एंथनी डेइटन, टैमर के सीईओ – साक्षात्कार श्रृंखला

एंथनी डेइटन टैमर के सीईओ हैं। उन्होंने 20 वर्षों का अनुभव है एंटरप्राइज सॉफ्टवेयर कंपनियों को बनाने और बढ़ाने में। हाल ही में, उन्होंने सेलोनिस में दो साल तक मुख्य विपणन अधिकारी के रूप में काम किया, प्रक्रिया माइनिंग सॉफ्टवेयर श्रेणी में उनकी नेतृत्व स्थापित की और मांग पीढ़ी कार्यक्रमों का निर्माण किया जिसके परिणामस्वरूप 130% ARR वृद्धि हुई। इससे पहले, उन्होंने क्युलिक में 10+ वर्षों तक काम किया, इसे एक अज्ञात स्वीडिश सॉफ्टवेयर कंपनी से एक सार्वजनिक कंपनी में बदल दिया – उत्पाद नेतृत्व, उत्पाद विपणन और अंत में सीटीओ की भूमिकाओं में। उन्होंने अपना करियर सिएबेल सिस्टम्स में शुरू किया, जहां उन्होंने एंटरप्राइज सॉफ्टवेयर कंपनियों को बनाने के बारे में बहुत कुछ सीखा।

आप अपनी एंटरप्राइज सॉफ्टवेयर उद्योग में यात्रा से कुछ प्रमुख मील के पत्थर साझा कर सकते हैं, विशेष रूप से आपके समय क्युलिक और सेलोनिस में?

मैंने अपना करियर एंटरप्राइज सॉफ्टवेयर में सिएबेल सिस्टम्स में शुरू किया और वहां के नेतृत्व टीम से एंटरप्राइज सॉफ्टवेयर कंपनियों को बनाने और बढ़ाने के बारे में बहुत कुछ सीखा। मैंने क्युलिक में शामिल हुए जब यह एक छोटी, अज्ञात, स्वीडिश सॉफ्टवेयर कंपनी थी जिसमें 95% छोटी 60-व्यक्ति टीम लुंड, स्वीडन में स्थित थी। मैं मजाक में कहता हूं कि चूंकि मैं एक इंजीनियर या बिक्रीकर्ता नहीं था, इसलिए मुझे विपणन का प्रभारी बना दिया गया। मैंने वहां विपणन टीम का निर्माण किया, लेकिन समय के साथ मेरी रुचि और योगदान उत्पाद प्रबंधन की ओर बढ़ गए, और अंततः मैं मुख्य उत्पाद अधिकारी बन गया। हमने 2010 में क्युलिक को सार्वजनिक किया, और हम एक सफल सार्वजनिक कंपनी के रूप में जारी रहे। इसके बाद, हमने कुछ अधिग्रहण करने का फैसला किया, इसलिए मैंने एक एमएंडए टीम शुरू की। एक लंबे और काफी सफल रन के बाद एक सार्वजनिक कंपनी के रूप में, हमने cuốiतः क्युलिक को एक निजी इक्विटी फर्म थोमा ब्रावो को बेच दिया। यह, जैसा कि मैं कहता हूं, एक एंटरप्राइज सॉफ्टवेयर कंपनी का पूरा जीवन चक्र था। क्युलिक छोड़ने के बाद, मैं सेलोनिस में शामिल हो गया, एक छोटी जर्मन सॉफ्टवेयर कंपनी जो यूएस में बेचने की कोशिश कर रही थी। फिर से, मैंने विपणन का प्रभारी बनाया और हमने बहुत तेजी से विकास किया और एक सफल वैश्विक विपणन कार्य बनाया।

क्युलिक और सेलोनिस दोनों डेटा विश्लेषण चुनौती के सामने के हिस्से पर केंद्रित थे – मैं डेटा को कैसे देखूं और समझूं? क्युलिक के मामले में, यह डैशबोर्ड था; सेलोनिस के मामले में यह व्यवसाय प्रक्रियाएं थीं। लेकिन दोनों में एक सामान्य चुनौती थी जो इन दृश्यों के पीछे डेटा थी। कई ग्राहकों ने शिकायत की कि डेटा गलत था: डुप्लिकेट रिकॉर्ड, अधूरे रिकॉर्ड, डेटा के लापता सिलोस। यह वह चीज है जो मुझे टैमर में आकर्षित करती है, जहां मुझे लगता है कि पहली बार, हम एंटरप्राइज डेटा की गंदगी की चुनौती का समाधान कर सकते हैं। मेरे एंटरप्राइज सॉफ्टवेयर करियर के पहले 15 वर्ष डेटा को दृश्यमान बनाने में बिताए गए, मुझे उम्मीद है कि अगले 15 वर्ष डेटा को साफ करने में बिताए जा सकते हैं।

