissä data kerätään eristyneinä tapahtumina tai lokitietoina ilman selkeää merkitystä. Malli saattaa nähdä tuhansia interaktioita, mutta ilman oikeaa rakennetta ja semantiikkaa se ei voi erottaa, mikä on tärkeää ja mikä on vain melua.

Konteksti on yhtä tärkeää. Tekoälyjärjestelmien on ymmärrettävä, miten eri tietopalat liittyvät toisiinsa ajallisesti. Ilman tätä kontekstia mallit saattavat silti tuottaa tuloksia, mutta ne ovat usein epäluotettavia, koska järjestelmä toimii epätäydellisellä tiedolla.

Mitkä varoitusmerkit osoittavat, että yritys on menossa kohti geneerisiä tekoälykokemuksia jo ennen kuin ne tuntuvat geneerisiltä asiakkaille?

Yleisin varoitusmerkki on, kun yritykset riippuvat samoista ulkoisista tekoälymalleista ja työkaluista, mutta eivät kehitä omia data-perustojaan. Jos organisaatiot käyttävät samoja malleja, mutta eivät syötä niihin omia käyttäjä- ja kontekstidataa, järjestelmät toimivat käytännössä samoista geneerisistä syötteistä. Tässä tilanteessa tekoäly voi tuottaa vain yleisiä tai geneerisiä tuloksia. Ajan myötä tämä johtaa tuotteisiin, jotka tuntuvat yhä samankaltaisemmilta, koska niiden takana oleva älykkyys on rakennettu samalle rajoitettuun tietoon.

Mitä Countly todella mahdollistaa perinteisten analytiikka- ja dataplatfoormien sijaan organisaatioille, jotka pyrkivät rakentamaan tekoälyä omiin tietoihinsa?

Avainero on, miten valta on rakennettu alustaan. Monissa analytiikkatuotteissa dataomistajuus näyttäytyy valtiona tai ominaisuutena. Countlyssa se on alustan ydin. Alusta on suunniteltu siten, että organisaatioiden ei tarvitse antaa datansa valtaa vaihdossa edistyneistä toiminnallisuuksista.

Käytännössä tämä tarkoittaa, että yritykset voivat ajaa Countlyä omassa ympäristössään, ylläpitää täydellistä valtaa datansa yllä ja silti päästä käsiksi analytiikkaan, osallistumiseen ja automaatioon suurten mittakaavojen kanssa. Tämä tulee erityisen tärkeäksi, kun organisaatiot haluavat rakentaa tekoälyä omiin tietoihinsa. Monet perinteiset analytiikkatyökalut on rakennettu lähinnä raportointia varten, mikä tarkoittaa, että data, jota ne keräävät, usein pysyy kolmannen osapuolen dashboardeissa eikä muodosta käytettävissä olevaa perustaa muille järjestelmille. Countly ottaa toisen lähestymistavan kohdellaan analytiikkaa osana perustavanlaatuista data-infrastruktuuria.

Kun tekoälyjärjestelmät upotetaan päivittäiseen päätöksentekoon, miten etiikan määritelmä tulisi kehittyä, kun dataomistus kohdellaan ydinmuotoiluperiaatteena eikä vain valintaruutuna?

Kun dataomistus muuttuu ydinmuotoiluperiaatteeksi, eettinen tekoäly ei ole enää vain mallien jälkikäteen tarkastelua — se on järjestelmien suunnittelua, joissa käyttäjät säilyttävät valtansa siihen dataan, joka kouluttaa niitä. Etiikka muuttuu infrastruktuuriksi.

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