Leighton Welch, CTO e Co-Fondatore di Tracer – Serie di Interviste

Leighton Welch è CTO e co-fondatore di Tracer. Tracer è uno strumento alimentato da intelligenza artificiale che organizza, gestisce e visualizza set di dati complessi per guidare una business intelligence più rapida e azionabile. Prima di diventare Chief Technology Officer di Tracer, Leighton era il Direttore di Consumer Insights di SocialCode e il VP di Engineering di VaynerMedia. Ha trascorso la sua carriera facendo da pioniere nell’ecosistema ad tech, eseguendo il primo annuncio Snapchat e consulente su API commerciali per alcune delle piattaforme più grandi del mondo. Leighton si è laureato a Harvard nel 2013, con una laurea in Informatica e Economia.

Ci può raccontare di più sul suo background e su come le sue esperienze a Harvard, SocialCode e VaynerMedia l’hanno ispirato a co-fondare Tracer?

L’idea originale risale a un decennio fa. Un amico d’infanzia mi ha telefonato una sera di venerdì. Stava lottando per aggregare i dati su varie piattaforme social per uno dei suoi clienti. Pensava che questo potesse essere automatizzato, quindi mi ha chiesto aiuto poiché avevo una formazione in ingegneria del software. È così che ho conosciuto il mio attuale co-fondatore, Jeff Nicholson.

Questo è stato il nostro momento di illuminazione: la quantità di denaro spesa in queste campagne superava di gran lunga la qualità del software che tracciava quei dollari. Era un mercato nascente con molte applicazioni nella scienza dei dati.

Abbiamo continuato a costruire software di analisi che potesse soddisfare le esigenze di campagne mediatiche sempre più grandi e complesse. Mentre lavoravamo al problema, abbiamo sviluppato un processo – passaggi chiari per ottenere i dati eterogenei inghiottiti e contestualizzati. Ci siamo resi conto che il processo che stavamo costruendo poteva essere applicato a qualsiasi set di dati – non solo pubblicità – ed è questo che Tracer è oggi: uno strumento alimentato da intelligenza artificiale che organizza, gestisce e visualizza set di dati complessi per guidare una business intelligence più rapida e azionabile.

Stiamo aiutando a democratizzare ciò che significa essere un’organizzazione “guidata dai dati” automatizzando i passaggi necessari per ingerire, collegare e organizzare set di dati eterogenei tra funzioni, fornendo una potente business intelligence attraverso report e visualizzazioni intuitive. Ciò potrebbe significare collegare i dati di vendita al CRM di marketing, le analisi HR alle tendenze di ricavo e molte altre applicazioni.

Ci può spiegare come la piattaforma di Tracer automati l’analisi e rivoluzioni lo stack di dati moderno per i suoi clienti?

Per semplicità, definiamo l’analisi come la risposta a una domanda aziendale attraverso il software. Nel panorama odierno, ci sono due approcci.

• Il primo è acquistare software verticale. Per i CFO, potrebbe essere Netsuite. Per il CRO, potrebbe essere Salesforce . Il software verticale è ottimo perché è completo, può essere iper-specializzato e dovrebbe funzionare correttamente fuori dalla scatola. La limitazione del software verticale è che è verticale: se si desidera che Netsuite parli con Salesforce, si è di nuovo al punto di partenza. Il software verticale è completo, ma non è flessibile.
• Il secondo approccio è acquistare software orizzontale. Potrebbe essere un software per l’ingestione dei dati, un altro per l’archiviazione e un terzo per l’analisi. Il software orizzontale è ottimo perché può gestire quasi tutto. Potrebbe certamente ingerire, archiviare e analizzare sia i dati di Salesforce che quelli di Netsuite attraverso questo pipeline. La limitazione è che deve essere assemblato, mantenuto e nulla funziona “fuori dalla scatola”. Il software orizzontale è flessibile, ma non è completo.

Offriamo un terzo approccio creando una piattaforma che combina le tecnologie necessarie per segnalare su qualsiasi cosa, resa accessibile abbastanza per funzionare fuori dalla scatola senza alcuna risorsa di ingegneria o sovraccarico tecnico. È flessibile e completa. Tracer è la piattaforma più potente sul mercato che è sia agnostica dell’applicazione che completa.

Tracer ha elaborato circa 10 petabyte di dati lo scorso mese. Come fa Tracer a gestire una tale quantità di dati in modo efficiente?

La scala è incredibilmente importante nel nostro mondo e sempre è stata una priorità per Tracer fin dai primi giorni. Per elaborare questo volume di dati, sfruttiamo molte tecnologie di classe mondiale e evitiamo di reinventare la ruota dove non è necessario. Siamo incredibilmente orgogliosi dell’infrastruttura che abbiamo costruito, ma siamo anche abbastanza aperti al riguardo. In effetti, il nostro programma di architettura è delineato sul nostro sito web.

Ciò che diciamo ai partner è questo: non è che i vostri team di ingegneria interni non siano in grado di costruire ciò che abbiamo costruito; piuttosto, non dovrebbero doverlo fare. Abbiamo assemblato i pezzi dello stack di dati moderno per voi. La struttura è efficiente, testata in battaglia e modulare in modo che possiamo evolvere dinamicamente con il paesaggio.

