Leighton Welch, CTO dan Co-Founder Tracer – Seri Wawancara

Leighton Welch adalah CTO dan co-founder Tracer. Tracer adalah alat yang ditenagai AI yang mengorganisir, mengelola, dan memvisualisasikan dataset kompleks untuk menghasilkan intelijen bisnis yang lebih cepat dan dapat diambil tindakan. Sebelum menjadi Chief Technology Officer di Tracer, Leighton adalah Direktur Consumer Insights di SocialCode, dan VP of Engineering di VaynerMedia. Ia telah menghabiskan karirnya sebagai pelopor di ekosistem ad tech, menjalankan iklan Snapchat pertama dan berkonsultasi pada API komersial untuk beberapa platform terbesar di dunia. Leighton lulus dari Harvard pada 2013, dengan gelar di bidang Ilmu Komputer dan Ekonomi.

Apakah Anda bisa memberi tahu kami lebih lanjut tentang latar belakang Anda dan bagaimana pengalaman Anda di Harvard, SocialCode, dan VaynerMedia menginspirasi Anda untuk menjadi co-founder Tracer?

Ide asli datang sekitar satu dekade yang lalu. Seorang teman masa kecil saya menelepon saya pada hari Jumat malam. Ia kesulitan mengumpulkan data dari berbagai platform sosial untuk salah satu klienya. Ia berpikir ini bisa diotomatisasi, jadi ia meminta bantuan saya karena saya memiliki latar belakang di bidang teknik perangkat lunak. Itulah bagaimana saya pertama kali diperkenalkan dengan co-founder saya sekarang, Jeff Nicholson.

Inilah momen epifani kami: Jumlah uang yang dihabiskan untuk kampanye ini jauh melebihi kualitas perangkat lunak yang melacak dolar tersebut. Ini adalah pasar yang masih baru dengan banyak aplikasi di bidang ilmu data.

Kami terus membangun perangkat lunak analitik yang dapat memenuhi kebutuhan kampanye media yang semakin besar dan kompleks. Saat kami terus mengerjakan masalah ini, kami mengembangkan proses – langkah-langkah yang jelas dari pengumpulan data yang berbeda dan kontekstualisasi. Kami menyadari bahwa proses yang kami bangun dapat diterapkan pada dataset apa pun – tidak hanya periklanan – dan itulah yang Tracer lakukan hari ini: alat yang ditenagai AI yang mengorganisir, mengelola, dan memvisualisasikan dataset kompleks untuk menghasilkan intelijen bisnis yang lebih cepat dan dapat diambil tindakan.

Kami membantu mendemokratisasi apa yang dimaksud dengan menjadi organisasi “berbasis data” dengan mengotomatisasi langkah-langkah yang diperlukan untuk mengumpulkan, menghubungkan, dan mengorganisir dataset yang berbeda di seluruh fungsi, menyediakan intelijen bisnis yang kuat melalui pelaporan dan visualisasi yang intuitif. Ini bisa berarti menghubungkan data penjualan dengan CRM pemasaran, analitik SDM dengan tren pendapatan, dan aplikasi lainnya yang tak terhitung jumlahnya.

Apakah Anda bisa menjelaskan bagaimana platform Tracer mengotomatisasi analitik dan merevolusi tumpukan data modern untuk klien?

Untuk kesederhanaan, mari kita definisikan analitik sebagai jawaban atas pertanyaan bisnis melalui perangkat lunak. Di lanskap saat ini, ada dua pendekatan.

