Jeremy Burton, CEO Observe – Seri Wawancara

Jeremy Burton, CEO Observe, adalah eksekutif perangkat lunak perusahaan yang berpengalaman dengan lebih dari 20 tahun pengalaman kepemimpinan di beberapa perusahaan teknologi besar termasuk Dell Technologies (DELL ), EMC, Oracle (ORCL ), dan VERITAS. Ia telah memimpin tim global dalam pengembangan produk, pemasaran, dan M&A strategis, membangun dan menskala bisnis di penyimpanan, keamanan, dan SaaS. Burton juga ikut mendirikan Oracle Technology Network, yang tumbuh menjadi jutaan anggota di seluruh dunia, dan saat ini menjabat sebagai Direktur di Snowflake dan sebagai penasihat untuk tim Formula 1 McLaren.

Observe, yang berbasis di San Mateo, California, adalah platform observabilitas SaaS generasi berikutnya yang membantu tim SRE, DevOps, dan teknik untuk menyelidiki dan mengoptimalkan sistem terdistribusi modern. Dibangun di atas infrastruktur data Snowflake, itu mempersatukan log, metrik, dan jejak menjadi satu set data yang kaya konteks—memungkinkan tim untuk mempercepat respons insiden, menentukan penyebab akar, dan meningkatkan keandalan di seluruh lingkungan cloud yang kompleks.

Anda telah memegang posisi kepemimpinan senior di perusahaan raksasa global seperti Dell, EMC, dan Oracle, dan sekarang Anda memimpin sebuah startup dengan Observe. Apa yang memotivasi Anda untuk meninggalkan kestabilan dan skala untuk melompat ke dalam membangun sesuatu dari awal?

Saya telah beruntung dalam karir saya untuk bekerja untuk beberapa pemimpin luar biasa, termasuk Larry Ellison dan Michael Dell. Saya bekerja dengan mereka 20 atau 30 tahun setelah mereka memulai, tetapi apa yang membuat mereka luar biasa adalah bahwa mereka ada sejak awal. Mereka membuat keputusan produk awal, menetapkan rute ke pasar, dan menetapkan budaya untuk kesuksesan jangka panjang. Peran saya adalah untuk memberikan perbaikan inkremental atas dasar dekade kerja keras yang telah mereka lakukan sebelumnya. Akhirnya, saya mencapai titik dalam karir saya di mana saya ingin membuktikan kepada diri sendiri bahwa saya juga bisa membangun perusahaan, membawa produk ke pasar, menetapkan gerakan penjualan, dan menciptakan budaya yang saya percaya bisa bertahan dalam jangka panjang.

Observe memposisikan diri sebagai kategori baru dalam observabilitas, mengintegrasikan log, analitik, dan pemantauan menjadi satu platform yang terpadu. Bagaimana Anda melihat pendekatan ini meredefinisi ruang dibandingkan dengan pemain lama seperti Splunk dan Datadog (DDOG )?

Masalah besar yang dihadapi oleh alat lama adalah bahwa mereka tidak dibangun untuk skala. Dalam percakapan dengan pelanggan, kami telah melihat berulang kali bahwa Splunk dan Datadog menjadi tidak terjangkau biayanya ketika volume telemetry tumbuh, dan itu secara fundamental adalah masalah dengan cara alat lama dirancang.

Observe berbeda karena platform kami dibangun di atas arsitektur danau data streaming menggunakan format terbuka seperti Apache Iceberg. Itu berarti kami dapat memisahkan komputasi dari penyimpanan, menskala elastis, dan menyampaikan observabilitas dengan biaya yang jauh lebih rendah daripada sistem tradisional. Pesaing seperti Splunk masih bergantung pada arsitektur monolitik yang memerlukan perencanaan untuk kapasitas puncak—dan bahkan alat baru seperti Datadog memerlukan tiering data, rehidrasi, dan reindexing untuk menjaga biaya tetap terkendali.

Kami juga fokus pada pengalaman observabilitas yang terpadu. Log, metrik, jejak, dan peristiwa semua hidup dalam satu tempat, dengan bahasa kueri tunggal dan Grafik Pengetahuan yang secara otomatis memetakan hubungan antara layanan, pengguna, dan insiden. Konteks itulah yang membuat pemecahan masalah lebih cepat. Sebaliknya, Splunk dan Datadog memiliki backend terpisah untuk log, metrik, dan jejak, yang menyebabkan analitik lebih lambat.

Terakhir, kami telah berinvestasi berat dalam pemecahan masalah AI-penggerak. O11y AI SRE kami dapat mengambil input bahasa alami, menghasilkan hipotesis, dan membantu insinyur melalui resolusi insiden, bukan hanya memberi peringatan. Dan itu dibangun untuk menggunakan Grafik Pengetahuan kami, yang menyediakan konteks yang diperlukan untuk pemecahan masalah yang akurat. Itu adalah langkah di luar deteksi anomali atau peringatan yang ditawarkan oleh pesaing saat ini.

