Onur Alp Soner, CEO en mede-oprichter van Countly – Interviewreeks

Onur Alp Soner is de mede-oprichter en CEO van Countly, een digitaal analytics- en in-app engagementplatform. Als technoloog en self-starter heeft hij Countly van de grond af opgebouwd om bedrijven meer controle te geven over hoe ze hun gebruikers begrijpen en ermee interacteren. Onder zijn leiding is Countly uitgegroeid tot een vertrouwd platform voor ondernemingen wereldwijd die snel willen innoveren en tegelijkertijd de privacy van hun gebruikers centraal stellen in hun groeistrategieën.

Neem ons mee terug naar het moment dat je besloot Countly op te richten — wat waren de problemen die je persoonlijk ondervond met bestaande analytics-tools die je ervan overtuigden dat het data-eigendomsmodel fundamenteel kapot was?

Ongeveer 13 jaar geleden, toen mobiele apps aan populariteit begonnen te winnen, volgden de beschikbare analytics-tools een bepaald model. Veel van hen waren gratis of relatief goedkoop, maar de tegenprestatie was dat het platform je gegevens verzamelde en monitiseerde, vaak door ze te voeden naar advertentie-ecosystemen. Toen werd dat algemeen geaccepteerd als de normale manier waarop dingen werkten.

Dat zat ons echter niet lekker. Zelfs als kleine onderneming leek het ons niet logisch om al onze gebruikersgegevens af te staan om alleen maar te begrijpen hoe ons product presteerde.

Countly begon als reactie daarop. We wilden analytics bouwen die bedrijven volledig konden bezitten en controleren, waarom we het lanceerden als een open-source, self-hosted platform. Het idee was eenvoudig: organisaties moeten in staat zijn om hun gegevens te begrijpen en te acteren zonder ze weg te geven. Dat principe staat nog steeds centraal bij Countly vandaag.

Sinds de oprichting van Countly heeft AI de data-eigendom van een niche-zorg naar een strategische vereiste gestuwd. Wanneer werd het duidelijk voor je dat dit principe veel verder zou gaan dan alleen analytics?

In de vroege jaren werden de meeste gesprekken over data-eigendom gekaderd in termen van privacy of compliance. Het waren voornamelijk banken, zorgverleners en overheden die diep geïnteresseerd waren in waar hun gegevens woonden en wie er controle over had. Voor velen anderen werd analytics nog steeds gezien als een eenvoudig rapportagetool, dus het eigendomsvraagstuk voelde niet urgent.

Die perspectief begon te verschuiven toen bedrijven meer afhankelijk werden van gegevens om hun producten te laten draaien, niet alleen om ze te meten. Zodra analytics van rapportage naar besluitvorming ging, personalisatie, productwijzigingen en klantbetrokkenheid, werd de belangrijkheid van het controleren van die gegevens veel duidelijker. Elk digitaal bedrijf, van mobiliteit tot hospitality, begon effectief te concurreren op basis van gegevens, niet alleen op hun front-end ervaring.

AI heeft die realisatie dramatisch versneld. Je kunt een AI-model licentiëren of bouwen, maar je kunt de gedragsgegevens die weerspiegelen hoe jouw klanten met jouw product interacteren niet kopen. Die gegevens zijn uniek voor elke organisatie.

Veel organisaties denken dat ze “AI-ready” zijn omdat ze grote hoeveelheden gegevens hebben. Wat ontbreekt er meestal onder de oppervlakte in echte bedrijven?

Het ontbreken van gegevens is meestal niet het probleem. Het echte issue is het ontbreken van bruikbare gegevens. Veel organisaties hebben enorme hoeveelheden informatie, maar die zijn gefragmenteerd over verschillende tools, teams en systemen. Bijvoorbeeld, marketing kan een dataset hebben, product een andere, en engineering heeft zijn eigen telemetrie, vaak opgeslagen in verschillende formaten met weinig gedeelde structuur.