आपके शुरुआती अनुभवों ने एंटरप्राइज सॉफ्टवेयर कंपनियों को बनाने और बढ़ाने के आपके दृष्टिकोण को कैसे आकार दिया?

सिएबेल से क्युलिक में स्थानांतरण में मैंने जो एक महत्वपूर्ण सबक सीखा वह सरलता की शक्ति थी। सिएबेल बहुत शक्तिशाली सॉफ्टवेयर था, लेकिन यह बाजार में सेल्सफोर्स.कॉम द्वारा मारा गया था, जिसने एक सीआरएम बनाया जिसमें कई कम विशेषताएं थीं (“एक खिलौना” सिएबेल इसे कहता था), लेकिन ग्राहक इसे जल्दी से शुरू कर सकते थे क्योंकि यह एक सास समाधान के रूप में वितरित किया गया था। यह आज लगता है कि यह स्पष्ट है, लेकिन उस समय ज्ञान यह था कि ग्राहक विशेषताओं को खरीदते हैं, लेकिन हमने जो सीखा वह यह है कि ग्राहक व्यवसाय समस्याओं का समाधान करने वाले समाधानों में निवेश करते हैं। इसलिए, यदि आपका सॉफ्टवेयर उनकी समस्या को तेजी से हल करता है, तो आप जीतते हैं। क्युलिक डेटा विश्लेषण समस्या का एक सरल समाधान था, लेकिन यह अत्यधिक सरल था। परिणामस्वरूप, हम अधिक विशेषता से भरपूर प्रतियोगियों जैसे बिजनेस ऑब्जेक्ट्स और कॉग्नोस को हरा सकते थे।

दूसरा महत्वपूर्ण सबक जो मैंने सीखा वह मेरे करियर में विपणन से उत्पाद में परिवर्तन था। हम इन डोमेन को अलग मानते हैं। मेरे करियर में, मैंने पाया है कि मैं उत्पाद और विपणन के बीच सुचारू रूप से चलता हूं। उत्पाद जो आप बनाते हैं और आप इसे संभावित ग्राहकों को कैसे वर्णित करते हैं, इसके बीच एक घनिष्ठ लिंक है। और उत्पाद जो आप बनाते हैं और ग्राहकों की मांग के बीच एक समान रूप से महत्वपूर्ण लिंक है। इन बातचीत के बीच जाने की क्षमता किसी भी एंटरप्राइज सॉफ्टवेयर कंपनी के लिए एक महत्वपूर्ण सफलता कारक है। एक स्टार्टअप की विफलता का एक सामान्य कारण यह है कि “यदि आप इसे बनाते हैं, तो वे खरीदेंगे”। यह एक सामान्य विश्वास है कि यदि आप केवल शांत सॉफ्टवेयर बनाते हैं, तो लोग इसे खरीदने के लिए कतार में खड़े होंगे। यह कभी काम नहीं करता है, और समाधान एक मजबूत विपणन प्रक्रिया है जो आपकी सॉफ्टवेयर विकास प्रक्रिया से जुड़ी हुई है।

