アンソニー・デイトン、TamrのCEO – インタビュー・シリーズ

アンソニー・デイトンは、TamrのCEOです。彼は、20年以上のエンタープライズ・ソフトウェア会社の構築と拡大の経験を持っています。最近では、Celonisで2年間、CMOとしてプロセス・マイニング・ソフトウェアの分野でリーダーシップを確立し、130%のARR成長を達成するデマンド・ジェネレーション・プログラムを作成しました。その前には、10年以上の間、Qlikで、プロダクト・リーダーシップ、プロダクト・マーケティング、そして最終的にCTOとして、スウェーデンの小さなソフトウェア会社から公開会社への成長を牽引しました。彼は、Siebel Systemsで、さまざまなプロダクト・ロールを通じてエンタープライズ・ソフトウェア会社の構築を学びました。

エンタープライズ・ソフトウェア業界でのキャリアの中で、特にQlikとCelonisでの経験から、重要なマイルストーンをいくつか共有してください。

私は、エンタープライズ・ソフトウェア会社の構築と拡大について、Siebel Systemsのリーダーシップ・チームから多くを学びました。私は、Qlikに参加しました。当時、Qlikは小さく、知られていないスウェーデンのソフトウェア会社で、60人のチームの95%がスウェーデンのLundにありました。私は、エンジニアでもセールスパーソンでもなかったので、マーケティングを担当することになりました。私はそこでマーケティング・チームを構築しましたが、時間の経過とともに、私の興味と貢献はプロダクト・マネジメントに向かい、最終的にチーフ・プロダクト・オフィサーになりました。2010年にQlikを公開会社として上場させ、成功した公開会社として続けました。その後、M&Aチームを立ち上げ、企業を買収することを目指しました。長い間、ある程度の成功を収めた公開会社として運営した後、Qlikをプライベート・エクイティ・ファームのThoma Bravoに売却しました。私は、これをエンタープライズ・ソフトウェア会社の完全なライフサイクルと表現しています。Qlikを離れた後、米国で成功を収めようとしていたドイツの小さなソフトウェア会社であるCelonisに参加しました。再び、CMOとしてマーケティングを担当しました。グローバル・マーケティング・ファンクションを構築し、急成長を遂げました。

QlikとCelonisの両方は、データ分析の挑戦の前半に焦点を当てていました。どのようにしてデータを見て理解するかということです。Qlikの場合は、ダッシュボードでした。Celonisの場合は、ビジネス・プロセスでした。しかし、両社ともに共通する課題は、視覚化の背後にあるデータでした。多くの顧客は、データが間違っていることを訴えていました。重複レコード、不完全レコード、データのシロが欠けているというものです。これが、私をTamrに惹きつけた理由です。Tamrでは、初めて、エンタープライズ・データの混乱した挑戦を解決できるのではないかと思いました。私のエンタープライズ・ソフトウェアのキャリアの最初の15年間は、データの視覚化に費やされました。次の15年間は、データをきれいに保つことに費やしたいと思います。

初期の経験がエンタープライズ・ソフトウェア会社の構築と拡大へのアプローチをどのように形作ったかについて、教えてください。

私は、SiebelからQlikへの移行で、シンプルさの力について重要な教訓を学びました。Siebelは非常に強力なソフトウェアでしたが、Salesforce.comによって市場で打ち負かされました。Salesforce.comは、Siebelよりも機能が少ないCRMを作成しましたが、顧客はそれを迅速にセットアップできるため、SaaSソリューションとして提供されていました。今日では当たり前ですが、その当時、顧客は機能を購入するものだと思われていました。しかし、我々は、顧客はビジネス・プロブレムを解決するソリューションに投資するものだということを学びました。したがって、ソフトウェアが顧客の問題をより迅速に解決できる場合は、勝利します。Qlikは、データ分析の問題に対するシンプルなソリューションでしたが、より根本的にシンプルでした。したがって、より多機能な競合他社であるBusiness ObjectsやCognosを打ち負かすことができました。

