Shadi Rostami, SVP van Engineering bij Amplitude – Interviewreeks

Shadi is SVP van Engineering bij de digitale analytics-leider Amplitude. Ze is een gepassioneerde, ervaren technisch leider en architect met ervaring in het opbouwen en beheren van hoogwaardige engineersteams. Voordat ze bij Amplitude kwam, was ze VP van Engineering bij Palo Alto Networks (PANW ). Ze heeft verschillende productlijnen en diensten geïnnoveerd en geleverd, gespecialiseerd in gedistribueerde systemen, cloud computing, big data, machine learning en beveiliging.

Amplitude is gebouwd op moderne machine learning- en generatieve AI-technologieën die productteams in staat stellen om slimmere, snellere en betere digitale ervaringen te creëren voor hun klanten.

Wat trok je aanvankelijk aan tot informatica en techniek?

Ik groeide op in Iran en volgde aanvankelijk een middelbareschoolpad dat een carrière in de geneeskunde mogelijk zou maken, wat het pad was dat mijn vader voor me wilde en dat mijn broer had gevolgd. Ongeveer een jaar en een half later besloot ik dat dit niet het pad voor me was. In plaats daarvan volgde ik een opleiding in techniek en werd ik de eerste meisje in Iran die deelnam aan de Informatic Olympiad (IOI) en de bronzen medaille won, een jaarlijkse wedstrijd voor middelbare scholieren over de hele wereld die concurreren in wiskunde, natuurkunde, informatica en scheikunde. Dit leidde me naar een studie in techniek aan de Sharif University of Technology in Iran en later naar een PhD in computerengineering aan de University of British Columbia in Canada. Daarna werkte ik voor startups en bracht ik een decennium door bij Palo Alto Networks, waar ik uiteindelijk VP werd, verantwoordelijk voor ontwikkeling, kwaliteitscontrole, DevOps en datawetenschap. Vijf jaar geleden verhuisde ik naar Amplitude als SVP van Engineering.

Kun je Amplitudes kernfilosofie over AI bespreken, dat AI mensen moet helpen bij het verbeteren van hun werk in plaats van hen te vervangen?

AI transformeert snel bijna elke industrie, en met deze transformatie komen vragen over hoe bedrijven deze technologie zullen gebruiken. We zijn ervan overtuigd dat we AI goed moeten doen. Deze overtuiging leidde ons ertoe om onze klantgerichte AI-filosofie te ontwikkelen, die rust op vijf belangrijke principes: (1) samenwerkende ontwikkeling en denkpartnerschap, (2) gegevensbeheer en gebruikersgegevensbescherming, (3) transparantie, (4) privacy, beveiliging en naleving van regelgeving, en (5) keuze en controle van de klant. We weten dat deze principes essentieel zijn als bedrijven AI gaan adopteren en testen en uiteindelijk echt datagedreven worden. Voor ons betekent dit het bouwen van AI-hulpmiddelen die mensen helpen om sneller tot inzichten te komen. Als AI op de juiste manier wordt gebruikt, leiden deze inzichten tot snellere, betere beslissingen die bottom-line resultaten opleveren. Het gebruik van AI als hulpmiddel om menselijke intelligentie en creativiteit aan te vullen, is waar ik de grootste impact van AI zie.

Kun je het concept van ‘data-democratie’ uitleggen in de context van de huidige AI-gedreven zakenomgeving?

“Data-democratie wordt gedreven door de kennis dat teams beter, sneller en efficiënter functioneren als ze toegang hebben tot de juiste gegevensinzichten op het juiste moment. In de snel evoluerende AI-gedreven omgeving van vandaag kunnen teams het zich niet veroorloven om dagen of weken te wachten op gegevensextractie. Om dit te mitigeren, moeten bedrijven hun teams in staat stellen om gegevens op een self-service-manier te benutten. Dit betekent niet dat er geen parameters zijn; slechte gegevens leiden tot slechte AI. Met de juiste tools en processen kunnen bedrijven data-democratisering in evenwicht brengen met gegevensbeheer, waardoor betere bedrijfsresultaten worden behaald.”

Welke belangrijke verschuivingen in de organisatiecultuur zijn volgens jou essentieel voor het mogelijk maken van echte data-democratie in de AI-tijdperk?

Het creëren van een echte data-democratie binnen je organisatie begint met twee fundamentele cultuurverschuivingen: het bieden van de juiste, meest toegankelijke tools en het uitvoeren van organisatiebrede inspanningen op het gebied van data-literatuur. Dit betekent het adopteren van self-service-tools die niet-technische teamleden, zoals marketing- of klantensucces teams, in staat stellen om niet alleen toegang te krijgen tot gegevens, maar ook om ze te analyseren en erop te acteren. Ik geloof dat self-service data-analyse samenwerking tussen teams kan stimuleren, nieuwsgierigheid en exploratie kan inspireren, data-literatuur kan schalen en een voorkeur kan geven aan actie en impact. Bovendien is het belangrijk om gezamenlijke inspanningen te leveren tussen het centrale datateam en de business-teams om continue gegevensbeheer te doen, zodat de gegevenskwaliteit niet verslechtert in de loop van de tijd.

