Anthony Deighton, CEO Tamr – Seri Wawancara

Anthony Deighton adalah CEO dari Tamr. Ia memiliki pengalaman 20 tahun dalam membangun dan mengembangkan perusahaan perangkat lunak enterprise. Baru-baru ini, ia menghabiskan dua tahun sebagai Chief Marketing Officer di Celonis, membangun kepemimpinan mereka di kategori perangkat lunak Process Mining dan menciptakan program generasi permintaan yang menghasilkan pertumbuhan ARR sebesar 130%. Sebelum itu, ia menjabat selama lebih dari 10 tahun di Qlik, tumbuh dari perusahaan perangkat lunak Swedia yang tidak dikenal menjadi perusahaan publik — dalam peran dari kepemimpinan produk, pemasaran produk, dan akhirnya sebagai CTO. Ia memulai karirnya di Siebel Systems, belajar bagaimana membangun perusahaan perangkat lunak enterprise dalam berbagai peran produk.

Apakah Anda dapat membagikan beberapa tonggak penting dari perjalanan Anda di industri perangkat lunak enterprise, terutama waktu Anda di Qlik dan Celonis?

Saya memulai karir saya di perangkat lunak enterprise di Siebel Systems dan banyak belajar tentang membangun dan mengembangkan perusahaan perangkat lunak enterprise dari tim kepemimpinan di sana. Saya bergabung dengan Qlik ketika itu masih sebuah perusahaan perangkat lunak kecil yang tidak dikenal dengan 95% dari tim kecil 60 orang yang berlokasi di Lund, Swedia. Saya bercanda bahwa karena saya bukan insinyur atau penjual, saya ditempatkan di bagian pemasaran. Saya membangun tim pemasaran di sana, tetapi seiring waktu, minat dan kontribusi saya beralih ke manajemen produk, dan akhirnya saya menjadi Chief Product Officer. Kami membawa Qlik go public pada tahun 2010, dan kami terus sebagai perusahaan publik yang sukses. Setelah itu, kami ingin melakukan beberapa akuisisi, jadi saya memulai tim M&A. Setelah lama dan relatif sukses sebagai perusahaan publik, kami akhirnya menjual Qlik kepada sebuah perusahaan ekuitas swasta bernama Thoma Bravo. Itu, seperti yang saya sukai untuk mengatakan, adalah siklus hidup lengkap dari sebuah perusahaan perangkat lunak enterprise. Setelah meninggalkan Qlik, saya bergabung dengan Celonis, sebuah perusahaan perangkat lunak Jerman kecil yang mencoba mencapai kesuksesan dengan menjual di AS. Lagi-lagi, saya menjalankan pemasaran sebagai CMO. Kami tumbuh sangat cepat dan membangun fungsi pemasaran global yang sangat sukses.

Kedua Qlik dan Celonis berfokus pada bagian depan tantangan analitik data – bagaimana saya melihat dan memahami data? Dalam kasus Qlik, itu adalah dashboard; dalam kasus Celonis, itu adalah proses bisnis. Tapi tantangan umum di seluruh keduanya adalah data di balik visualisasi ini. Banyak pelanggan mengeluh bahwa data salah: catatan duplikat, catatan tidak lengkap, silo data yang hilang. Ini adalah yang menarik saya ke Tamr, di mana saya merasa bahwa untuk pertama kalinya, kita mungkin dapat menyelesaikan tantangan data enterprise yang kacau. 15 tahun pertama karir saya di perangkat lunak enterprise dihabiskan untuk visualisasi data, saya harap bahwa 15 tahun berikutnya dapat dihabiskan untuk membersihkan data itu.

Bagaimana pengalaman awal Anda membentuk pendekatan Anda untuk membangun dan mengembangkan perusahaan perangkat lunak enterprise?

