Anthony Deighton, CEO di Tamr – Serie di interviste

Anthony Deighton è il CEO di Tamr. Ha 20 anni di esperienza nella costruzione e nel scaling di aziende di software per imprese. Recentemente, ha trascorso due anni come Chief Marketing Officer presso Celonis, stabilendo la loro leadership nel settore del software di Process Mining e creando programmi di generazione della domanda che hanno portato a una crescita del 130% del fatturato annuo. Prima di questo, ha lavorato per oltre 10 anni presso Qlik, crescendo da una piccola azienda sconosciuta di software svedese a un’azienda pubblica, ricoprendo ruoli di leadership di prodotto, marketing e infine di CTO. Ha iniziato la sua carriera presso Siebel Systems, imparando a costruire aziende di software per imprese in vari ruoli di prodotto.

Posso condividere alcuni punti chiave del suo percorso nell’industria del software per imprese, in particolare il suo tempo presso Qlik e Celonis?

Ho iniziato la mia carriera nel software per imprese presso Siebel Systems e ho imparato molto sulla costruzione e lo scaling di aziende di software per imprese dal team di leadership lì. Mi sono unito a Qlik quando era una piccola azienda sconosciuta di software svedese con il 95% del team di 60 persone situato a Lund, in Svezia. Scherzo dicendo che, poiché non ero un ingegnere o un venditore, mi sono occupato del marketing. Ho costruito il team di marketing lì, ma col tempo il mio interesse e i miei contributi si sono spostati verso la gestione del prodotto e, alla fine, sono diventato Chief Product Officer. Abbiamo portato Qlik nel mercato pubblico nel 2010 e siamo continuati come un’azienda pubblica di successo. Dopo di ciò, abbiamo voluto fare alcune acquisizioni, quindi ho avviato un team di M&A. Dopo un lungo e ragionevolmente di successo come azienda pubblica, abbiamo infine venduto Qlik a un’azienda di private equity di nome Thoma Bravo. È stato, come mi piace dire, il ciclo di vita completo di un’azienda di software per imprese. Dopo aver lasciato Qlik, mi sono unito a Celonis, una piccola azienda di software tedesca che cercava di ottenere successo vendendo negli Stati Uniti. Ancora una volta, ho gestito il marketing come CMO. Siamo cresciuti molto velocemente e abbiamo costruito una funzione di marketing globale molto di successo.

Entrambe Celonis e Qlik si concentravano sulla parte anteriore della sfida dell’analisi dei dati – come posso vedere e capire i dati? Nel caso di Qlik, si trattava di dashboard; nel caso di Celonis, si trattava di processi aziendali. Ma una sfida comune in entrambi era i dati dietro queste visualizzazioni. Molti clienti si lamentavano che i dati erano errati: record duplicati, record incompleti, silos di dati mancanti. Questo è ciò che mi ha attirato verso Tamr, dove ho sentito che per la prima volta potremmo risolvere la sfida dei dati aziendali disordinati. I primi 15 anni della mia carriera nel software per imprese sono stati trascorsi visualizzando i dati, spero che i prossimi 15 possano essere trascorsi pulendo quei dati.

Come le sue esperienze precoci hanno plasmato il suo approccio alla costruzione e allo scaling di aziende di software per imprese?

Una lezione importante che ho imparato nel passaggio da Siebel a Qlik è il potere della semplicità. Siebel era un software molto potente, ma è stato ucciso nel mercato da Salesforce.com, che ha creato un CRM con molte meno funzionalità (“un giocattolo” Siebel lo chiamava), ma i clienti potevano metterlo in funzione rapidamente perché era consegnato come soluzione SaaS. Sembra ovvio oggi, ma all’epoca la saggezza era che i clienti compravano funzionalità, ma ciò che abbiamo imparato è che i clienti investono in soluzioni per risolvere i loro problemi aziendali. Quindi, se il tuo software risolve il loro problema più velocemente, vinci. Qlik era una soluzione semplice al problema dell’analisi dei dati, ma era radicalmente più semplice. Di conseguenza, potevamo battere i concorrenti più ricchi di funzionalità come Business Objects e Cognos.