Dengan singkat: kami efektif biaya, kami terpadu, dan kami terbuka. Ketiga kualitas itu adalah yang konsisten dikatakan oleh pelanggan membedakan Observe dari pemain lama seperti Splunk dan pendatang baru seperti Datadog.

Setelah mengawasi operasi miliaran dolar dan sekarang memimpin sebuah startup, apa pelajaran tentang efisiensi, keluwesan, atau inovasi dari perusahaan besar yang dapat diterapkan—dan apa pelajaran yang tidak?

Itu tidak masuk akal, tetapi perusahaan besar yang sukses melakukan beberapa hal dengan sangat baik, dan mereka memahami setiap detail. Mereka yang gagal melakukan terlalu banyak, dan semuanya memburuk menjadi mediokritas.

Di sebuah startup, Anda fokus pada satu hal pada satu waktu dan mengobsesi setiap detail. Tidak ada cukup dana untuk melakukan lebih dari itu. Akibatnya, apa yang membuat startup sangat intens adalah bahwa Anda bisa benar-benar bangkrut jika Anda tidak bisa memecahkan masalah dengan cukup cepat. Oleh karena itu, Anda harus membuat keputusan lebih cepat, merilis lebih cepat, gagal lebih cepat, dan belajar lebih cepat. Di atas semua itu, Anda harus melakukan semua itu dengan lebih sedikit orang.

Namun, aspek yang paling membebaskan dari sebuah startup adalah bahwa Anda tidak memiliki produk, model bisnis, atau rute ke pasar yang mapan. Ini berarti ada kebebasan untuk membuat asumsi baru tentang semua hal tersebut. Itu tidak terjadi di perusahaan besar. Misalnya, Anda tidak bisa menghancurkan model bisnis dengan produk baru yang mengganggu. Bahkan jika secara teknis Anda bisa membangunnya, CFO dan Wall Street tidak akan membiarkan Anda memaksimalkan potensinya. Itulah mengapa startup sering menang, bahkan ketika secara teori mereka seharusnya tidak memiliki kesempatan.

Anda juga telah menjadi anggota dewan di Snowflake selama hampir satu dekade. Apa yang Anda pelajari dari perjalanan Snowflake yang mempengaruhi strategi Anda di Observe?

Snowflake menyerang masalah kuno dengan arsitektur baru. Mereka membangun teknologi mereka di atas ide sederhana tapi kuat dan mengganggu pasar besar yang macet karena vendor lama. Ada beberapa pelajaran di sini: mainkan di pasar yang besar, dan Anda bisa membangun perusahaan yang besar. Selain itu, Anda harus memiliki pendekatan yang radikal berbeda dari pendahulu sehingga pelanggan bisa melihat manfaat besar dalam berpindah.

Pasar observabilitas yang kami serang adalah besar, $30M dan tumbuh. Kami telah memecahkan masalah observabilitas dengan cara yang unik: menggunakan fondasi danau data, komputasi elastis, dan format terbuka. Ini berjanji untuk memberikan pelanggan perbaikan pesanan besar dalam kecepatan pemecahan masalah dan biaya secara keseluruhan.

Anda telah terlibat dalam pengembangan produk, pemasaran, dan M&A skala besar. Bagaimana latar belakang yang luas itu mempengaruhi cara Anda memprioritaskan strategi pertumbuhan di Observe?

Di hari-hari awal sebuah startup, itu cukup sederhana; Anda membangun produk yang bagus dan mencoba menjualnya. Itu adalah strategi pertumbuhan. Dikatakan, karir saya sangat condong ke perangkat lunak perusahaan dan memecahkan masalah kompleks untuk perusahaan besar, jadi tidak mengherankan bahwa Observe fokus pada itu!

Berdasarkan pengalaman saya, saya percaya bahwa untuk membangun perusahaan observabilitas yang besar, Anda harus memecahkan masalah untuk perusahaan terbesar di dunia. Ini adalah masalah petabytes data, ribuan pengguna, dan ribuan aplikasi. Ada banyak perusahaan observabilitas, tetapi sangat sedikit yang bisa menang dalam lingkungan seperti itu; saya memastikan bahwa Observe bisa.

Observabilitas telah menjadi kritis karena aplikasi terdistribusi modern tumbuh lebih kompleks. Di mana Anda melihat tantangan dan peluang terbesar bagi perusahaan dalam 3-5 tahun ke depan?