अंतिम विचार जो मैं साझा करूंगा वह मेरे शैक्षिक कार्य को मेरे पेशेवर कार्य से जोड़ता है। मुझे क्ले क्रिस्टेंसेन के विघटनकारी नवाचार के सिद्धांत के बारे में एक पाठ्यक्रम लेने का अवसर मिला। मेरे पेशेवर कार्य में, मुझे विघटनकारी और विघटित होने का अनुभव करने का अवसर मिला है। मैंने जो मुख्य सबक सीखा है वह यह है कि कोई भी विघटनकारी नवाचार एक बाहरी मंच परिवर्तन का परिणाम है जो असंभव को संभव बनाता है। क्युलिक के मामले में, यह बड़े मेमोरी सर्वर की प्लेटफ़ॉर्म उपलब्धता थी जिसने क्युलिक को पारंपरिक क्यूब-आधारित रिपोर्टिंग को विघटित करने की अनुमति दी। टैमर में, मशीन लर्निंग की प्लेटफ़ॉर्म उपलब्धता हमें मैनुअल नियम-आधारित एमडीएम के लिए एक एआई-आधारित दृष्टिकोण में विघटनकारी नवाचार करने की अनुमति देती है। यह महत्वपूर्ण है कि हमेशा यह पता लगाया जाए कि कौन सा प्लेटफ़ॉर्म परिवर्तन आपके विघटनकारी नवाचार को चला रहा है।

एआई-मूल मास्टर डेटा प्रबंधन (एमडीएम) के विकास क्या प्रेरित किया, और यह पारंपरिक एमडीएम समाधानों से कैसे भिन्न है?

टैमर का विकास एमआईटी (मैसाचुसेट्स प्रौद्योगिकी संस्थान) में इकाई समाधान के बारे में अकादमिक कार्य से निकला, जिसका नेतृत्व ट्यूरिंग पुरस्कार विजेता माइकल स्टोनब्रेकर ने किया था। टीम जिस प्रश्न की जांच कर रही थी वह यह था “क्या हम सैकड़ों हजारों स्रोतों और लाखों रिकॉर्ड के बीच डेटा रिकॉर्ड को जोड़ सकते हैं?” इसका सामना करने पर यह एक असंभव चुनौती है क्योंकि अधिक रिकॉर्ड और स्रोत हैं, अधिक रिकॉर्ड प्रत्येक संभावित मिलान की तुलना में होने चाहिए। कंप्यूटर वैज्ञानिक इसे “एन-स्क्वायर्ड समस्या” कहते हैं क्योंकि समस्या स्केल के साथ ज्यामितीय रूप से बढ़ती है।

पारंपरिक एमडीएम प्रणाली नियमों और बड़ी मात्रा में मैनुअल डेटा क्यूरेशन के साथ इस समस्या का समाधान करने का प्रयास करती हैं। नियमों का पैमाना नहीं है क्योंकि आप कभी भी इतने सारे नियम नहीं लिख सकते हैं जो हर कोने के मामले को कवर करें और हजारों नियमों का प्रबंधन एक तकनीकी असंभावना है। मैनुअल क्यूरेशन बहुत महंगा है क्योंकि यह मानवों पर निर्भर करता है जो लाखों संभावित रिकॉर्ड और तुलनाओं के माध्यम से काम करने का प्रयास करते हैं। लिया जाता है, यह पारंपरिक एमडीएम (मास्टर डेटा प्रबंधन) समाधानों के बाजार की खराब अपनाने की व्याख्या करता है। ईमानदारी से, कोई भी पारंपरिक एमडीएम को पसंद नहीं करता है।

टैमर का सरल विचार यह था कि स्रोत अंतर्ग्रहण, रिकॉर्ड मिलान और मूल्य समाधान के काम को करने के लिए एक एआई को प्रशिक्षित करना। एआई के बारे में अच्छी बात यह है कि यह नहीं खाता, नहीं सोता और छुट्टी नहीं लेता; यह भी अत्यधिक समानांतर है, इसलिए यह बड़े डेटा की मात्रा को संभाल सकता है और इसे बेहतर बनाने के लिए काम कर सकता है। इसलिए, जहां एमडीएम पहले असंभव था, यह अब संभव है कि साफ, समेकित और अद्यतन डेटा प्राप्त किया जा सके।

कंपनियों को अपने डेटा प्रबंधन के साथ किन सबसे बड़ी चुनौतियों का सामना करना पड़ता है, और टैमर इन मुद्दों को कैसे संबोधित करता है?