Salah satu pelajaran penting yang saya pelajari dalam peralihan dari Siebel ke Qlik adalah kekuatan kesederhanaan. Siebel adalah perangkat lunak yang sangat kuat, tetapi itu dibunuh di pasar oleh Salesforce.com, yang membuat CRM dengan fitur yang jauh lebih sedikit (“mainan” Siebel menyebutnya), tetapi pelanggan dapat menginstalnya dengan cepat karena itu disampaikan sebagai solusi SaaS. Ini tampaknya sudah jelas hari ini, tetapi pada saat itu kebijaksanaan adalah bahwa pelanggan membeli fitur, tetapi apa yang kita pelajari adalah bahwa pelanggan berinvestasi dalam solusi untuk memecahkan masalah bisnis mereka. Jadi, jika perangkat lunak Anda memecahkan masalah mereka lebih cepat, Anda menang. Qlik adalah solusi sederhana untuk masalah analitik data, tetapi itu jauh lebih sederhana. Sebagai hasilnya, kami dapat mengalahkan pesaing yang lebih kaya fitur seperti Business Objects dan Cognos.

Pelajaran penting kedua yang saya pelajari adalah dalam transisi karir saya dari pemasaran ke produk. Kami berpikir tentang domain ini sebagai berbeda. Dalam karir saya, saya telah menemukan bahwa saya bergerak dengan lancar antara produk dan pemasaran. Ada hubungan yang sangat erat antara apa yang Anda bangun dan bagaimana Anda menjelaskannya kepada calon pelanggan. Dan ada hubungan yang sangat penting antara apa yang prospek tuntut dan apa yang produk harus dibangun. Kemampuan untuk bergerak antara percakapan ini adalah faktor keberhasilan kritis untuk setiap perusahaan perangkat lunak enterprise. Alasan umum kegagalan startup adalah percaya “jika Anda membangunnya, mereka akan datang”. Ini adalah kepercayaan umum bahwa jika Anda hanya membangun perangkat lunak yang keren, orang akan mengantri untuk membelinya. Ini tidak pernah berhasil, dan solusinya adalah proses pemasaran yang kuat yang terhubung dengan proses pengembangan perangkat lunak.

Gagasan terakhir yang saya bagikan menghubungkan pekerjaan akademis saya dengan pekerjaan profesional saya. Saya memiliki kesempatan di sekolah bisnis untuk mengambil kelas tentang teori inovasi disruptif Clay Christensen. Dalam pekerjaan profesional saya, saya telah memiliki kesempatan untuk mengalami baik sebagai disruptor dan sebagai yang terdisrupsi. Pelajaran kunci yang saya pelajari adalah bahwa setiap inovasi disruptif adalah hasil dari pergeseran platform eksternal yang membuat yang mustahil menjadi mungkin. Dalam kasus Qlik, itu adalah ketersediaan platform server memori besar yang memungkinkan Qlik untuk mengganggu pelaporan berbasis kubus tradisional. Di Tamr, ketersediaan platform machine learning skala besar memungkinkan kami untuk mengganggu MDM berbasis aturan manual dengan pendekatan berbasis AI. Sangat penting untuk selalu mengetahui apa pergeseran platform yang mengemudi disruptif Anda.

Apa yang menginspirasi pengembangan Master Data Management (MDM) asli AI, dan bagaimana itu berbeda dari solusi MDM tradisional?

Pengembangan Tamr berasal dari pekerjaan akademis di MIT (Massachusetts Institute of Technology) sekitar resolusi entitas. Di bawah kepemimpinan akademis pemenang Hadiah Turing Michael Stonebraker, pertanyaan yang sedang diselidiki tim adalah “apakah kita dapat menghubungkan catatan data di seluruh ratusan ribu sumber dan jutaan catatan.” Secara langsung, ini adalah tantangan yang tidak dapat diatasi karena semakin banyak catatan dan sumber, semakin banyak catatan yang perlu dibandingkan. Ilmuwan komputer menyebut ini sebagai “masalah n-kuadrat” karena masalahnya meningkat secara geometris dengan skala.

Sistem MDM tradisional mencoba menyelesaikan masalah ini dengan aturan dan kurasi data manual yang besar. Aturan tidak dapat diskalakan karena Anda tidak pernah dapat menulis aturan yang cukup untuk menutupi setiap kasus tepi dan mengelola ribuan aturan adalah kemustahilan teknis. Kurasi manual sangat mahal karena itu bergantung pada manusia untuk mencoba mengerjakan jutaan catatan yang mungkin dan perbandingan. Diambil bersama, ini menjelaskan adopsi pasar yang buruk dari solusi MDM tradisional. Jujur, tidak ada yang suka MDM tradisional.