Tantangan terbesar saat ini adalah skala. Kubernetes, mikroservis, dan sekarang beban kerja AI menghasilkan volume data yang menghancurkan alat tradisional. Keandalan alat tersebut menurun drastis ketika biaya melambung, dan itu tidak berkelanjutan; arsitektur baru diperlukan.

Untuk memperburuk keadaan, dalam beberapa tahun ke depan, kita akan melihat lebih banyak kode yang ditulis, dibantu oleh alat pengkodean AI, daripada pada titik mana pun dalam sejarah. Kode itu tidak akan sempurna, dan pada suatu titik, itu akan gagal. Area pertumbuhan terletak pada pertanyaan: bagaimana Anda memecahkan kode yang tidak ditulis oleh siapa pun? Atau, sementara alat pengkodean dapat melihat kode dan memperbaiki bug, apakah mereka benar-benar bisa melihat bagaimana aplikasi berperilaku di produksi dan menemukan kode yang bermasalah? Itu adalah peluang besar bagi vendor observabilitas di masa depan.

Many teams struggle with tool sprawl, using separate systems for logs, metrics, and traces. How does Observe help simplify that experience for engineering and DevOps teams in practice?

Sebagai gantinya menggunakan tiga atau empat alat, Observe memberikan pelanggan satu platform untuk digunakan. Log, metrik, jejak, dan peringatan perusahaan hidup dalam sistem yang sama dan dihubungkan oleh Grafik Pengetahuan. Grafik Pengetahuan menyediakan konteks yang memungkinkan pengguna untuk mengebor dan berpivotal dengan lancar di seluruh log, metrik, dan jejak untuk mempercepat pemecahan masalah. Ini mengurangi waktu yang mereka habiskan untuk melompat dari platform ke platform, memungkinkan mereka untuk menemukan masalah tanpa ekspor data atau perubahan konteks.

Can you share a concrete example of how Observe has helped a customer solve a major problem—something that would have been difficult or impossible with traditional observability tools?

Capital One menggunakan Observe untuk menampilkan status perjalanan pelanggan kritis dengan mengorelasikan dan memperkaya data telemetry dengan konteks bisnis yang relevan. Mereka mengonsumsi ratusan terabyte data telemetry per hari, termasuk log, metrik, jejak, catatan perubahan, log aliran VPC, dan data konfigurasi AWS. Observe memberikan Capital One dengan platform observabilitas terpadu untuk respons insiden dan debugging interaktif.

What role does machine learning or AI play behind the scenes at Observe, and how is it helping customers surface insights more quickly or automatically detect issues?

Pembelajaran mesin memiliki sejarah yang berwarna dalam observabilitas karena lingkungan perusahaan secara inheren berisik, dan sangat sulit untuk menghasilkan model yang tidak menghasilkan ribuan anomali. AI generatif adalah teknologi yang sangat berbeda dan akan memiliki dampak yang lebih mendalam.

Kami percaya AI akan mengubah cara insinyur berinteraksi dengan alat observabilitas. Pertama, mereka akan dapat berbicara langsung dengan data observabilitas dalam bahasa alami sambil duduk di IDE mereka; setengah dari pengguna kami di masa depan mungkin tidak pernah masuk atau belajar Observe! Kedua, agen AI akan hadir selama “waktu damai” untuk memindai telemetry dan mencari potensi masalah yang mungkin pada akhirnya menghasilkan insiden. Agen AI tidak lelah atau bosan dan dapat melakukan pekerjaan yang manusia tidak bisa lakukan. Terakhir, selama “waktu perang”, agen AI akan membantu insinyur dan SRE dengan tindakan yang harus diambil untuk memecahkan masalah.

Gaya kepemimpinan Anda yang terinspirasi Formula Satu menekankan ketangguhan mental dan belajar dari kesalahan. Bagaimana perspektif itu telah membentuk pendekatan Anda dalam membangun Observe dan memimpin tim melalui kemenangan dan tantangan?

Keberhasilan di F1 dibuat dengan menggunakan data untuk memandu keputusan masa depan, baik untuk pengemudi maupun mobil. Dengan waktu akhir musim, 90% bagian mobil telah diganti, dan itu 2 detik lebih cepat di sekitar trek balap.

Di Observe, kami harus memiliki mentalitas yang sama untuk sukses. Kami merilis, kami mengukur, kami mendengarkan, kami beradaptasi dengan cepat. Saya membayangkan 90% dari produk kami berbeda hari ini dibandingkan dengan beberapa tahun yang lalu. Pendekatan ini membutuhkan banyak disiplin, dan banyak kerendahan hati; itu tidak mudah untuk mendengar kabar buruk berulang kali. Namun, jika Anda bertindak atas kabar buruk yang cukup, itu secara bertahap berubah menjadi kabar baik, dan ARR dipercepat. Itu bukan sihir, itu logika!

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