Jeremy Burton, CEO van Observe – Interviewreeks

Jeremy Burton, CEO van Observe, is een ervaren ondernemingssoftware-executive met meer dan 20 jaar leiderschapservaring bij grote technologiebedrijven, waaronder Dell Technologies (DELL ), EMC, Oracle (ORCL ) en VERITAS. Hij heeft wereldwijd teams geleid in productontwikkeling, marketing en strategische M&A, en heeft bedrijven opgebouwd en geschaald in de opslag-, beveiligings- en SaaS-markt. Burton was ook mede-oprichter van het Oracle Technology Network, dat uitgroeide tot miljoenen leden wereldwijd, en zit momenteel in de raad van bestuur van Snowflake en fungeert als adviseur van het Formule 1-team van McLaren.

Observe, gevestigd in San Mateo, Californië, is een next-generation SaaS-observabiliteitsplatform dat SRE-, DevOps- en engineersteams helpt bij het onderzoeken en optimaliseren van moderne gedistribueerde systemen. Gebouwd op Snowflakes data-infrastructuur, combineert het logboeken, metingen en sporen in één enkel, contextrijke dataset, waardoor teams incidentrespons kunnen versnellen, oorzaken kunnen identificeren en betrouwbaarheid kunnen verbeteren in complexe cloudomgevingen.

U hebt senior leiderschapsrollen gehad bij wereldwijde giganten als Dell, EMC en Oracle, en nu leidt u een startup met Observe. Wat motiveerde u om de stabiliteit en schaal achter te laten en de sprong te wagen naar het opbouwen van iets vanaf de grond?

Ik heb in mijn carrière het geluk gehad om voor enkele geweldige leiders te werken, waaronder Larry Ellison en Michael Dell. Ik werkte met hen 20 of 30 jaar na hun aanstelling, maar wat hen zo opmerkelijk maakt, is dat ze er vanaf het begin bij waren. Zij namen de vroege productbeslissingen, legden de routes naar de markt vast en stelden een cultuur vast voor langetermijnsucces. Mijn rol was om incrementele verbeteringen aan te brengen op basis van de decennia harde werk die zij al hadden verzet. Uiteindelijk bereikte ik een punt in mijn carrière waarop ik mezelf wilde bewijzen dat ik ook een bedrijf kon opbouwen, een product naar marktfit kon brengen, een verkoopbeweging kon creëren en een cultuur kon creëren die ik geloofde dat op lange termijn kon floreren.

Observe positioneert zichzelf als een nieuwe categorie in observabiliteit, waarbij logboeken, analytics en monitoring in één geïntegreerd platform worden gecombineerd. Hoe ziet u deze aanpak als het opnieuw definiëren van de ruimte ten opzichte van legacy-spelers als Splunk en Datadog (DDOG )?

Het grote probleem waarmee legacy-tools worden geconfronteerd, is dat ze niet zijn gebouwd voor schaal. In gesprekken met klanten hebben we keer op keer gezien dat Splunk en Datadog kostbaar worden als het volume aan telemetrie groeit, en dat is fundamenteel een probleem met de manier waarop legacy-tools zijn geconstrueerd.

Observe onderscheidt zich doordat ons platform is gebouwd op een streaming data lake-architectuur met open formaten zoals Apache Iceberg. Dat betekent dat we compute van opslag kunnen scheiden, elastisch kunnen schalen en observabiliteit kunnen leveren tegen een fractie van de kosten van traditionele systemen. Concurrenten zoals Splunk vertrouwen nog steeds op monolithische architecturen die capaciteitsplanning vereisen – en zelfs nieuwere tools zoals Datadog vereisen datagegradeerd, rehydratie en herindexeren om kosten onder controle te houden.

We focussen ons ook op een geïntegreerde observabiliteitservaring. Logboeken, metingen, sporen en gebeurtenissen wonen allemaal in één plaats, met één querytaal en een Kennisgraaf die automatisch relaties tussen services, gebruikers en incidenten in kaart brengt. Die context is wat troubleshooting sneller maakt. In tegenstelling tot Splunk en Datadog hebben separate back-ends voor logboeken, metingen en sporen, wat leidt tot langzamere analyses.

Tenslotte hebben we zwaar geïnvesteerd in AI-gestuurde troubleshooting. Onze O11y AI SRE kan natuurlijke taalinput accepteren, hypotheses genereren en engineers door incidentoplossing leiden, niet alleen waarschuwen. En het is gebouwd om gebruik te maken van onze Kennisgraaf, die de nodige context biedt voor nauwkeurige troubleshooting. Dat is een stap verder dan de anomaliedetectie of waarschuwingen die de meeste concurrenten vandaag bieden.

