Anthony Deighton, CEO av Tamr – Intervju-serie

Anthony Deighton er CEO i Tamr. Han har 20 års erfaring med å bygge og skale opp bedriftsprogramvare. Nylig tilbragte han to år som Chief Marketing Officer i Celonis, hvor han etablerte deres lederskap i Process Mining-programvarekategorien og skapte etterspørselsgenereringsprogrammer som resulterte i 130% ARR-vekst. Før det, tjenestegjorde han i over 10 år i Qlik, hvor han vokste det fra et ukjent svensk programvareselskap til et offentlig selskap — i roller fra produktledelse, produktmarkedsføring og til slutt som CTO. Han begynte sin karriere i Siebel Systems og lærte hvordan man bygger bedriftsprogramvare i en rekke produktroller.

Kan du dele noen nøkkelmilepæler fra din reise i bedriftsprogramvarebransjen, særlig din tid i Qlik og Celonis?

Jeg begynte min karriere i bedriftsprogramvare i Siebel Systems og lærte mye om å bygge og skale opp bedriftsprogramvare fra ledelseslaget der. Jeg sluttet meg til Qlik da det var et lite, ukjent, svensk programvareselskap med 95% av det lille 60-mann store teamet lokalisert i Lund, Sverige. Jeg påstår at siden jeg ikke var ingeniør eller salgsperson, ble jeg satt i charge av markedsføring. Jeg bygde markedsføringslaget der, men over tid graviteterte mine interesser og bidrag mot produktledelse, og til slutt ble jeg Chief Product Officer. Vi tok Qlik offentlig i 2010, og vi fortsatte som et vellykket offentlig selskap. Etter det, ønsket vi å gjøre noen oppkjøp, så jeg startet en M&A-avdeling. Etter en lang og rimelig vellykket periode som offentlig selskap, solgte vi til slutt Qlik til et private equity-selskap ved navn Thoma Bravo. Det var, som jeg liker å si, hele livssyklusen til et bedriftsprogramvareselskap. Etter å ha forlatt Qlik, sluttet jeg meg til Celonis, et lite tysk programvareselskap som prøvde å oppnå suksess ved å selge i USA. Igjen, ledet jeg markedsføring som CMO. Vi vokste veldig raskt og bygde en svært vellykket global markedsføringsfunksjon.

Både Celonis og Qlik var fokusert på frontenden av dataanalyse-utfordringen – hvordan ser jeg og forstår data? I Qliks tilfelle var det dashboards; i Celonis’ tilfelle var det forretningsprosesser. Men en felles utfordring over begge var dataene bak disse visualiseringene. Mange kunder klaget over at dataene var feil: duplikatposter, ufullstendige poster, manglende data siloer. Dette er hva som tiltalte meg til Tamr, hvor jeg følte at for første gang, kunne vi løse utfordringen med uordentlige bedriftsdata. De første 15 årene av min bedriftsprogramvarekarriere ble tilbragt med å visualisere data, og jeg håper at de neste 15 kan bli tilbragt med å rydde opp i dataene.

Hvordan har dine tidlige erfaringer formet din tilnærming til å bygge og skale opp bedriftsprogramvare?

En viktig lærepen i overgangen fra Siebel til Qlik var kraften i enkelhet. Siebel var svært kraftig programvare, men det ble drept på markedet av Salesforce.com, som lagde en CRM med mange færre funksjoner (“en leke” Siebel kalte det), men kunder kunne få det i gang raskt fordi det ble levert som en SaaS-løsning. Det ser ut til å være åpenbart i dag, men på den tiden var visdommen at kunder kjøpte funksjoner, men det vi lærte, var at kunder investerer i løsninger for å løse sine forretningsproblemer. Så, hvis din programvare løser deres problem raskere, vinner du. Qlik var en enkel løsning på dataanalyse-problemet, men det var radikalt enklere. Som et resultat, kunne vi slå mer funksjonsrike konkurrenter som Business Objects og Cognos.

Den andre viktige lærepen jeg lærte, var i min karriereovergang fra markedsføring til produkt. Vi tenker på disse domenene som distinkte. I min karriere har jeg funnet at jeg flytter flytende mellom produkt og markedsføring. Det er en intim kobling mellom hva produkt du bygger og hvordan du beskriver det til potensielle kunder. Og det er en like viktig kobling mellom hva kunder krever og hva produkt vi bør bygge. Evnen til å flytte mellom disse samtalene er en kritisk suksessfaktor for ethvert bedriftsprogramvareselskap. En vanlig årsak til at et startup feiler, er å tro at “hvis du bygger det, kommer de”. Dette er den vanlige troen på at hvis du bare bygger cool programvare, kommer folk til å stå i kø for å kjøpe det. Dette fungerer aldri, og løsningen er en robust markedsføringsprosess koblet med din programvareutviklingsprosess.

