Onur Alp Soner, CEO dan Co-Founder Countly – Seri Wawancara

Onur Alp Soner adalah co-founder dan CEO dari Countly, platform analitik digital dan penglibatan dalam aplikasi. Sebagai teknolog dan pengusaha, ia memulai Countly dari awal untuk memberikan perusahaan lebih banyak kontrol atas bagaimana mereka memahami dan berinteraksi dengan pengguna mereka. Di bawah kepemimpinannya, Countly telah tumbuh menjadi platform tepercaya bagi perusahaan di seluruh dunia yang ingin berinovasi dengan cepat sambil menjaga privasi pengguna di pusat strategi pertumbuhan mereka.

Ambil kita kembali ke saat yang menyebabkan Anda mendirikan Countly — apa yang Anda temui dengan alat analitik yang ada sehingga membuat Anda yakin model kepemilikan data secara fundamental rusak?

Sekitar 13 tahun yang lalu, ketika aplikasi mobile mulai berkembang, alat analitik yang tersedia mengikuti model tertentu. Banyak dari mereka yang gratis atau relatif murah, tetapi pertukarannya adalah bahwa platform mengumpulkan dan memonetisasi data Anda, sering kali memasukkannya ke dalam ekosistem iklan. Pada saat itu, itu diterima secara luas sebagai cara normal kerja.

Namun, itu tidak sesuai dengan kami. Bahkan sebagai perusahaan kecil, gagasan memberikan semua data pengguna kami hanya untuk memahami bagaimana produk kami berperforma tidak masuk akal.

Countly dimulai sebagai respons terhadap hal itu. Kami ingin membangun analitik yang perusahaan dapat sepenuhnya miliki dan kontrol, yang mengapa kami meluncurkannya sebagai platform open-source dan self-hosted. Ide dasarnya sederhana: organisasi harus dapat memahami dan bertindak berdasarkan data mereka tanpa memberikannya. Prinsip itu masih menjadi inti Countly hari ini.

Sejak mendirikan Countly, AI telah mendorong kepemilikan data dari kekhawatiran khusus menjadi persyaratan strategis. Kapan itu menjadi jelas bagi Anda bahwa prinsip ini akan menjadi penting jauh melampaui analitik?

Pada awalnya, sebagian besar percakapan tentang kepemilikan data difokuskan pada privasi atau kepatuhan. Ini sebagian besar peduli dengan bank, penyedia layanan kesehatan, dan pemerintah yang sangat memperhatikan di mana data mereka tinggal dan siapa yang mengendalikannya. Untuk banyak orang lain, analitik masih dilihat sebagai alat pelaporan sederhana, sehingga pertanyaan kepemilikan tidak terasa mendesak.

Perspektif itu mulai bergeser ketika perusahaan mulai bergantung lebih berat pada data untuk menjalankan produk mereka, bukan hanya mengukurnya. Sekali analitik berpindah dari pelaporan ke pengambilan keputusan, pengembangan personalisasi, perubahan produk, dan penglibatan pelanggan, pentingnya mengendalikan data tersebut menjadi jelas. Setiap perusahaan digital, dari mobilitas ke hospitalitas, secara efektif mulai bersaing berdasarkan data, bukan hanya pengalaman front-end.

AI telah mempercepat realisasi itu secara dramatis. Anda dapat melisensikan atau membangun model AI, tetapi Anda tidak dapat membeli data perilaku yang mencerminkan bagaimana pelanggan Anda berinteraksi dengan produk Anda. Data itu unik untuk setiap organisasi.

Banyak organisasi percaya mereka “siap AI” karena mereka memiliki volume data yang besar. Dari apa yang Anda lihat di dalam perusahaan nyata, apa yang biasanya kurang di bawah permukaan?

Kekurangan data biasanya bukan masalahnya. Masalah sebenarnya adalah kurangnya data yang dapat digunakan. Banyak organisasi memiliki volume informasi yang besar, tetapi itu terfragmentasi di seluruh alat, tim, dan sistem yang berbeda. Misalnya, pemasaran mungkin memiliki satu set data, produk lain, dan teknik memiliki telemetri mereka sendiri, sering disimpan dalam format yang berbeda dengan sedikit struktur bersama.