Kort samengevat: wij zijn kostenefficiënt, wij zijn geïntegreerd en wij zijn open. Die drie kwaliteiten zijn wat klanten ons vertellen dat Observe onderscheidt van legacy-spelers als Splunk en nieuwere incumbenten als Datadog.

U hebt toezicht gehad op multibillion-dollar-operaties en nu leidt u een startup. Welke lessen over efficiëntie, flexibiliteit of innovatie uit grote ondernemingen zijn overdraagbaar – en welke niet?

Het is tegenintuïtief, maar succesvolle grote bedrijven doen een klein aantal dingen echt goed, en ze begrijpen elk detail. Degene die worstelen doen te veel, en alles verwordt tot middelmatigheid.

Bij een startup focust u op één ding tegelijk en bent u geobsedeerd door elk detail. Er is niet genoeg financiering om meer te doen dan dat. Als gevolg daarvan is wat startups zo intens maakt, dat u letterlijk failliet kunt gaan als u dingen niet snel genoeg uitvindt. Daarom moet u beslissingen sneller nemen, sneller uitbrengen, sneller falen en sneller leren. Bovendien moet u dat allemaal doen met minder mensen.

Niettemin is het meest bevrijdende aspect van een startup dat u geen gevestigd product, bedrijfsmodel of route naar de markt heeft. Dat betekent dat u de vrijheid heeft om nieuwe aannamen over al deze dingen te doen. Dat is niet het geval bij een groot bedrijf. U kunt bijvoorbeeld het bedrijfsmodel niet doorbreken met een nieuw disruptief product. Zelfs als u het technisch gezien zou kunnen bouwen, zal de CFO en Wall Street u niet toestaan om het volledige potentieel te maximaliseren. Dat is waarom startups vaak winnen, zelfs als ze theoretisch gezien geen kans zouden moeten hebben.

U bent ook bestuurslid geweest bij Snowflake bijna een decennium. Wat heeft u geleerd van Snowflakes reis dat uw strategie bij Observe informeert?

Snowflake viel een oud probleem aan met een nieuwe architectuur. Zij bouwden hun technologie op een eenvoudig maar krachtig idee en verstoorden een enorme markt die werd gehinderd door legacy-leveranciers. Er zijn een paar lessen hier: speel in markten die enorm zijn, en u kunt een enorm bedrijf bouwen. Bovendien moet u een radicaal andere aanpak hebben dan de incumbenten, zodat de klant enorme voordelen kan zien bij het overstappen.

De observabiliteitsmarkt die wij aanvallen is enorm, $30 miljard en groeiend. Wij hebben het observabiliteitsprobleem op een unieke manier opgelost: met een data lake-fundament, elastische compute en open formaten. Dit belooft klanten een verbetering van een orde van grootte in zowel troubleshooting-snelheid als totale kosten.

U bent diep betrokken geweest bij productontwikkeling, marketing en grote M&A. Hoe beïnvloedt die brede achtergrond de manier waarop u groeistrategieën prioriteert bij Observe?

In de vroege dagen van een startup is het vrij eenvoudig: u bouwt een geweldig product en probeert het te verkopen. Dat is de groeistrategie. Dat gezegd hebbende, is mijn carrière zeer bevooroordeeld naar ondernemingssoftware en het oplossen van complexe problemen voor grote ondernemingen, dus het is waarschijnlijk niet verrassend dat Observe zich rechtstreeks op dat richt.

Op basis van mijn ervaring geloof ik dat om een groot observabiliteitsbedrijf op te bouwen, u het probleem moet oplossen voor de grootste bedrijven ter wereld. Deze omvatten problemen met petabytes aan gegevens, duizenden gebruikers en duizenden applicaties. Er zijn veel observabiliteitsbedrijven, maar slechts weinig kunnen winnen in die omgeving, en ik zorg ervoor dat Observe dat kan.

Observabiliteit is kritiek geworden aangezien moderne gedistribueerde applicaties complexer worden. Waar ziet u de grootste uitdagingen en kansen voor ondernemingen in de komende 3-5 jaar?

De grootste uitdaging vandaag is schaal. Kubernetes, microservices en nu AI-werklasten produceren gegevensvolumes die traditionele tools overweldigen. De betrouwbaarheid van deze tools daalt als de kosten de lucht inschieten, en het is simpelweg niet duurzaam; een nieuwe architectuur is nodig.