कंपनियों को डेटा प्रबंधन में सबसे बड़ी और सबसे महत्वपूर्ण चुनौती यह है कि उनके व्यवसाय उपयोगकर्ता उनके द्वारा उत्पन्न डेटा का उपयोग नहीं करते हैं। या अलग तरह से कहें, यदि डेटा टीमें उच्च गुणवत्ता वाले डेटा का उत्पादन नहीं करती हैं जिसका उपयोग उनके संगठन विश्लेषणात्मक प्रश्नों का उत्तर देने या व्यवसाय प्रक्रियाओं को सुव्यवस्थित करने के लिए करते हैं, तो वे समय और पैसा बर्बाद कर रहे हैं। टैमर का एक प्राथमिक आउटपुट प्रत्येक इकाई रिकॉर्ड (सोचें: ग्राहक, उत्पाद, भाग, आदि) के लिए एक 360 पेज है जो सभी अंतर्निहित 1ली और 3ली पार्टी डेटा को जोड़ती है ताकि व्यवसाय उपयोगकर्ता डेटा को देख सकें और इसकी प्रतिक्रिया दे सकें। जैसे कि आपके इकाई डेटा के लिए एक विकि। यह 360 पेज एक संवादात्मक इंटरफ़ेस के लिए भी इनपुट है जो व्यवसाय उपयोगकर्ताओं को डेटा के साथ प्रश्न पूछने और उत्तर देने की अनुमति देता है। तो नौकरी एक है कि उपयोगकर्ता को डेटा दें।

क्या आप एक सफलता की कहानी साझा कर सकते हैं जहां टैमर ने एक कंपनी के डेटा प्रबंधन और व्यवसाय परिणामों में काफी सुधार किया?

सीएचजी हेल्थकेयर स्वास्थ्य देखभाल स्टाफिंग उद्योग में एक प्रमुख खिलाड़ी है, जो कुशल स्वास्थ्य पेशेवरों को सुविधाओं के साथ जोड़ता है जिन्हें उनकी आवश्यकता है। चाहे वह लोकम्स के माध्यम से अस्थायी डॉक्टर हों, आरएननेटवर्क के माध्यम से नर्स हों, या सीएचजी खुद के माध्यम से व्यापक समाधान हों, वे स्वास्थ्य सुविधाओं को सुचारू रूप से चलाने और रोगियों को गुणवत्तापूर्ण देखभाल प्रदान करने में मदद करने के लिए अनुकूलित स्टाफिंग समाधान प्रदान करते हैं।

उनकी मूलभूत मूल्य प्रस्ताव यह है कि वे सही स्वास्थ्य प्रदाताओं को सही सुविधा में सही समय पर जोड़ते हैं। उनकी चुनौती यह थी कि उन्हें अपने नेटवर्क में सभी प्रदाताओं का सटीक और एकीकृत दृश्य नहीं था। उनके पैमाने (7.5 मिलियन से अधिक प्रदाता) को देखते हुए, यह विरासत, नियम-चालित दृष्टिकोण के साथ उनके डेटा को सटीक रखना असंभव था बिना डेटा क्यूरेटरों पर बहुत पैसा खर्च किए। वे इस समस्या को नजरअंदाज नहीं कर सकते थे क्योंकि उनके स्टाफिंग निर्णय इस पर निर्भर करते थे। खराब डेटा उनके लिए एक प्रदाता को अधिक प्रतिबद्धता मिलने का कारण बन सकता है, जिससे जलन हो सकती है।

टैमर की उन्नत एआई/एमएल क्षमताओं का उपयोग करके, सीएचजी हेल्थकेयर ने डुप्लिकेट चिकित्सक रिकॉर्ड में 45% की कमी की और डेटा और विश्लेषण संसाधनों द्वारा की जाने वाली लगभग सभी मैनुअल डेटा तैयारी को समाप्त कर दिया। और सबसे महत्वपूर्ण बात, एक विश्वसनीय और सटीक प्रदाता दृश्य होने से, सीएचजी स्टाफिंग को अनुकूलित करने में सक्षम है, जिससे वे अपने ग्राहकों को बेहतर अनुभव प्रदान कर सकते हैं।

डेटा प्रबंधन में एआई के बारे में कुछ सामान्य गलत धारणाएं क्या हैं, और टैमर इन मिथकों को कैसे दूर करता है?