Untuk AI menjadi berguna, data di bawahnya perlu bersih, konsisten, dan kontekstual. Tidak cukup untuk mengumpulkan acara atau log; Anda perlu memahami apa yang sebenarnya dilambangkan oleh sinyal tersebut. Tanpa lapisan semantik itu, sistem AI pada dasarnya hanya menebak.

Masalah lainnya adalah kepemilikan. Jumlah perusahaan yang mengejutkan tidak benar-benar mengendalikan data mereka sendiri karena data tersebut berada di dalam platform pihak ketiga. Ini membuatnya sulit untuk menggabungkan set data, mengatur bagaimana mereka digunakan, atau menerapkan model AI ke mereka dengan aman.

Jadi, ketika perusahaan mengatakan mereka “siap AI” karena mereka memiliki banyak data, pertanyaan sebenarnya adalah apakah mereka memiliki fondasi data yang koheren.

Mengapa data pihak pertama menciptakan keunggulan kompetitif yang tahan lama dalam sistem AI sementara model itu sendiri menjadi semakin dapat dipertukarkan?

Apa yang menciptakan keunggulan tahan lama bukanlah model itu sendiri, tetapi pemahaman pengguna yang berasal dari data pihak pertama. Data itu mencerminkan bagaimana orang sebenarnya berinteraksi dengan produk Anda, dan itu unik untuk setiap organisasi. Model, di sisi lain, menjadi komoditas. Anda dapat melisensikannya, mengatur ulang, atau beralih di antara penyedia dengan relatif mudah. Apa yang tidak dapat Anda replikasi adalah data perilaku yang dihasilkan oleh pengguna Anda sendiri yang berinteraksi dengan produk Anda selama waktu.

Data itu menangkap pola, konteks, dan sinyal yang mencerminkan bagaimana pelanggan sebenarnya berperilaku. Ketika itu terstruktur dan dipahami dengan baik, itu memungkinkan perusahaan membangun sistem yang terus belajar dari penggunaan nyata daripada dataset generik.

Di mana tumpukan analitik modern biasanya rusak ketika mereka digunakan kembali untuk sistem AI daripada pelaporan, dashboard, dan KPI?

Mereka cenderung rusak pada titik di mana data perlu berpindah dari pengamatan ke tindakan. Tumpukan analitik tradisional dirancang terutama untuk pelaporan. Mereka mengumpulkan dan mengagregat data, lalu menyajikannya dalam dashboard yang membantu tim memahami apa yang terjadi kemarin atau minggu lalu.

Sistem AI, bagaimanapun, beroperasi dengan cara yang sangat berbeda. Mereka memerlukan data yang terstruktur, kontekstual, dan tersedia dalam waktu nyata sehingga dapat langsung mempengaruhi bagaimana suatu sistem berperilaku. Ketika pipa analitik dibangun di sekitar pemrosesan batch dan pelaporan tertunda, mereka berjuang untuk mendukung sistem yang perlu bereaksi secara instan.

Bagaimana kurangnya kepemilikan data sebenarnya muncul secara operasional ketika tim mencoba memindahkan AI dari eksperimen ke produksi?

Ini biasanya muncul sebagai masalah kontrol. Pada akhirnya, jika Anda tidak memiliki kontrol atas data Anda, Anda tidak memiliki kontrol atas AI Anda. Ini menjadi sangat jelas ketika tim beralih dari eksperimen ke produksi. Selama eksperimen, tim dapat bekerja dengan dataset kecil atau pipa sementara, tetapi sistem produksi memerlukan akses konsisten ke data yang dapat diandalkan di seluruh organisasi.

Kemudian, di banyak perusahaan, data dasar berada di seluruh platform pihak ketiga, seperti alat analitik, sistem pemasaran, atau layanan cloud. Ini membuatnya sulit untuk menggabungkan set data, menerapkan aturan tata kelola, atau memindahkan data antara sistem dengan cara yang terkendali. Ini adalah salah satu alasan banyak proyek AI tetap terjebak dalam fase pilot. Tanpa data yang terstruktur dan luas organisasi, menjadi sulit untuk mengirimkan AI secara andal di produksi.