Gagasan sederhana Tamr adalah melatih AI untuk melakukan pekerjaan pengambilan sumber, pencocokan catatan, dan resolusi nilai. Hal yang hebat tentang AI adalah bahwa itu tidak makan, tidur, atau liburan; itu juga sangat sejalan, sehingga dapat menangani volume data yang besar dan terus menerus membuatnya lebih baik. Jadi, di mana MDM dulu mustahil, sekarang memungkinkan untuk mencapai data yang bersih, konsolidasi, dan mutakhir (lihat di atas).

Apa tantangan terbesar yang dihadapi perusahaan dengan manajemen data mereka, dan bagaimana Tamr menangani masalah-masalah ini?

Tantangan pertama, dan mungkin yang paling penting, yang dihadapi perusahaan dalam manajemen data adalah bahwa pengguna bisnis mereka tidak menggunakan data yang dihasilkan. Atau dengan kata lain, jika tim data tidak menghasilkan data berkualitas tinggi yang organisasi mereka gunakan untuk menjawab pertanyaan analitis atau mempermudah proses bisnis, maka mereka membuang-buang waktu dan uang. Keluaran utama Tamr adalah halaman 360 untuk setiap catatan entitas (pikir: pelanggan, produk, bagian, dll.) yang menggabungkan semua data dasar 1st dan 3rd party sehingga pengguna bisnis dapat melihat dan memberikan umpan balik pada data. Seperti wiki untuk data entitas Anda. Halaman 360 ini juga merupakan input untuk antarmuka konversasional yang memungkinkan pengguna bisnis untuk bertanya dan menjawab pertanyaan dengan data. Jadi, tugas satu adalah memberikan pengguna data.

Mengapa sangat sulit bagi perusahaan untuk memberikan pengguna data yang mereka cintai? Karena ada tiga masalah yang sulit yang mendasari tujuan ini: memuat sumber baru, mencocokkan catatan baru ke dalam data yang ada, dan memperbaiki nilai/medan dalam data. Tamr membuatnya mudah untuk memuat sumber data baru karena AI-nya secara otomatis memetakan bidang baru ke dalam skema entitas yang ditentukan. Ini berarti bahwa terlepas dari apa yang sumber data baru menyebut bidang tertentu (contoh: cust_name), itu dipetakan ke definisi pusat yang tepat dari entitas itu (contoh: “nama pelanggan”). Tantangan berikutnya adalah untuk menghubungkan catatan yang duplikat. Duplikasi dalam konteks ini berarti bahwa catatan-catatan tersebut sebenarnya adalah entitas dunia nyata yang sama. AI Tamr melakukan ini, dan bahkan menggunakan sumber pihak ketiga sebagai “kebenaran dasar” untuk menyelesaikan entitas umum seperti perusahaan dan orang. Contoh yang baik dari ini akan menghubungkan semua catatan di seluruh banyak sumber untuk pelanggan penting seperti “Dell Computer.” Terakhir, untuk setiap catatan, mungkin ada bidang yang kosong atau salah. Tamr dapat memperkirakan nilai bidang yang benar dari sumber internal dan pihak ketiga.

Apakah Anda dapat membagikan kisah sukses di mana Tamr secara signifikan meningkatkan manajemen data dan hasil bisnis perusahaan?

CHG Healthcare adalah pemain utama di industri penyedia staf kesehatan, menghubungkan profesional kesehatan terampil dengan fasilitas yang membutuhkan. Apakah itu dokter sementara melalui Locums, perawat dengan RNnetwork, atau solusi yang lebih luas melalui CHG itu sendiri, mereka menyediakan solusi penyediaan staf yang disesuaikan untuk membantu fasilitas kesehatan berjalan lancar dan memberikan perawatan berkualitas kepada pasien.