La seconda lezione importante che ho imparato è stata nella mia transizione di carriera dal marketing alla gestione del prodotto. Pensiamo a questi domini come distinti. Nella mia carriera, ho trovato che mi muovo fluidamente tra prodotto e marketing. C’è un legame intimo tra ciò che prodotto costruiamo e come lo descriviamo ai potenziali clienti. E c’è un legame altrettanto importante tra ciò che i prospect richiedono e ciò che prodotto dovremmo costruire. La capacità di muoversi tra queste conversazioni è un fattore critico di successo per qualsiasi azienda di software per imprese. Un motivo comune per il fallimento di un’azienda di startup è credere che “se lo costruisci, verranno”. Questo è il credo comune che, se costruisci solo software cool, le persone si metteranno in coda per comprarlo. Ciò non funziona mai, e la soluzione è un processo di marketing robusto connesso con il tuo processo di sviluppo del software.

L’ultima idea che condividerò collega il mio lavoro accademico con il mio lavoro professionale. Ho avuto l’opportunità, alla scuola di business, di seguire un corso sulla teoria dell’innovazione disruptiva di Clay Christensen. Nel mio lavoro professionale, ho avuto l’opportunità di sperimentare sia essere il disruptore che essere disruptato. La lezione chiave che ho imparato è che qualsiasi innovazione disruptiva è il risultato di un cambiamento di piattaforma esogeno che rende finalmente possibile l’impossibile. Nel caso di Qlik, è stata la disponibilità di server di grandi dimensioni che ha permesso a Qlik di disruptare la segnalazione basata su cubi tradizionale. A Tamr, la disponibilità di apprendimento automatico su larga scala ci consente di disruptare l’MDM basato su regole manuali a favore di un approccio basato su AI. È importante capire sempre quale cambiamento di piattaforma sta guidando la tua disruption.

Cosa ha ispirato lo sviluppo di Master Data Management (MDM) nativo AI, e come differisce dalle soluzioni MDM tradizionali?

Lo sviluppo di Tamr è nato dal lavoro accademico al MIT (Massachusetts Institute of Technology) intorno alla risoluzione di entità. Sotto la leadership accademica del vincitore del Premio Turing Michael Stonebraker, la domanda che il team stava indagando era “possiamo collegare record di dati attraverso centinaia di migliaia di fonti e milioni di record”. A prima vista, questo è una sfida insormontabile perché più record e fonti significa più record che devono essere confrontati. I computer scientisti lo chiamano un “problema n-quadrato” perché il problema aumenta geometricamente con la scala.

I sistemi MDM tradizionali cercano di risolvere questo problema con regole e grandi quantità di cura dei dati manuali. Le regole non si scalano perché non puoi mai scrivere abbastanza regole per coprire ogni caso limite e gestire migliaia di regole è una impossibilità tecnica. La cura manuale è estremamente costosa perché si basa su esseri umani che cercano di lavorare attraverso milioni di possibili record e confronti. Ciò spiega l’adozione di mercato scarsa delle soluzioni MDM tradizionali. Francamente, nessuno ama il MDM tradizionale.

L’idea semplice di Tamr era quella di addestrare un AI per fare il lavoro di ingestione delle fonti, abbinamento dei record e risoluzione dei valori. La grande cosa dell’AI è che non mangia, non dorme e non si prende vacanze; è anche altamente parallela, quindi può gestire grandi volumi di dati e lavorare per renderli migliori. Quindi, dove il MDM era impossibile, è finalmente possibile ottenere dati puliti, consolidati e aggiornati (vedi sopra).

Quali sono le sfide più grandi che le aziende affrontano con la gestione dei dati, e come Tamr affronta questi problemi?

La prima, e probabilmente la più importante sfida che le aziende affrontano nella gestione dei dati è che i loro utenti aziendali non utilizzano i dati che generano. O, detto diversamente, se i team di dati non producono dati di alta qualità che le loro organizzazioni utilizzano per rispondere a domande analitiche o semplificare i processi aziendali, allora stanno sprecando tempo e denaro. Un output principale di Tamr è una pagina 360 per ogni record di entità (pensate: cliente, prodotto, parte, ecc.) che combina tutti i dati sottostanti di prima e terza parte in modo che gli utenti aziendali possano vedere e fornire feedback sui dati. Come una wiki per i vostri dati di entità. Questa pagina 360 è anche l’input per un’interfaccia conversazionale che consente agli utenti aziendali di chiedere e rispondere a domande con i dati. Quindi, lavoro numero uno è dare all’utente i dati.