Ini juga membuatnya lebih sulit untuk melacak bagaimana model mencapai keputusan atau merekonstruksi keadaan data yang tepat di baliknya. Tanpa tingkat kontrol itu, memperbaiki kesalahan atau mengembalikan keputusan menjadi sangat sulit.

Mengapa struktur data yang buruk, semantik, dan konteks melemahkan bahkan model AI yang paling mampu?

Model AI yang paling mampu hanya sebaik data yang mereka terima. Jika data dasar buruk atau kekurangan konteks, model memiliki sangat sedikit pemahaman tentang apa yang sebenarnya dilambangkan oleh sinyal tersebut.

Di banyak sistem, data dikumpulkan sebagai acara terisolasi atau log tanpa makna yang jelas. Model mungkin melihat ribuan interaksi, tetapi tanpa struktur dan semantik yang tepat, tidak dapat membedakan antara apa yang penting dan apa yang hanya noise.

Konteks juga sangat penting. Sistem AI perlu memahami bagaimana berbagai bagian data berhubungan satu sama lain dari waktu ke waktu. Tanpa konteks itu, model mungkin masih menghasilkan output, tetapi sering kali tidak dapat diandalkan karena sistem bekerja dengan informasi yang tidak lengkap.

Apa tanda peringatan yang menunjukkan perusahaan menuju hasil AI generik jauh sebelum pengalaman tersebut terasa generik bagi pelanggan?

Tanda peringatan paling dasar adalah ketika perusahaan bergantung pada model AI dan alat eksternal yang sama tetapi melakukan sangat sedikit untuk mengembangkan fondasi data mereka sendiri. Jika organisasi menggunakan model yang sama tetapi tidak memberi mereka data pengguna dan kontekstual, sistem pada dasarnya bekerja dari input generik yang sama. Dalam situasi itu, AI hanya dapat menghasilkan hasil tingkat tinggi atau generik. Dengan waktu, ini menyebabkan produk yang terasa semakin mirip karena kecerdasan di baliknya dibangun dari informasi yang sama terbatas.

Tanda peringatan lainnya adalah ketika organisasi fokus berat pada mengadopsi model AI tetapi memperhatikan sedikit struktur dan kualitas data mereka. AI memperkuat apa yang diterimanya. Jika data dasar kacau, terfragmentasi, atau terstruktur dengan buruk, sistem hanya akan menghasilkan versi yang lebih canggih dari masalah yang sama.

Untuk organisasi yang mencoba membangun AI di atas data mereka sendiri, apa yang sebenarnya diaktifkan oleh Countly yang tidak dilakukan oleh analitik tradisional dan platform data?

Perbedaan kunci adalah bagaimana kontrol dibangun ke dalam platform. Di banyak produk analitik, kepemilikan data adalah sesuatu yang muncul sebagai pilihan atau fitur. Dengan Countly, itu duduk di inti sistem. Platform dirancang sehingga organisasi tidak perlu menukar kontrol atas data mereka untuk fungsionalitas lanjutan.

Di praktiknya, ini berarti perusahaan dapat menjalankan Countly di lingkungan mereka sendiri, mempertahankan kontrol penuh atas tumpukan data mereka, dan masih mengakses kemampuan analitik, penglibatan, dan otomatisasi skala. Ini menjadi sangat penting ketika organisasi ingin membangun AI di atas data mereka sendiri. Banyak alat analitik tradisional dibangun terutama untuk pelaporan, yang berarti data yang dikumpulkan sering tetap berada di dalam dashboard pihak ketiga bukan menjadi fondasi yang dapat digunakan untuk sistem lain. Countly mengambil pendekatan yang berbeda dengan memperlakukan analitik sebagai bagian dari infrastruktur data dasar.

Bagaimana definisi AI etis harus berkembang ketika kepemilikan data dianggap sebagai prinsip desain inti daripada kotak kebijakan?

Sekali kepemilikan data menjadi prinsip desain, AI etis tidak lagi tentang mengaudit model setelah fakta — itu tentang merancang sistem di mana pengguna mempertahankan keagenan atas data yang melatih mereka. Etika menjadi infrastruktur.

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