Wat zijn volgens jou de grootste uitdagingen waar organisaties mee te maken krijgen bij het bereiken van data-democratisering, en hoe kunnen ze deze obstakels overwinnen?

In het verleden hebben bedrijven geprobeerd om gegevens te centraliseren binnen één team van experts, waardoor de rest van de organisatie afhankelijk was van dit team om analyse en belangrijke inzichten te leveren die cruciaal konden zijn voor hun dagelijkse operaties en besluitvorming. Hoewel het democratiseren van toegang tot gegevens essentieel is om deze bottleneck op te lossen, kan het ook een uitdaging zijn. Wanneer ik met data-leiders praat over het operationaliseren van self-service, is het duidelijk dat er een spectrum is. Aan de ene kant heb je tools met lage instellingen voor niet-technische en business-teams. Uiteindelijk geven deze tools niet de diepte en breedte van antwoorden die deze teams nodig hebben. Aan de andere kant heb je meer technische tools voor meer technische teams. Ze zijn veel flexibeler in termen van analyse, maar ze zijn langzaam en waarschijnlijk kan alleen een klein aantal mensen ze gebruiken. We noemen deze tools een “data-broodlijn” … je wacht altijd op antwoorden. Teams hebben een oplossing nodig in het midden. Denk aan out-of-the-box-oplossingen die exploratie en experimenten stimuleren, in plaats van ze te belemmeren. Met de juiste tooling en teameducatie kunnen bedrijven de data-democratiseringskloof gemakkelijker overbruggen.

Hoe belangrijk is data-literatuur in het proces van data-democratisering, en welke stappen moeten bedrijven nemen om het te verbeteren onder hun medewerkers?

Het creëren van een omgeving van data-democratie binnen je teams is een culturele uitdaging die educatie en organisatiebrede instemming vereist. Uit mijn ervaringen met het onderwijzen van data-processen aan niet-technische leden, is de beste manier om deze vaardigheden te ontwikkelen door een combinatie van training en hands-on leren. Ik raad aan om een uitgebreid trainingsprogramma te ontwikkelen om ervoor te zorgen dat medewerkers zich comfortabel en vertrouwd voelen met de inzichten die ze uit hun gegevens halen. Zorg ervoor dat je een tool gebruikt die niet-technische gebruikers niet uitsluit: bijvoorbeeld, elke tool die kennis van SQL vereist, zou mensen zonder programmeerervaring marginaliseren. Vervolgens moet je medewerkers de kans geven om met de gegevens te experimenteren. Ten slotte moet je een tool implementeren die exploratie en samenwerking stimuleert. Hoe minder mensen in silo’s werken, hoe meer ze ideeën met elkaar kunnen delen, wat leidt tot meer verhelderende inzichten. Als je een data-professional bent die een niet-technisch teamlid onderwijst, vergeet dan niet dat je jaren hebt besteed aan het leren hoe je gegevens kunt verkrijgen en gebruiken, dus denk anders over het onderwerp dan de casual gebruiker. Wees open voor het onderwijzen van anderen in plaats van alles zelf te doen. Anders heb je nooit tijd om iets anders te doen dan vragen van mensen te beantwoorden.

Hoe moeten bedrijven hun strategieën aanpassen om voorop te blijven in data-beheer en -gebruik, gezien de snelle evolutie van data-tools en generatieve AI-technologieën?

Gegevensbeheer is een van de belangrijkste uitdagingen waar bedrijven nog steeds mee te maken krijgen, en het is iets wat elke organisatie moet aanpakken om betekenisvolle AI- en gegevenservaringen te mogelijk maken. AI is alleen zo goed als de gegevens die het aandrijven, en schone gegevens leiden tot meer impactvolle inzichten, gelukkigere gebruikers en bedrijfsgroei. Op deze manier moeten bedrijven proactief zijn over gegevensopruiming en taxonomie, en er zijn kansen om generatieve AI te gebruiken om AI-beheer en -kwaliteit te beheren. Bijvoorbeeld, bij Amplitude lanceerden we vorig jaar ons AI-gepowered Data Assistant-product, dat intelligente aanbevelingen en automatisering biedt om gegevensbeheer naadloos en gebruikers in staat te stellen om gegevenskwaliteitsinspanningen te beheren.

Hoe stelt Amplitude grote ondernemingen in staat om de klantreis beter te begrijpen?

Het creëren van geweldige digitale producten en ervaringen is moeilijk, vooral in de huidige concurrerende landschap. Vandaag weten veel bedrijven nog steeds niet voor wie ze bouwen of wat hun klanten willen. Amplitude helpt bedrijven om vragen te beantwoorden zoals: “Wat houden onze klanten van? Waar lopen ze vast? Wat houdt ze bij ons?” door middel van kwantitatieve en kwalitatieve gegevensinzichten. Ons platform helpt bedrijven om de eind-tot-eind-klantreis beter te begrijpen door gegevens te bieden die de klantacquisitie-, monetaire- en retentiecyclus aandrijven. Vandaag gebruiken meer dan 2.700 klanten, waaronder grote ondernemingen als Atlassian (TEAM ), NBC Universal en Under Armour (UAA ), Amplitude om betere producten te bouwen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Amplitude bezoeken Amplitude.