Perché è così difficile per le aziende dare agli utenti i dati che amano? Perché ci sono tre problemi difficili sottostanti a questo obiettivo: caricare una nuova fonte, abbinare i nuovi record ai dati esistenti e correggere i valori/campi nei dati. Tamr rende facile caricare nuove fonti di dati perché il suo AI mappa automaticamente i nuovi campi in uno schema di entità definito. Ciò significa che, indipendentemente da come una nuova fonte di dati chiama un campo specifico (ad esempio, “cust_name”), viene mappato sulla definizione centrale corretta di quell’entità (ad esempio, “nome del cliente”). La prossima sfida è collegare i record che sono duplicati. La duplicazione in questo contesto significa che i record sono, in effetti, la stessa entità del mondo reale. L’AI di Tamr fa ciò e utilizza anche fonti esterne di terze parti come “verità di base” per risolvere entità comuni come aziende e persone. Un buon esempio di ciò sarebbe collegare tutti i record attraverso molte fonti per un cliente importante come “Dell Computer”. Infine, per ogni record, potrebbero esserci campi che sono vuoti o errati. Tamr può imputare i valori di campo corretti dalle fonti interne e di terze parti.

Posso condividere una storia di successo in cui Tamr ha migliorato notevolmente la gestione dei dati e i risultati aziendali di un’azienda?

CHG Healthcare è un importante attore nel settore del personale sanitario, che collega professionisti sanitari qualificati con strutture che ne hanno bisogno. Sia che si tratti di medici temporanei attraverso Locums, infermieri con RNnetwork o soluzioni più ampie attraverso CHG stesso, fornisce soluzioni di personale personalizzate per aiutare le strutture sanitarie a funzionare senza problemi e a fornire cure di qualità ai pazienti.

La loro proposta di valore fondamentale è quella di collegare i fornitori di assistenza sanitaria giusti con la struttura giusta al momento giusto. La loro sfida era che non avevano una visione unificata e precisa di tutti i fornitori della loro rete. Dato il loro volume (7,5 milioni di fornitori+), era impossibile mantenere i loro dati precisi con approcci basati su regole senza spendere una fortuna in curatori umani. Non potevano ignorare il problema, poiché le loro decisioni di personale dipendevano da esso. I cattivi dati per loro potevano significare che un fornitore ottiene più turni di quanti possa gestirne, portando al burnout.

Utilizzando le capacità avanzate di AI/ML di Tamr, CHG Healthcare ha ridotto i record di medici duplicati del 45% e ha quasi completamente eliminato la preparazione manuale dei dati che veniva eseguita dalle risorse di dati e analisi rare. E, cosa più importante, avendo una visione affidabile e precisa dei fornitori, CHG è in grado di ottimizzare il personale, consentendo loro di offrire un’esperienza clienti migliore.

Quali sono i più grandi malintesi sull’AI nella gestione dei dati, e come Tamr aiuta a dissipare questi miti?

Un malinteso comune è che l’AI debba essere “perfetto” o che le regole e la cura umana siano perfette in contrasto con l’AI. La realtà è che le regole falliscono sempre. E, più importante, quando le regole falliscono, l’unica soluzione è più regole. Quindi, hai un pasticcio ingestibile di regole. E la cura umana è fallibile anche. Gli esseri umani potrebbero avere buone intenzioni (anche se non sempre), ma non sono sempre nel giusto. Ciò che è peggio, alcuni curatori umani sono migliori di altri o potrebbero semplicemente prendere decisioni diverse. L’AI, in contrasto, è probabilistica per natura. Possiamo convalidare attraverso statistiche quanto siano accurate queste tecniche e, quando lo facciamo, scopriamo che l’AI è meno costosa e più precisa di qualsiasi alternativa in competizione.

Tamr combina l’AI con il raffinamento umano per l’accuratezza dei dati. Posso approfondire come funziona questa combinazione nella pratica?

Gli esseri umani forniscono qualcosa di eccezionalmente importante all’AI – forniscono l’addestramento. L’AI è veramente sulla scala dei sforzi umani. Ciò per cui Tamr si rivolge agli esseri umani è il piccolo numero di esempi (“etichette di addestramento”) che la macchina può utilizzare per impostare i parametri del modello. Nella pratica, questo significa che gli esseri umani trascorrono un po’ di tempo con i dati, fornendo a Tamr esempi di errori e difetti nei dati e l’AI esegue quelle lezioni sull’intero set di dati. Inoltre, quando vengono aggiunti nuovi dati o i dati cambiano, l’AI può presentare istanze in cui sta lottando per prendere decisioni con fiducia (“corrispondenze a bassa fiducia”) e chiedere input all’essere umano. Questo input, naturalmente, va a raffinare e aggiornare i modelli.

Qual è il ruolo dei grandi modelli linguistici (LLM) nei processi di qualità e arricchimento dei dati di Tamr?