एक सामान्य गलत धारणा यह है कि एआई को “परिपूर्ण” होना चाहिए, या नियमों और मानव क्यूरेशन की तुलना में एआई अधिक परिपूर्ण है। वास्तविकता यह है कि नियम अक्सर विफल होते हैं। और, अधिक महत्वपूर्ण बात, जब नियम विफल होते हैं, तो एकमात्र समाधान अधिक नियम है। इसलिए, आपके पास एक अव्यवस्थित नियमों का ढेर है। और मानव क्यूरेशन भी त्रुटिपूर्ण है। मानवों के पास अच्छे इरादे हो सकते हैं (हालांकि हमेशा नहीं), लेकिन वे हमेशा सही नहीं होते हैं। जो बदतर है कि कुछ मानव क्यूरेटर दूसरों की तुलना में बेहतर हो सकते हैं, या बस अलग-अलग निर्णय ले सकते हैं। एआई, इसके विपरीत, प्रकृति में संभावित है। हम सांख्यिकीय रूप से सत्यापित कर सकते हैं कि इन तकनीकों में से प्रत्येक कितनी सटीक है, और जब हम ऐसा करते हैं, तो हम पाते हैं कि एआई किसी भी प्रतिस्पर्धी विकल्प की तुलना में कम महंगा और अधिक सटीक है।

टैमर एआई के साथ मानव परिशोधन को जोड़ती है डेटा सटीकता के लिए। आप इस संयोजन को व्यावहारिक रूप से कैसे काम करते हैं?

मानव एआई को कुछ असाधारण रूप से महत्वपूर्ण प्रदान करते हैं – वे प्रशिक्षण प्रदान करते हैं। एआई वास्तव में मानव प्रयासों को स्केल करने के बारे में है। टैमर को जो मानवों से चाहिए वह उन कुछ उदाहरणों (“प्रशिक्षण लेबल”) के लिए है जिनका उपयोग मशीन मॉडल पैरामीटर सेट करने के लिए कर सकती है। व्यावहारिक रूप से, इसका अर्थ है कि मानव डेटा के साथ थोड़ा समय बिताते हैं, टैमर को डेटा में त्रुटियों और गलतियों के उदाहरण देते हैं, और एआई पूरे डेटा सेट पर उन पाठों को चलाता है। इसके अलावा, जब नए डेटा जोड़े जाते हैं या डेटा बदलते हैं, तो एआई उन उदाहरणों को सतह पर ला सकता है जहां यह निर्णय लेने में संघर्ष कर रहा है (“कम विश्वास मिलान”) और मानव से इनपुट मांगता है। यह इनपुट, ज़ाहिर है, मॉडल को रिफाइन और अपडेट करने के लिए जाता है।

बड़े भाषा मॉडल (एलएलएम) टैमर की डेटा गुणवत्ता और समृद्धि प्रक्रियाओं में क्या भूमिका निभाते हैं?

सबसे पहले, यह महत्वपूर्ण है कि हम यह स्पष्ट करें कि एलएलएम क्या अच्छे हैं। मूल रूप से, एलएलएम भाषा के बारे में हैं। वे पाठ की स्ट्रिंग उत्पन्न करते हैं जिसका कुछ अर्थ है, और वे हाथ में दी गई पाठ के अर्थ को “समझ” सकते हैं। इसलिए, आप कह सकते हैं कि वे भाषा मशीन हैं। तो टैमर के लिए, जहां भाषा महत्वपूर्ण है, हम एलएलएम का उपयोग करते हैं। एक स्पष्ट उदाहरण हमारे संवादात्मक इंटरफ़ेस में है जो हमारे इकाई डेटा पर बैठता है जिसे हम अपने वर्चुअल सीडीओ कहते हैं। जब आप अपने वास्तविक जीवन सीडीओ से बात करते हैं तो वे आपको समझते हैं और आपको भाषा में प्रतिक्रिया देते हैं जो आपके लिए समझ में आती है। यह वही है जो हम एलएलएम से इस सॉफ़्टवेयर के हिस्से में उम्मीद करते हैं, और यह वही है जो हम इसका उपयोग करते हैं। टैमर में मूल्यवान बात यह है कि हम संवाद के लिए संदर्भ के रूप में इकाई डेटा का उपयोग करते हैं। यह आपके वास्तविक जीवन सीडीओ की तरह है जो आपके पास अपने सभी सर्वोत्तम उद्यम डेटा के साथ आपके प्रश्नों का उत्तर देता है – यह नहीं होगा?

आप डेटा प्रबंधन के भविष्य को कैसे देखते हैं, विशेष रूप से एआई और मशीन लर्निंग में प्रगति के साथ?