私は、キャリアのマーケティングからプロダクトへの移行で、2つ目の重要な教訓を学びました。プロダクトとマーケティングのドメインは、異なるものだと思われがちです。私のキャリアでは、プロダクトとマーケティングの間を自由に移動しています。プロダクトをどのように構築するかと、どのように潜在的な顧客に説明するかとの間に密接な関連性があります。また、どのようなプロダクトを構築するかと、顧客がどのようなものを要求するかとの間に、同等の重要な関連性があります。これらの会話の間を移動する能力は、エンタープライズ・ソフトウェア会社の成功の重要な要因です。スタートアップの失敗の一般的な理由は、「もし構築すれば、顧客は来る」という信念です。つまり、ただソフトウェアを構築すれば、顧客が購入するために並んでくれるという信念です。これは、決して機能しません。解決策は、ソフトウェア開発プロセスと接続された堅牢なマーケティング・プロセスです。

最後に、学術的な仕事と専門的な仕事を結びつけるアイデアについて話します。ビジネス・スクールで、クレイ・クリステンセンの破壊的イノベーションの理論についてのクラスを受講する機会がありました。専門的な仕事では、破壊者として、そして破壊される側として、両方の経験をしました。私が学んだ重要な教訓は、どのような破壊的イノベーションでも、外部のプラットフォーム・シフトの結果であるということです。Qlikの場合は、大容量のサーバーのプラットフォームの可用性によって、従来のキューブ・ベースのレポートを破壊することができました。Tamrでは、スケールでの機械学習のプラットフォームの可用性によって、ルール・ベースのMDMをAIベースのアプローチに置き換えることができます。常に、どのようなプラットフォーム・シフトが破壊を駆り立てているかを理解することが重要です。

AIネイティブ・マスター・データ・マネジメント（MDM）の開発をどのようにして着手しましたか？また、従来のMDMソリューションとどのように異なりますか？

Tamrの開発は、MIT（マサチューセッツ工科大学）でのエンティティ・レゾリューションに関する学術的な研究から始まりました。マイケル・ストーンブレーカーというチューリング賞受賞者の指導の下、チームは、「数百万のレコードと数千のソースをまたいだデータ・レコードをリンクできるか」という疑問を探究していました。表面上は、レコードとソースが増えるにつれて、比較する必要があるレコードの数が指数関数的に増えるため、不可能な課題に思えます。コンピューター・サイエンティストは、これを「n-squared問題」と呼びます。

従来のMDMシステムは、ルールと大量の手動データ・キュレーションでこの問題を解決しようとします。ルールはスケールしないです。なぜなら、すべてのコーナー・ケースをカバーするのに十分なルールを書くことはできず、数千のルールを管理することは技術的に不可能だからです。手動キュレーションは非常に高価です。なぜなら、人間が数百万のレコードと比較を処理する必要があるからです。まとめると、これは従来のMDMソリューションの市場での採用が貧弱な理由を説明します。正直に言えば、誰も従来のMDMが好きではありません。

Tamrのシンプルなアイデアは、ソース・インジェスト、レコード・マッチング、バリュー・レゾリューションの作業をAIに任せることでした。AIの素晴らしい点は、食べたり、寝たり、休暇を取ったりしないことです。また、高度に並列化できるため、巨大なデータ量を処理して、改善し続けることができます。従来、MDMは不可能でしたが、AIによって、クリーンで統合された最新のデータを達成することが可能になりました。

企業がデータ・マネジメントで直面する最大の課題は何ですか？また、Tamrはこれらの課題に対処するためにどのように役立つのでしょうか。

企業がデータ・マネジメントで直面する最大の課題は、ビジネス・ユーザーが生成したデータを使用しないことです。あるいは、組織が分析的質問に答えたり、ビジネス・プロセスを合理化したりするために使用するデータの品質が高くないことです。Tamrの主な出力は、エンティティ・レコード（顧客、製品、部品など）ごとに360ページを生成することです。これにより、ビジネス・ユーザーはデータを表示してフィードバックを提供できます。ウィキのようなエンティティ・データです。この360ページは、データで質問に答えることができる会話型インターフェイスの入力でもあります。したがって、ユーザーにデータを提供することが第一の仕事です。