Molti partner vengono da noi cercando di liberare risorse di ingegneria per concentrarsi su iniziative strategiche più importanti. Utilizzano l’architettura di Tracer come un mezzo per un fine. Avere un database non risponde a domande aziendali. Avere un pipeline ETL non risponde a domande aziendali. La cosa che conta veramente è ciò che si può fare con quell’infrastruttura una volta che è stata assemblata. È per questo che abbiamo costruito Tracer – siamo il vostro modo veloce per ottenere risposte.

Perché crede che i dati strutturati siano critici per l’intelligenza artificiale e quali vantaggi offrono rispetto ai dati non strutturati?

I dati strutturati sono critici per l’intelligenza artificiale perché consentono un’interazione manuale umana, che crediamo sia un componente essenziale per output efficaci. Tuttavia, nell’ecosistema odierno, siamo meglio attrezzati che mai per sfruttare gli insight dei dati non strutturati e dei formati precedentemente difficili da accedere (documenti, immagini, video, ecc.).

Per noi, si tratta di fornire una piattaforma attraverso la quale può essere incorporato ulteriore contesto dalle persone più familiari con i set di dati sottostanti una volta che i dati sono stati resi accessibili. In altre parole, si tratta di dati non strutturati → dati strutturati → motore di contesto di Tracer → output guidati da intelligenza artificiale. Ci collochiamo in mezzo e consentiamo un ciclo di feedback più efficace e un’intervento manuale dove necessario.

Quali sfide affrontano le aziende con i dati non strutturati e come Tracer aiuta a superare queste sfide per migliorare la qualità dei dati?

Senza una piattaforma come Tracer, la sfida con i dati non strutturati è tutta questione di controllo. Si alimenta i dati nel modello, il modello restituisce risposte e si ha pochissime opportunità di ottimizzare ciò che sta accadendo all’interno della scatola nera.

Per esempio, se si desidera determinare il contenuto più impattante in una campagna mediatica. Tracer potrebbe utilizzare l’intelligenza artificiale per fornire metadati su tutto il contenuto eseguito negli annunci. Potrebbe anche utilizzare l’intelligenza artificiale per fornire analisi dell’ultimo miglio per ottenere da un set di dati altamente strutturato a quella risposta.

Ma nel mezzo, la nostra piattaforma consente agli utenti di tracciare le connessioni tra i dati dei media e il set di dati in cui vivono gli esiti, definire più granularmente “impattante” e pulire le categorizzazioni eseguite dall’intelligenza artificiale. In sostanza, abbiamo astratto e reso un prodotto i passaggi, al fine di rimuovere la scatola nera. Senza intelligenza artificiale, c’è molto più lavoro che deve essere fatto dall’essere umano in Tracer. Ma senza Tracer, l’intelligenza artificiale non può ottenere la stessa qualità di risposta.

Quali sono alcune delle tecnologie basate su intelligenza artificiale che Tracer utilizza per migliorare la sua piattaforma di intelligenza dei dati?

Si può pensare a Tracer attraverso tre categorie di prodotti principali: Fonti, Contenuto e Output.

• Le Fonti sono uno strumento utilizzato per automatizzare l’ingestione, il monitoraggio e la garanzia di qualità dei dati eterogenei.
• Il Contesto è un livello semantico trascinabile e rilasciabile per l’organizzazione dei dati dopo che sono stati inghiottiti.
• L’Output è dove è possibile rispondere a domande aziendali su dati contestualizzati.

A Tracer non vediamo l’intelligenza artificiale come un sostituto per nessuno di questi passaggi; piuttosto, vediamo l’intelligenza artificiale come un’altra forma di tecnologia che tutte e tre le categorie possono sfruttare per espandere ciò che può essere automatizzato.

Per esempio:

• Fonti: sfruttare l’intelligenza artificiale per aiutare a costruire nuovi connettori API per fonti di dati a coda lunga non disponibili attraverso il catalogo dei partner.
• Contesto: sfruttare l’intelligenza artificiale per pulire i metadati prima di eseguire regole di tag. Ad esempio, pulire le variazioni dei nomi di pubblicazione in ogni lingua.
• Output: sfruttare l’intelligenza artificiale come sostituto per i cruscotti in cui il caso d’uso aziendale è esplorativo, piuttosto che un set fisso di KPI che devono essere segnalati ripetutamente.
• L’intelligenza artificiale ci consente di raggiungere questi tipi di applicazioni in modi sia semplici che accessibili.

Quali sono i piani di Tracer per lo sviluppo e l’innovazione futuri nello spazio dell’intelligenza dei dati?

Tracer è un aggregatore di aggregatori. I nostri partner si appoggeranno a noi per applicazioni specifiche all’interno di team e funzioni, o per l’uso in business intelligence cross-funzionale. La bellezza di Tracer è che, che si stia sfruttando noi per prendere decisioni migliori con il budget per i media e la creatività, o costruendo cruscotti per collegare metriche disparate dalla catena di approvvigionamento alle vendite e tutto ciò che sta in mezzo, i blocchi di costruzione sono coerenti.

Stiamo vedendo organizzazioni che in precedenza si affidavano a noi all’interno di un’area dell’azienda (ad esempio, media e marketing), espandere le applicazioni altrove nell’azienda. Quindi, dove i nostri clienti principali erano in precedenza dirigenti senior dei media o partner di agenzie, questi giorni lavoriamo in tutta l’organizzazione, in partnership con CIO, CTO, data scientist e analisti aziendali. Stiamo continuando a costruire i nostri strumenti per ospitare più e più applicazioni e persone, assicurandoci che la tecnologia di base sia scalabile, flessibile e accessibile per gli utenti non tecnici.

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