Mereka memiliki proposisi nilai dasar yang menghubungkan penyedia kesehatan yang tepat dengan fasilitas yang tepat pada waktu yang tepat. Tantangan mereka adalah bahwa mereka tidak memiliki pandangan yang akurat dan terpadu dari semua penyedia di jaringan mereka. Dengan skala mereka (7,5 juta+ penyedia), mustahil untuk menjaga data mereka akurat dengan pendekatan berbasis aturan warisan tanpa menghabiskan banyak uang untuk kurator manusia. Mereka juga tidak bisa mengabaikan masalah ini karena keputusan penyediaan staf mereka bergantung pada itu. Data yang buruk bagi mereka bisa berarti penyedia mendapatkan lebih banyak shift daripada yang mereka bisa tangani, menyebabkan kelelahan.

Menggunakan kemampuan AI/ML Tamr yang canggih, CHG Healthcare mengurangi catatan dokter duplikat sebesar 45% dan hampir sepenuhnya menghilangkan persiapan data manual yang dilakukan oleh sumber daya data dan analitik yang langka. Dan yang paling penting, dengan memiliki pandangan yang tepercaya dan akurat dari penyedia, CHG dapat mengoptimalkan penyediaan staf, memungkinkan mereka untuk memberikan pengalaman pelanggan yang lebih baik.

Apa beberapa kesalahpahaman umum tentang AI dalam manajemen data, dan bagaimana Tamr membantu menghilangkan mitos-mitos ini?

Sebuah kesalahpahaman umum adalah bahwa AI harus “sempurna”, atau bahwa aturan dan kurasi manusia sempurna dibandingkan dengan AI. Kenyataannya adalah bahwa aturan gagal semua waktu. Dan, lebih penting lagi, ketika aturan gagal, satu-satunya solusi adalah aturan lebih banyak. Jadi, Anda memiliki kekacauan aturan yang tidak dapat diatur. Dan kurasi manusia juga tidak sempurna. Manusia mungkin memiliki niat baik (meskipun tidak selalu), tetapi mereka tidak selalu benar. Apa yang lebih buruk, beberapa kurator manusia lebih baik daripada yang lain, atau mungkin membuat keputusan yang berbeda daripada yang lain. AI, di sisi lain, adalah probabilistik oleh natur. Kami dapat memvalidasi melalui statistik seberapa akurat teknik-teknik ini, dan ketika kami melakukannya, kami menemukan bahwa AI lebih murah dan lebih akurat daripada alternatif apa pun.

Tamr menggabungkan AI dengan penyempurnaan manusia untuk akurasi data. Apakah Anda dapat menjelaskan bagaimana kombinasi ini bekerja dalam praktek?

Manusia memberikan sesuatu yang sangat penting bagi AI – mereka memberikan pelatihan. AI sebenarnya adalah tentang menskalakan upaya manusia. Apa yang Tamr cari dari manusia adalah contoh kecil (“label pelatihan”) yang mesin dapat gunakan untuk menetapkan parameter model. Dalam praktek, ini terlihat seperti manusia menghabiskan sedikit waktu dengan data, memberikan Tamr contoh kesalahan dan kesalahan dalam data, dan AI menjalankan pelajaran itu di seluruh kumpulan data. Selain itu, ketika data baru ditambahkan, atau data berubah, AI dapat menonjolkan contoh di mana ia berjuang untuk membuat keputusan yang percaya diri (“cocokan dengan kepercayaan rendah”) dan meminta input manusia. Input ini, tentu saja, pergi untuk memperbarui dan memperbarui model.

Apa peran model bahasa besar (LLM) dalam proses kualitas dan pengayaan data Tamr?

Pertama, penting untuk jelas tentang apa yang LLM baik. Secara fundamental, LLM adalah tentang bahasa. Mereka menghasilkan string teks yang berarti sesuatu, dan mereka dapat “memahami” makna teks yang diberikan kepada mereka. Jadi, Anda bisa mengatakan bahwa mereka adalah mesin bahasa. Jadi, untuk Tamr, di mana bahasa penting, kami menggunakan LLM. Contoh yang jelas adalah dalam antarmuka konversasional kami yang berada di atas data entitas kami yang kami sebut dengan vCDO virtual kami. Ketika Anda berbicara dengan CDO nyata Anda, mereka memahami Anda dan mereka merespons menggunakan bahasa yang Anda pahami. Ini tepatnya apa yang kami harapkan dari LLM, dan itulah cara kami menggunakannya dalam bagian perangkat lunak kami. Apa yang berharga tentang Tamr dalam konteks ini adalah bahwa kami menggunakan data entitas sebagai konteks untuk percakapan dengan vCDO kami. Ini seperti CDO nyata Anda memiliki SEMUA data enterprise terbaik Anda di ujung jari mereka ketika mereka merespons pertanyaan Anda – bukankah itu hebat!