Om AI bruikbaar te maken, moet de onderliggende data schoon, consistent en contextueel zijn. Het is niet genoeg om events of logs te verzamelen; je moet begrijpen wat die signalen eigenlijk vertegenwoordigen. Zonder die semantische laag zijn AI-systemen eigenlijk aan het raden.

Een ander issue is eigendom. Een verbazingwekkend aantal bedrijven heeft eigenlijk geen controle over hun eigen gegevens omdat ze binnen derde-partijplatforms zitten. Dat maakt het moeilijk om datasets te combineren, governance-regels toe te passen of AI-modellen veilig toe te passen.

Dus als bedrijven zeggen dat ze AI-ready zijn omdat ze veel gegevens hebben, is de echte vraag of ze een coherente data-fundament hebben.

Waarom creëert first-party data een duurzame concurrentievoordeel in AI-systemen, terwijl modellen zelf steeds meer inwisselbaar worden?

Wat een duurzaam voordeel creëert, is niet het model zelf, maar het begrip van gebruikers dat voortkomt uit first-party data. Die data weerspiegelt hoe mensen daadwerkelijk met jouw product interacteren, en is uniek voor elke organisatie. Modellen daarentegen worden steeds meer een commodity. Je kunt ze licentiëren, fine-tunen of tussen providers wisselen relatief eenvoudig. Wat je niet kunt repliceren, is de gedragsdata gegenereerd door jouw eigen gebruikers die met jouw producten interacteren over tijd.

Die data vangt patronen, context en signalen die weerspiegelen hoe klanten daadwerkelijk gedragen. Wanneer het goed gestructureerd en begrepen is, stelt het bedrijven in staat om systemen te bouwen die continu leren van echte gebruiksgevallen in plaats van generieke datasets.

Waar breken moderne analytics-stacks stilzwijgend af als ze worden hergebruikt voor AI-systemen in plaats van rapportage, dashboards en KPI’s?

Ze breken af op het punt waarop data van observatie naar actie moet gaan. Traditionele analytics-stacks waren voornamelijk ontworpen voor rapportage. Ze verzamelen en aggregeren data, en presenteren die in dashboards die teams helpen begrijpen wat er gisteren of vorige week gebeurde.

AI-systemen daarentegen werken heel anders. Ze vereisen data die gestructureerd, contextueel en in real-time beschikbaar is, zodat het direct de manier waarop een systeem zich gedraagt kan beïnvloeden. Wanneer analytics-pipelines zijn gebouwd rond batch-verwerking en vertraagde rapportage, worstelen ze om systemen te ondersteunen die onmiddellijk moeten reageren.

Hoe manifesteert het ontbreken van echte data-eigendom zich operationeel wanneer teams proberen AI van experimentatie naar productie te verplaatsen?

Het manifesteert zich meestal als een controleprobleem. Uiteindelijk, als je geen controle hebt over je gegevens, heb je geen controle over je AI. Dit wordt vooral duidelijk wanneer teams van experimentatie naar productie gaan. Tijdens experimentatie kunnen teams vaak werken met kleine datasets of tijdelijke pipelines, maar productiesystemen vereisen consistente toegang tot betrouwbare data over de hele organisatie.

Daarna zit de onderliggende data in veel bedrijven over verschillende derde-partijplatforms, zoals analytics-tools, marketingsystemen of cloudservices. Dat maakt het moeilijk om datasets te combineren, governance-regels toe te passen of data tussen systemen te verplaatsen op een gecontroleerde manier. Dit is een van de redenen waarom veel AI-projecten blijven steken in pilot-fases. Zonder gestructureerde, organisatie-brede data wordt het moeilijk om AI betrouwbaar in productie te deployen.

Het maakt het ook moeilijker om te traceren hoe een model tot een beslissing kwam of om de exacte data-toestand achter het te reconstrueren. Zonder dat niveau van controle wordt het correcteren van fouten of het terugdraaien van beslissingen extreem moeilijk.