Om het nog erger te maken, zullen we in de komende jaren meer code zien geschreven, ondersteund door AI-codertools, dan ooit tevoren. Die code is niet perfect, en op een gegeven moment zal hij falen. Het gebied van groei ligt in het stellen van de vraag: hoe lost u code op die niemand heeft geschreven? En of code-gen tools naar code kunnen kijken en bugs kunnen repareren, kunnen ze echt kijken naar hoe de applicatie zich in productie gedraagt en het probleematische code vinden? Dat is een enorme kans voor observabiliteitsleveranciers in de toekomst.

Veel teams worstelen met tool-sprawl, waarbij ze separate systemen gebruiken voor logboeken, metingen en sporen. Hoe helpt Observe bij het vereenvoudigen van die ervaring voor engineer- en DevOps-teams in de praktijk?

In plaats van drie of vier tools te hanteren, biedt Observe klanten één platform. Een bedrijfs logboeken, metingen, sporen en waarschuwingen wonen allemaal in hetzelfde systeem en zijn verbonden door een Kennisgraaf. De Kennisgraaf biedt context die gebruikers in staat stelt om gemakkelijk te drillen en te pivoteren over logboeken, metingen en sporen om troubleshooting te versnellen. Dit vermindert de tijd die ze moeten besteden aan het springen van platform naar platform, en stelt hen in staat om een probleem op te lossen zonder gegevensexport of contextwisseling.

Kunt u een concreet voorbeeld geven van hoe Observe een klant heeft geholpen bij het oplossen van een groot probleem – iets dat moeilijk of onmogelijk zou zijn geweest met traditionele observabiliteitstools?

Capital One gebruikt Observe om de status van kritieke klantreizen te laten zien door telemetriegegevens te correleren en te verrijken met relevante bedrijfscontext. Zij nemen honderden terabytes aan telemetrie per dag in, waaronder logboeken, metingen, sporen, wijzigingsrecords, VPC-flowlogs en AWS-configuratiegegevens. Observe biedt Capital One een geïntegreerd platform voor eind-tot-eind-observabiliteit, zodat ontwikkelaars en SRE’s interactieve incidentrespons en debugging kunnen uitvoeren.

Wat is de rol van machine learning of AI achter de schermen bij Observe, en hoe helpt het klanten om inzichten sneller naar boven te brengen of problemen automatisch te detecteren?

Machine learning heeft een bewogen geschiedenis in observabiliteit, omdat ondernemingsomgevingen inherent lawaaierig zijn en het heel moeilijk is om een model te produceren dat niet resulteert in duizenden anomalieën. Generatieve AI is een heel andere technologie en zal een veel diepgaandere impact hebben.

Wij geloven dat AI de manier waarop engineers interactie hebben met observabiliteitstooling zal veranderen. Ten eerste zullen ze rechtstreeks met hun observabiliteitsgegevens kunnen praten in natuurlijke taal, terwijl ze in hun IDE zitten; de helft van onze gebruikers in de toekomst zal mogelijk nooit inloggen of Observe leren! Ten tweede zullen AI-agents aanwezig zijn tijdens “vredestijd” om telemetrie te scannen en naar potentiële problemen te zoeken die uiteindelijk tot een incident kunnen leiden. AI-agents worden niet moe of verveeld en kunnen werk doen dat mensen simpelweg niet kunnen doen. Ten slotte zullen AI-agents tijdens “oorlogstijd” engineers en SRE’s helpen bij de loop van actie die ze moeten ondernemen om het probleem op te lossen.

Uw Formule 1-geïnspireerde leiderschapsstijl benadrukt mentale kracht en leren van fouten. Hoe heeft die perspectief uw aanpak beïnvloed bij het opbouwen van Observe en het leiden van het team door zowel successen als uitdagingen?

Succes in F1 wordt gefokt met behulp van gegevens om toekomstige beslissingen te leiden, zowel voor de bestuurder als de auto. Tegen de tijd dat een F1-auto het einde van het seizoen bereikt, zijn 90% van de onderdelen vervangen, en het is 2 seconden sneller op de racebaan.

Bij Observe moeten we dezelfde mentaliteit hebben om te slagen. We brengen uit, we meten, we luisteren, we passen ons snel aan. Ik zou me kunnen voorstellen dat 90% van ons product vandaag anders is dan zelfs maar een paar jaar geleden. Deze aanpak vergt veel discipline en veel nederigheid; het is niet gemakkelijk om slecht nieuws te horen, steeds weer. Toch, als u genoeg slecht nieuws naar actie vertaalt, verandert het langzaam in goed nieuws, en versnelt de ARR. Het is geen magie, het is logica!

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoek Observe.