Di samping itu, ada contoh di mana dalam membersihkan nilai data atau memperkirakan nilai yang hilang, di mana kami ingin menggunakan interpretasi berbasis bahasa dari nilai input untuk menemukan atau memperbaiki nilai yang hilang. Misalnya, Anda mungkin bertanya dari teks “5mm bola bantalan” apa ukuran bagian, dan LLM (atau orang) akan menjawab dengan benar “5mm.”

Terakhir, model pengikut yang mendasari LLM mengkodekan makna bahasa ke token (pikir: kata-kata). Ini bisa sangat berguna untuk menghitung perbandingan linguistik. Jadi, sementara “5” dan “lima” berbagi tidak ada karakter yang sama, mereka sangat dekat dalam makna linguistik. Jadi, kami dapat menggunakan informasi ini untuk menghubungkan catatan bersama.

Bagaimana Anda melihat masa depan manajemen data berkembang, terutama dengan kemajuan AI dan pembelajaran mesin?

Era “Big Data” awal 2000-an harus diingat sebagai era “Small Data”. Sementara banyak data yang telah dibuat selama 20+ tahun terakhir, didukung oleh komoditisasi penyimpanan dan komputasi, sebagian besar data yang memiliki dampak di perusahaan adalah skala kecil — laporan penjualan dan pelanggan dasar, analitik pemasaran, dan dataset lain yang dapat dengan mudah digambarkan dalam dashboard. Hasilnya adalah bahwa banyak alat dan proses yang digunakan dalam manajemen data dioptimalkan untuk ‘data kecil’, yang mengapa logika berbasis aturan, dilengkapi dengan kurasi manusia, masih sangat menonjol dalam manajemen data.

Cara orang ingin menggunakan data secara fundamental berubah dengan kemajuan AI dan pembelajaran mesin. Gagasan tentang “agen AI” yang dapat melakukan sebagian besar pekerjaan seseorang secara otonom hanya bekerja jika agen-agen tersebut memiliki data yang mereka butuhkan. Jika Anda mengharapkan agen AI untuk melayani di garis depan dukungan pelanggan, tetapi Anda memiliki lima representasi “Dell Computer” di CRM Anda dan itu tidak terhubung dengan informasi produk di ERP Anda, bagaimana Anda dapat mengharapkan mereka untuk memberikan layanan berkualitas tinggi ketika seseorang dari Dell menghubungi?

Implikasinya adalah bahwa alat dan proses manajemen data kami akan perlu berkembang untuk menangani skala, yang berarti mengadopsi AI dan pembelajaran mesin untuk mengotomatisasi lebih banyak kegiatan pembersihan data. Manusia masih akan memainkan peran besar dalam mengawasi proses, tetapi secara fundamental kami perlu meminta mesin untuk melakukan lebih banyak sehingga bukan hanya data dalam dashboard tunggal yang akurat dan lengkap, tetapi sebagian besar data di perusahaan.

Apa peluang terbesar bagi bisnis hari ini ketika datang untuk menggunakan data mereka lebih efektif?

Meningkatkan jumlah cara orang dapat mengonsumsi data. Tidak ada keraguan bahwa perbaikan dalam alat visualisasi data telah membuat data lebih mudah diakses di seluruh perusahaan. Sekarang, pemimpin data dan analitik perlu melihat di luar dashboard untuk cara mengirimkan nilai dengan data. Antarmuka seperti halaman 360 internal, grafik pengetahuan, dan asisten konversasional diaktifkan oleh teknologi baru, dan memberikan konsumen data potensial lebih banyak cara untuk menggunakan data dalam alur kerja sehari-hari mereka. Ini sangat kuat ketika ini terintegrasi ke dalam sistem yang orang sudah gunakan, seperti CRM dan ERP. Cara tercepat untuk menciptakan lebih banyak nilai dari data adalah dengan membawa data ke orang yang dapat menggunakannya.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Tamr.