• Pendekatan pertama adalah membeli perangkat lunak vertikal. Untuk CFO, ini mungkin Netsuite. Untuk CRO, ini mungkin Salesforce. Perangkat lunak vertikal sangat baik karena ini adalah ujung-ke-ujung, dapat sangat spesialis, dan seharusnya hanya bekerja langsung dari kotak. Batasan perangkat lunak vertikal adalah bahwa ini vertikal: jika Anda ingin Netsuite berbicara dengan Salesforce, Anda kembali ke titik awal. Perangkat lunak vertikal lengkap, tetapi tidak fleksibel.
• Pendekatan kedua adalah membeli perangkat lunak horizontal. Ini mungkin satu perangkat lunak untuk pengumpulan data, lain untuk penyimpanan, dan ketiga untuk analisis. Perangkat lunak horizontal sangat baik karena dapat menangani hampir semua hal. Anda pasti dapat mengumpulkan, menyimpan, dan menganalisis data Salesforce dan Netsuite Anda melalui pipa ini. Batasan adalah bahwa ini perlu dirakit, dipelihara, dan tidak ada yang bekerja “langsung dari kotak.” Perangkat lunak horizontal fleksibel, tetapi tidak lengkap.

Kami menawarkan pendekatan ketiga dengan membuat platform yang menggabungkan teknologi yang diperlukan untuk melaporkan apa pun, membuatnya cukup mudah untuk bekerja langsung dari kotak tanpa sumber daya teknik atau overhead teknis. Ini fleksibel dan lengkap. Tracer adalah platform paling kuat di pasar yang baik aplikasi agnostik dan ujung-ke-ujung.

Tracer memproses sekitar 10 petabyte data bulan lalu. Bagaimana Tracer menangani jumlah data yang sangat besar dengan efisien?

Skala sangat penting di dunia kami, dan ini selalu menjadi prioritas di Tracer sejak awal. Untuk memproses volume data ini, kami menggunakan banyak teknologi kelas terbaik dan menghindari mengarang roda jika tidak perlu. Kami sangat bangga dengan infrastruktur yang kami bangun, tetapi kami juga cukup terbuka tentang hal ini. Faktanya, program arsitektur kami dilayout di situs web kami.

Apa yang kami katakan kepada mitra adalah ini: Ini bukan karena tim teknik internal Anda tidak mampu membangun apa yang kami bangun; melainkan, mereka tidak perlu. Kami telah merakit potongan-potongan tumpukan data modern untuk Anda. Kerangka ini efisien, teruji pertempuran, dan modular untuk kami berkembang dinamis dengan lanskap.

Banyak mitra akan datang kepada kami untuk membebaskan sumber daya teknik untuk fokus pada inisiatif strategis yang lebih besar. Mereka menggunakan arsitektur Tracer sebagai sarana untuk mencapai tujuan. Memiliki database tidak menjawab pertanyaan bisnis. Memiliki pipa ETL tidak menjawab pertanyaan bisnis. Hal yang paling penting adalah apa yang dapat Anda lakukan dengan infrastruktur tersebut setelah dirakit. Itulah mengapa kami membangun Tracer – kami adalah jalan pintas Anda untuk mendapatkan jawaban.

Mengapa Anda percaya bahwa data terstruktur sangat penting untuk AI, dan apa kelebihan yang diberikan atas data tidak terstruktur?

Data terstruktur sangat penting untuk AI karena memungkinkan interaksi manusia manual, yang kami percaya adalah komponen esensial untuk output yang efektif. Namun, di ekosistem saat ini, kami sebenarnya lebih siap daripada sebelumnya untuk memanfaatkan wawasan dalam data tidak terstruktur dan format yang sebelumnya sulit diakses (dokumen, gambar, video, dll.).

Jadi bagi kami, ini tentang menyediakan platform yang memungkinkan konteks tambahan dapat dimasukkan dari orang-orang yang paling familiar dengan dataset yang mendasarinya setelah data tersebut telah diakses. Dengan kata lain, ini tentang data tidak terstruktur → data terstruktur → mesin konteks Tracer → output yang ditenagai AI. Kami duduk di antaranya dan memungkinkan umpan balik yang lebih efektif, dan untuk intervensi manual di mana perlu.

Apa tantangan yang dihadapi perusahaan dengan data tidak terstruktur, dan bagaimana Tracer membantu mengatasi tantangan ini untuk meningkatkan kualitas data?