企業がユーザーに好ましいデータを提供することが難しい理由は、3つの主要な困難な問題があるためです。新しいソースをロードすること、既存のデータに新しいレコードをマッチングすること、データの値/フィールドを修正することです。Tamrは、AIが新しいフィールドを定義されたエンティティ・スキーマに自動的にマッピングするため、新しいデータ・ソースをロードすることを容易にします。これにより、データ・ソースが特定のフィールドをどのように呼び出すかに関係なく、中央のエンティティ定義に正しくマッピングされます。次の課題は、重複レコードをリンクすることです。TamrのAIがこれを行い、共通のエンティティ（例：会社や人）を解決するために外部のサードパーティ・ソースを「真実のソース」として使用します。例えば、多くのソースの「Dell Computer」のレコードをリンクすることです。最後に、レコードごとに、空または不正確なフィールドがある場合があります。Tamrは、内部およびサードパーティのソースから正しいフィールド値を推測できます。

Tamrを使用して企業のデータ・マネジメントとビジネス成果を大幅に改善した成功事例をいくつか共有してください。

CHGヘルスケアは、ヘルスケア・スタッフィング・インダストリーの主要プレーヤーであり、スキルを持ったヘルスケア・プロフェッショナルを必要としている施設と接続しています。Locums、RNnetwork、またはCHGヘルスケア自身を通じて、カスタマイズされたスタッフィング・ソリューションを提供し、ヘルスケア施設がスムーズに運営し、患者に質の高いケアを提供できるようにしています。

彼らの基本的な価値提案は、正しいヘルスケア・プロバイダーを正しい施設に正しい時間に接続することです。彼らの課題は、ネットワーク内のすべてのプロバイダーに対する正確で統一されたビューがなかったことです。規模（750万以上のプロバイダー）により、従来のルール・ドリブン・アプローチでは、人間のキュレーターに多大な費用を費やすことなく、データを正確に保つことは不可能でした。彼らは、プロバイダーのデータが不正確であることによって、プロバイダーが処理できる以上のシフトを割り当てられ、バーンアウトする可能性があるため、この問題を無視することもできませんでした。

Tamrの高度なAI/ML機能を使用して、CHGヘルスケアは、重複する医師のレコードを45%削減し、貴重なデータおよび分析リソースによって行われていた手動データ・プレパレーションをほぼ完全に排除しました。さらに、信頼性が高く正確なプロバイダーのビューを取得することで、CHGはスタッフィングを最適化し、顧客に優れたエクスペリエンスを提供できるようになりました。

データ・マネジメントにおけるAIについての一般的な誤解をいくつか教えてください。また、Tamrはこれらの誤解をどのように払拭するのでしょうか。

一般的な誤解は、AIが「完全」である必要がある、またはルールと人間のキュレーションがAIよりも「完全」であるということです。現実は、ルールが頻繁に失敗することです。また、ルールが失敗した場合、唯一の解決策はさらに多くのルールです。したがって、管理不能なルールの混沌が生じます。人間のキュレーションも誤りやすいです。人間は良い意図を持っているかもしれませんが、常に正しいわけではありません。さらに、人間のキュレーターによって異なる決定が下される可能性があります。AIは、性質上、確率的です。テクニックの精度を統計的に検証できます。すると、AIは、コストと精度の両方で、他の手法よりも優れていることがわかります。

Tamrは、データの正確性のためにAIと人間の改良を組み合わせています。実践では、どのように機能しますか。

人間は、AIに何が重要かを教えます。AIは、人間の努力を拡大することです。Tamrは、人間から、機械がモデル・パラメータを設定するために使用できる少量の例（「トレーニング・ラベル」）を求めます。実践では、人間はデータを少し時間をかけて、Tamrにデータのエラーとミスの例を提供します。AIは、これらのレッスンをデータ・セット全体に適用します。さらに、新しいデータが追加されたり、データが変更されたりすると、AIは、自信を持って決定を下すのに苦労しているインスタンスを表面化し、人間に入力を求めます。この入力は、モデルを更新および改良するために使用されます。