Waarom ondermijnen slechte data-structuur, semantiek en context zelfs de meest capabele AI-modellen?

Zelfs de meest capabele AI-modellen zijn alleen zo goed als de data die ze ontvangen. Als de onderliggende data slecht gestructureerd is of context ontbreekt, heeft het model weinig begrip van wat die signalen eigenlijk vertegenwoordigen.

In veel systemen wordt data verzameld als geïsoleerde events of logs zonder een duidelijke betekenis eraan verbonden. Een model kan duizenden interacties zien, maar zonder adequate structuur en semantiek kan het niet onderscheiden tussen wat belangrijk is en wat alleen maar ruis is.

Context is even belangrijk. AI-systemen moeten begrijpen hoe verschillende stukken data met elkaar in verband staan over tijd. Zonder die context kunnen modellen nog steeds output produceren, maar die zijn vaak onbetrouwbaar omdat het systeem werkt met onvolledige informatie.

Welke waarschuwingssignalen geven aan dat een bedrijf op weg is naar generieke AI-resultaten lang voordat die ervaringen generiek aanvoelen voor klanten?

Het meest basale waarschuwingssignaal is wanneer bedrijven afhankelijk zijn van dezelfde externe AI-modellen en -tools, maar weinig doen om hun eigen data-fundamenten te ontwikkelen. Als organisaties dezelfde modellen gebruiken, maar niet voeden met hun eigen gebruikers- en contextuele data, werken de systemen eigenlijk met dezelfde generieke inputs. In die situatie kan de AI alleen hoog niveau of generieke resultaten produceren. Over tijd leidt dit tot producten die steeds meer hetzelfde aanvoelen, omdat de intelligentie erachter is gebouwd op dezelfde beperkte informatie.

Een ander waarschuwingssignaal is wanneer organisaties zich sterk focussen op het adopteren van AI-modellen, maar weinig aandacht besteden aan de structuur en kwaliteit van hun data. AI versterkt wat het ontvangt. Als de onderliggende data rommelig, gefragmenteerd of slecht gestructureerd is, zal het systeem simpelweg een meer geavanceerde versie van hetzelfde probleem produceren.

Wat activeert Countly eigenlijk dat traditionele analytics en dataplatforms niet doen voor organisaties die AI op basis van hun eigen data proberen te bouwen?

Het belangrijkste verschil zit in hoe controle in het platform is ingebouwd. In veel analytics-producten is data-eigendom iets dat optreedt als een optie of functie. Bij Countly zit het aan de kern van het systeem. Het platform is ontworpen zodat organisaties niet hoeven te kiezen tussen controle over hun data en geavanceerde functionaliteit.

In de praktijk betekent dit dat bedrijven Countly in hun eigen omgeving kunnen draaien, volledige controle over hun data-stack kunnen behouden en toch toegang hebben tot analytics-, engagement- en automatiseringsmogelijkheden op grote schaal. Dit wordt vooral belangrijk wanneer organisaties AI op basis van hun eigen data willen bouwen. Veel traditionele analytics-tools zijn voornamelijk gebouwd voor rapportage, wat betekent dat de data die ze verzamelen vaak binnen derde-partijdashboards blijft in plaats van een bruikbare basis voor andere systemen te worden. Countly neemt een andere aanpak door analytics te behandelen als onderdeel van de onderliggende data-infrastructuur.

Hoe zou de definitie van ethische AI moeten evolueren als data-eigendom als een kernontwerpprincipe wordt behandeld in plaats van een beleidsvinkje?

Zodra data-eigendom als een ontwerpprincipe wordt behandeld, is ethische AI niet langer over het auditen van modellen na de feiten — het is over het ontwerpen van systemen waarin gebruikers agency behouden over de data die hen traint. Ethiek wordt infrastructuur.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Countly bezoeken.