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

Leighton Welch adalah CTO dan co-founder Tracer. Tracer adalah alat yang ditenagai AI yang mengatur, mengelola, dan memvisualisasikan kumpulan data yang kompleks untuk menghasilkan intelijen bisnis yang lebih cepat dan lebih dapat diandalkan. 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 mendirikan Tracer?

Gagasan asli ini 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 bahwa 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.

Ini adalah momen epifani kita: Jumlah uang yang dihabiskan untuk kampanye ini jauh melebihi kualitas perangkat lunak yang melacak dolar-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. Ketika kami terus mengembangkan solusi untuk masalah ini, kami mengembangkan proses – langkah-langkah yang jelas untuk mendapatkan data yang berbeda-beda dan memahami konteksnya. Kami menyadari bahwa proses yang kami bangun dapat diterapkan pada setiap kumpulan data – tidak hanya periklanan – dan itulah yang Tracer lakukan hari ini: alat yang ditenagai AI yang mengatur, mengelola, dan memvisualisasikan kumpulan data yang kompleks untuk menghasilkan intelijen bisnis yang lebih cepat dan lebih dapat diandalkan.

Kami membantu mendemokratisasi apa yang dimaksud dengan “organisasi yang didorong oleh data” dengan mengotomatisasi langkah-langkah yang diperlukan untuk mengumpulkan, menghubungkan, dan mengatur kumpulan data yang berbeda-beda 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 terhingga.

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

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 sudah lengkap, dapat disesuaikan, dan seharusnya sudah berfungsi langsung dari kotak. Keterbatasan perangkat lunak vertikal adalah bahwa itu vertikal: jika Anda ingin Netsuite berbicara dengan Salesforce, Anda kembali ke awal. Perangkat lunak vertikal lengkap, tetapi tidak fleksibel.
• Pendekatan kedua adalah membeli perangkat lunak horizontal. Ini mungkin perangkat lunak untuk pengumpulan data, penyimpanan, dan analisis. Perangkat lunak horizontal sangat baik karena dapat menangani hampir semua hal. Anda pasti dapat mengumpulkan, menyimpan, dan menganalisis data Salesforce dan Netsuite melalui pipa ini. Keterbatasan adalah bahwa perlu dirakit, dipelihara, dan tidak ada yang berfungsi “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 digunakan langsung dari kotak tanpa sumber daya teknik atau overhead teknis. Ini fleksibel dan lengkap. Tracer adalah platform paling kuat di pasar yang aplikasi-agnostik dan lengkap.

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 selalu menjadi prioritas di Tracer sejak awal. Untuk memproses volume data ini, kami menggunakan banyak teknologi kelas terbaik dan menghindari mengulang apa yang tidak perlu kami lakukan. Kami sangat bangga dengan infrastruktur yang telah kami bangun, tetapi kami juga cukup terbuka tentang hal itu. Faktanya, program arsitektur kami dijelaskan di situs web kami.

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

Banyak mitra 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 benar-benar penting adalah apa yang dapat Anda lakukan dengan infrastruktur itu 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 dimilikinya dibandingkan dengan data tidak terstruktur?

Data terstruktur sangat penting untuk AI karena memungkinkan interaksi manusia manual, yang kami percaya sebagai 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 di mana konteks tambahan dapat dimasukkan dari orang-orang yang paling familiar dengan kumpulan data yang mendasarinya setelah data itu dibuat tersedia. Dengan kata lain, ini tentang data tidak terstruktur → data terstruktur → mesin konteks Tracer → output yang didorong AI. Kami duduk di antaranya dan memungkinkan umpan balik yang lebih efektif, dan 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 data ke model, model mengeluarkan jawaban, dan Anda memiliki sangat sedikit kesempatan untuk mengoptimalkan apa yang terjadi di dalam kotak hitam.

Contohnya, katakanlah Anda ingin menentukan konten 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 kumpulan data yang sangat terstruktur ke jawaban itu.

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

Apa beberapa teknologi berbasis 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-beda.
• Konten adalah lapisan semantik seret dan lepas untuk organisasi data setelah diingest.
• Keluaran adalah tempat Anda dapat menjawab pertanyaan bisnis di atas data yang telah dikontekstualisasi.

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

Contohnya:

• Sumber: Menggunakan AI untuk membantu membangun konektor API baru ke sumber data ekor panjang yang tidak tersedia melalui katalog mitra kami.
• Konten: 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 penggunaan bisnis adalah eksploratif, bukan himpunan tetap KPI yang perlu dilaporkan berulang kali.
• AI memungkinkan kami mencapai aplikasi-aplikasi ini dengan cara yang sederhana dan mudah diakses.

Apakah rencana Tracer untuk pengembangan dan inovasi di ruang intelijen data?

Tracer adalah agregator agregator. Mitra kami akan mengandalkan kami untuk aplikasi tertentu 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-beda dari rantai pasokan ke penjualan dan semuanya di antaranya, blok bangunan tetap konsisten.

Kami melihat organisasi yang sebelumnya mengandalkan 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 menampung lebih banyak aplikasi dan persona, sambil memastikan teknologi inti tetap scalable, fleksibel, dan mudah diakses untuk pengguna non-teknis.

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