Tanpa platform seperti Tracer, tantangan dengan data tidak terstruktur adalah semua tentang kontrol. Anda memberi makan data ke model, model mengeluarkan jawaban, dan Anda memiliki sangat sedikit kesempatan untuk mengoptimalkan apa yang terjadi di dalam kotak hitam.

Misalnya, jika Anda ingin menentukan konten yang paling berdampak dalam kampanye media. Tracer mungkin menggunakan AI untuk membantu menyediakan metadata pada semua konten yang dijalankan dalam iklan. Ini juga mungkin menggunakan AI untuk menyediakan analitik terakhir untuk mendapatkan dari dataset yang sangat terstruktur ke jawaban tersebut.

Tapi di antaranya, platform kami memungkinkan pengguna untuk menggambar koneksi antara data media dan dataset di mana hasilnya hidup, lebih granular mendefinisikan “berdampak,” dan membersihkan kategorisasi yang dilakukan oleh AI. Secara esensial, kami telah mengabstraksi dan memproduksi langkah-langkah, untuk menghapus kotak hitam. Tanpa AI, ada banyak pekerjaan yang harus dilakukan oleh manusia di Tracer. Tapi tanpa Tracer, AI tidak bisa mencapai kualitas jawaban yang sama.

Apa beberapa teknologi AI yang digunakan Tracer untuk meningkatkan platform intelijen data?

Anda dapat memikirkan Tracer melintasi tiga kategori produk inti: Sumber, Konten, dan Keluaran.

• Sumber adalah alat yang digunakan untuk mengotomatisasi pengumpulan, pemantauan, dan QA data yang berbeda.
• Konteks adalah lapisan semantik drag-and-drop untuk organisasi data setelah diambil.
• Keluaran adalah tempat Anda dapat menjawab pertanyaan bisnis atas data yang dikontekstualisasi.

Di Tracer kami tidak melihat AI sebagai pengganti untuk langkah-langkah ini; melainkan, kami melihat AI sebagai teknologi lain yang ketiga kategori ini dapat memanfaatkan untuk memperluas apa yang dapat diotomatisasi.

Misalnya:

• Sumber: Menggunakan AI untuk membantu membangun konektor API baru ke sumber data ekor panjang yang tidak tersedia melalui katalog mitra kami.
• Konteks: Menggunakan AI untuk membersihkan metadata sebelum menjalankan aturan tag. Misalnya, membersihkan variasi nama publikasi dalam setiap bahasa.
• Keluaran: Menggunakan AI sebagai pengganti drop-in untuk dasbor di mana kasus bisnis adalah eksploratif, bukan himpunan KPI tetap yang perlu dilaporkan berulang kali.
• AI memungkinkan kami mencapai aplikasi ini dengan cara yang sederhana dan mudah diakses.

Apa rencana Tracer untuk pengembangan dan inovasi di ruang intelijen data di masa depan?

Tracer adalah agregator agregator. Mitra kami akan bergantung pada kami untuk aplikasi spesifik dalam tim dan fungsi, atau untuk digunakan dalam intelijen bisnis lintas fungsional. Keindahan Tracer adalah bahwa apakah Anda menggunakan kami untuk membuat keputusan yang lebih baik dengan pengeluaran media dan kreatif, atau membangun dasbor untuk menghubungkan metrik yang berbeda dari rantai pasokan ke penjualan dan semua di antaranya, blok bangunan adalah konsisten.

Kami melihat organisasi yang sebelumnya bergantung pada kami dalam satu area bisnis (misalnya, media dan pemasaran), memperluas aplikasi ke tempat lain di bisnis. Jadi di mana pelanggan utama kami sebelumnya adalah eksekutif media senior, atau mitra agen, hari ini kami bekerja di seluruh organisasi, bermitra dengan CIO, CTO, ilmuwan data, dan analis bisnis. Kami terus membangun alat kami untuk mengakomodasi lebih banyak aplikasi dan persona, sambil memastikan teknologi inti skalabel, fleksibel, dan mudah diakses untuk pengguna non-teknis.

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