2000 के दशक के शुरुआती दौर को “बिग डेटा” युग के रूप में याद किया जाना चाहिए “छोटा डेटा” युग। जबकि पिछले 20+ वर्षों में बहुत सारा डेटा बनाया गया है, जो स्टोरेज और कंप्यूट की कमोडिटीकरण द्वारा सुविधाजनक है, जो उद्यम में प्रभाव डालता है वह अधिकांश डेटा अपेक्षाकृत छोटे पैमाने पर है – बुनियादी बिक्री और ग्राहक रिपोर्ट, विपणन विश्लेषिकी, और अन्य डेटासेट जिन्हें एक डैशबोर्ड में आसानी से चित्रित किया जा सकता है। परिणाम यह है कि डेटा प्रबंधन में उपयोग किए जाने वाले अधिकांश उपकरण और प्रक्रियाएं ‘छोटे डेटा’ के लिए अनुकूलित हैं, जो यही कारण है कि नियम-आधारित तर्क, मानव क्यूरेशन के साथ पूरक, अभी भी डेटा प्रबंधन में इतना प्रमुख है।

लोग डेटा का उपयोग कैसे करना चाहते हैं यह मूल रूप से एआई और मशीन लर्निंग में प्रगति के साथ बदल रहा है। एआई एजेंट जो एक व्यक्ति के काम का एक महत्वपूर्ण हिस्सा स्वचालित रूप से कर सकते हैं, केवल तभी काम करते हैं जब उन्हें आवश्यक डेटा मिले। यदि आप एक एआई एजेंट को ग्राहक सहायता की अग्रिम पंक्ति पर काम करने की उम्मीद करते हैं, लेकिन आपके पास अपने सीआरएम में “डेल कंप्यूटर” के पांच प्रतिनिधित्व हैं और यह आपके ईआरपी में उत्पाद जानकारी से जुड़ा नहीं है, तो आप कैसे उम्मीद कर सकते हैं कि वे उच्च गुणवत्ता वाली सेवा प्रदान करेंगे जब डेल से कोई कॉल करता है?

इसका अर्थ यह है कि हमें अपने डेटा प्रबंधन टूलिंग और प्रक्रियाओं को विकसित करने की आवश्यकता है ताकि वे पैमाने को संभाल सकें, जिसका अर्थ है कि एआई और मशीन लर्निंग को डेटा साफ़ करने की अधिक गतिविधियों को स्वचालित करने के लिए अपनाना। मानव अभी भी प्रक्रिया में एक बड़ी भूमिका निभाएंगे, लेकिन मूल रूप से हमें मशीनों से अधिक करने के लिए कहने की आवश्यकता है ताकि यह न केवल एक डैशबोर्ड में डेटा ही सटीक और पूर्ण हो, बल्कि उद्यम में अधिकांश डेटा हो।

व्यवसायों के लिए अपने डेटा का अधिक प्रभावी ढंग से उपयोग करने के लिए आज के समय में सबसे बड़े अवसर क्या हैं?

लोग डेटा का उपभोग करने के तरीकों की संख्या में वृद्धि। कोई सवाल नहीं है कि डेटा दृश्यीकरण टूल में सुधार ने डेटा को पूरे उद्यम में अधिक सुलभ बना दिया है। अब, डेटा और विश्लेषण के नेताओं को डैशबोर्ड से परे डेटा के साथ मूल्य वितरित करने के तरीकों की तलाश करने की आवश्यकता है। इंटरफेस जैसे आंतरिक 360 पेज, ज्ञान ग्राफ, और संवादात्मक सहायक नई प्रौद्योगिकियों द्वारा संचालित हैं और संभावित डेटा उपभोक्ताओं को अपने दैनिक कार्य में डेटा का उपयोग करने के अधिक तरीके प्रदान करते हैं। यह विशेष रूप से तब शक्तिशाली होता है जब वे उन प्रणालियों में निहित होते हैं जिनका लोग पहले से ही उपयोग करते हैं, जैसे कि सीआरएम और ईआरपी। डेटा से अधिक मूल्य बनाने का सबसे तेज़ तरीका है कि डेटा को उन लोगों तक ले जाया जाए जो इसका उपयोग कर सकते हैं।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें टैमर पर जाना चाहिए।