大規模な言語モデル（LLM）は、Tamrのデータ品質とエンリッチメント・プロセスでどのような役割を果たしますか。

まず、LLMが得意とすることは何であるかについて明確にすることが重要です。基本的に、LLMは言語についてです。テキストの文字列を生成し、与えられたテキストの意味を「理解」できます。したがって、言語マシンと言えるでしょう。Tamrでは、言語が重要な場合にLLMを使用します。1つの明確な例は、エンティティ・データの上に配置された会話型インターフェイス、つまり私たちが仮想CDOと呼ぶものです。実際のCDOと話すように、ユーザーが私たちに話しかけると、私たちは言語を理解し、ユーザーが理解できる言語で応答します。これが、LLMを使用する私たちの期待です。Tamrの価値は、エンティティ・データを会話のコンテキストとして使用することです。実際のCDOが、すべてのエンタープライズ・データを指尖に持って、質問に答えるのと同じです。

さらに、データの値をクリーンアップしたり、欠損値を推測したりする場合に、入力値の言語ベースの解釈を使用して、値を見つけたり修正したりすることがあります。たとえば、テキスト「5mmボール・ベアリング」から、部品のサイズは何であるかを尋ね、LLM（または人間）は「5mm」と正しく答えるでしょう。

最後に、LLMの下にある埋め込みモデルは、言語の意味をトークン（単語と考えることができます）にエンコードするため、言語の比較を計算するのに非常に役立ちます。たとえば、「5」と「five」は文字が共通していませんが、言語的意味では非常に近いです。したがって、これらの情報を使用してレコードをリンクすることができます。

AIと機械学習の進歩とともに、データ・マネジメントの将来はどうなるでしょうか。

2000年代初頭の「ビッグ・データ」時代は、実際には「スモール・データ」時代と呼ばれるべきです。過去20年以上の間に大量のデータが生成され、ストレージとコンピューティングのコモディティ化によって可能になりましたが、エンタープライズで影響を与えたデータの多くは、基本的なセールスおよび顧客レポート、市場分析、ダッシュボードに簡単に表現できるデータセットなどの小規模なものでした。結果として、データ・マネジメントで使用されるツールとプロセスは、「スモール・データ」に最適化されています。したがって、ルール・ベースのロジックと人間のキュレーションがまだデータ・マネジメントで支配的です。

AIと機械学習の進歩により、データの使用方法が根本的に変わります。AIエージェントが顧客サポートの最前線で重要な役割を果たすことを期待する場合、5つの「Dell Computer」の表現がCRMにあり、ERPの製品情報に接続されていない場合、どのようにして高品質のサービスを提供できるでしょうか。AIエージェントが必要とするデータを提供する必要があります。したがって、データ・マネジメントのツールとプロセスは、スケールを処理するために進化する必要があります。つまり、データのクリーンアップ活動を自動化するためにAIと機械学習を採用する必要があります。人間はプロセスを監督する役割を果たすでしょうが、基本的に、機械に多くのことを行わせる必要があります。そうすれば、単に1つのダッシュボード内のデータが正確で完全であるだけでなく、エンタープライズ内の大部分のデータが正確で完全であることが保証されます。

企業がデータをより効果的に活用するための最大の機会は何ですか。

データを消費する方法の数を増やすことです。データ・ビジュアライゼーション・ツールの改善により、データはエンタープライズ全体でよりアクセスしやすくなりました。現在、データおよび分析のリーダーは、ダッシュボードの外側で、データで価値を提供する方法を探す必要があります。内部の360ページ、ノウハウ・グラフ、会話型アシスタントなどのインターフェイスは、新しいテクノロジーによって可能になり、潜在的なデータ・コンシューマーに、日常のワークフローでデータを使用する方法を提供します。既存のシステム（CRMやERPなど）に埋め込まれている場合、これは特に強力です。データから価値を生み出す最も迅速な方法は、データを使用できる人にデータを提供することです。

素晴らしいインタビュー、詳しく知りたい読者は、Tamrを訪問してください。