Prima di tutto, è importante essere chiari su ciò che gli LLM sono bravi a fare. Fondamentalmente, gli LLM sono sulla lingua. Producono stringhe di testo che significano qualcosa e possono “capire” il significato del testo che viene loro fornito. Quindi, potreste dire che sono macchine linguistiche. Quindi, per Tamr, dove la lingua è importante, utilizziamo gli LLM. Un esempio ovvio è nella nostra interfaccia conversazionale che si trova sopra i nostri dati di entità, che chiamiamo affettuosamente il nostro CDO virtuale. Quando parli con il tuo CDO reale, capisce te e risponde utilizzando una lingua che capisci. Questo è esattamente ciò che ci aspettiamo da un LLM e questo è esattamente come lo utilizziamo in quella parte del nostro software. Ciò che è prezioso in Tamr in questo contesto è che utilizziamo i dati di entità come contesto per la conversazione con il nostro CDO virtuale. È come se il tuo CDO reale avesse tutti i migliori dati aziendali a portata di mano quando risponde alle tue domande – non sarebbe fantastico!

Inoltre, ci sono casi in cui, pulendo i valori dei dati o imputando valori mancanti, vogliamo utilizzare un’interpretazione basata sulla lingua dei valori di input per trovare o correggere un valore mancante. Ad esempio, potreste chiedere dal testo “5mm palla a sfera” quale sia la dimensione della parte e un LLM (o una persona) risponderebbe correttamente “5mm”.

Infine, sotto gli LLM ci sono modelli di incorporamento che codificano il significato della lingua in token (pensate a parole). Questi possono essere molto utili per calcolare il confronto linguistico. Quindi, mentre “5” e “cinque” non condividono caratteri in comune, sono molto vicini nel significato linguistico. Quindi, possiamo utilizzare queste informazioni per collegare i record insieme.

Come vede il futuro della gestione dei dati, soprattutto con gli sviluppi dell’AI e dell’apprendimento automatico?

L’era dei “Big Data” dei primi anni 2000 dovrebbe essere ricordata come l’era dei “Small Data”. Mentre è stato creato molto dati negli ultimi 20+ anni, reso possibile dalla commodity di archiviazione e calcolo, la maggior parte dei dati che hanno avuto un impatto nell’azienda è relativamente a piccola scala – rapporti di vendita e clienti di base, analisi di marketing e altri set di dati che potrebbero essere facilmente rappresentati in un dashboard. Il risultato è che molti degli strumenti e dei processi utilizzati nella gestione dei dati sono ottimizzati per ‘small data’, il che è il motivo per cui la logica basata su regole, supplementata con la cura umana, è ancora così prominente nella gestione dei dati.

Il modo in cui le persone vogliono utilizzare i dati sta cambiando fondamentalmente con gli sviluppi dell’AI e dell’apprendimento automatico. L’idea di “agenti AI” che possono eseguire autonomamente una parte significativa del lavoro di una persona funziona solo se gli agenti hanno i dati di cui hanno bisogno. Se ti aspetti che un agente AI serva in prima linea nel supporto clienti, ma hai cinque rappresentazioni di “Dell Computer” nel tuo CRM e non è connesso con le informazioni sul prodotto nel tuo ERP, come puoi aspettarti che fornisca un servizio di alta qualità quando qualcuno da Dell si fa sentire?

La implicazione di ciò è che i nostri strumenti e processi di gestione dei dati devono evolversi per gestire la scala, il che significa abbracciare l’AI e l’apprendimento automatico per automatizzare più attività di pulizia dei dati. Gli esseri umani giocheranno ancora un ruolo importante nel sovrintendere al processo, ma fondamentalmente dobbiamo chiedere alle macchine di fare di più in modo che non sia solo i dati in un singolo dashboard che siano precisi e completi, ma la maggior parte dei dati nell’azienda.

Quali sono le più grandi opportunità per le aziende oggi quando si tratta di sfruttare i loro dati in modo più efficace?

Aumentare il numero di modi in cui le persone possono consumare i dati. Non c’è dubbio che i miglioramenti negli strumenti di visualizzazione dei dati hanno reso i dati molto più accessibili in tutta l’azienda. Ora, i leader dei dati e dell’analisi devono guardare oltre il dashboard per modi per consegnare valore con i dati. Interfacce come pagine interne 360, grafi di conoscenza e assistenti conversazionali sono abilitati da nuove tecnologie e danno ai potenziali consumatori di dati più modi per utilizzare i dati nel loro flusso di lavoro quotidiano. È particolarmente potente quando questi sono incorporati nei sistemi che le persone già utilizzano, come CRM ed ERP. Il modo più veloce per creare più valore dai dati è portando i dati alle persone che possono utilizzarli.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Tamr.