Den siste ideen jeg vil dele, kobler min akademiske arbeid med min profesjonelle arbeid. Jeg hadde muligheten på handelshøyskolen til å ta en klasse om Clay Christensens teori om disruptiv innovasjon. I min profesjonelle arbeid, har jeg hatt muligheten til å oppleve både å være disruptoren og å bli disruptet. Den viktigste lærepen jeg har lært, er at enhver disruptiv innovasjon er et resultat av en ekstern plattformskift som gjør det umulige mulig. I Qliks tilfelle var det plattformtilgjengeligheten av store minne-servere som tillot Qlik å disrupte tradisjonell cube-basert rapportering. Hos Tamr, er plattformtilgjengeligheten av maskinlæring i stor skala hva som tillater oss å disrupte manuell regelbasert MDM til fordel for en AI-basert tilnærming. Det er viktig å alltid finne ut hva plattformskiftet er som driver din disruptjon.

Hva inspirerte utviklingen av AI-nativ Master Data Management (MDM), og hvordan forskjeller det seg fra tradisjonelle MDM-løsninger?

Utviklingen av Tamr kom ut av akademisk arbeid ved MIT (Massachusetts Institute of Technology) omkring enhetsløsning. Under den akademiske ledelsen av Turing Award-vinner Michael Stonebraker, var spørsmålet teamet undersøkte “kan vi koble dataposter over hundredtusener av kilder og millioner av poster”. På overflaten ser det ut til å være en uovervinnelig utfordring fordi jo flere poster og kilder, jo flere poster hver mulig sammenstilling må sammenlignes med. Datavitenskapsmenn kaller dette et “n-kvadratisk problem” fordi problemet øker geometrisk med skalaen.

Tradisjonelle MDM-systemer prøver å løse dette problemet med regler og store mengder manuell datakurasjon. Regler skalerer ikke fordi du aldri kan skrive nok regler for å dekke hver enkelt hjørnefall og håndtering av tusenvis av regler er en teknisk umulighet. Manuell kurasjon er ekstremt dyrt fordi det avhenger av mennesker som prøver å arbeide gjennom millioner av mulige poster og sammenligninger. Tatt sammen, forklarer dette den dårlige markedsadopsjonen av tradisjonelle MDM-løsninger (Master Data Management). Frankt sagt, liker ingen tradisjonell MDM.

Tamrs enkle idé var å trene en AI til å gjøre arbeidet med kildeinntak, post-sammenstilling og verdi-oppløsning. Det store med AI er at den ikke spiser, sover eller tar ferie; den er også høyt parallelliserbar, så den kan ta på seg enorme volumer av data og arbeide med å gjøre den bedre. Så, hvor MDM tidligere var umulig, er det nå mulig å oppnå ren, konsolidert og oppdatert data (se over).

Hva er de største utfordringene selskaper møter med deres datamanagement, og hvordan løser Tamr disse problemene?

Den første, og kanskje den viktigste utfordringen selskaper møter i datamanagement, er at deres forretningsbrukere ikke bruker dataene de genererer. Eller sagt annerledes, hvis datateamene ikke produserer høykvalitetsdata som deres organisasjoner bruker til å svare på analytiske spørsmål eller strømlinjeforbinde forretningsprosesser, så spiller de bort tiden og pengene. En primær utgang fra Tamr er en 360-side for hver enhetspost (tenk: kunde, produkt, del, osv.) som kombinerer alle underliggende 1. og 3. partsdata så forretningsbrukerne kan se og gi tilbakemelding på dataene. Som en wiki for dine enhetsdata. Denne 360-siden er også inngangen til en konversasjonsgrensesnitt som tillater forretningsbrukere å stille og svare på spørsmål med dataene. Så, jobb nummer én er å gi brukeren dataene.

Hvorfor er det så vanskelig for selskaper å gi brukerne data de elsker? Fordi det er tre primære harde problemer underliggende dette målet: laste inn en ny kilde, sammenstille nye poster inn i eksisterende data og fikse verdiene/feltene i data. Tamr gjør det enkelt å laste inn nye kilder av data fordi dens AI automatisk kartlegger nye felt inn i en definert enhetsskjema. Dette betyr at uansett hva en ny datakilde kaller et bestemt felt (eksempel: cust_name), blir det kartlagt til den riktige sentrale definisjonen av den enheten (eksempel: “kundens navn”). Den neste utfordringen er å koble poster som er duplikater. Duplikat i denne sammenhengen betyr at postene faktisk er den samme virkelige enheten. Tamrs AI gjør dette, og bruker også eksterne 3. parts kilder som “bakgrunnsinformasjon” for å løse vanlige enheter som selskaper og mennesker. Et godt eksempel på dette ville være å koble alle postene over mange kilder for en viktig kunde som “Dell Computer”. Til slutt, for en given post, kan det være felt som er blanke eller feil. Tamr kan imputere de riktige feltverdiene fra interne og 3. parts kilder.

Kan du dele en suksesshistorie hvor Tamr betydelig forbedret et selskaps datamanagement og forretningsresultater?

CHG Healthcare er en stor spiller i helsepersonaleindustrien, som kobler sammen dyktige helsepersoner med fasiliteter som trenger dem. Uansett om det er midlertidige leger gjennom Locums, sykepleiere med RNnetwork eller bredere løsninger gjennom CHG selv, tilbyr de tilpassede bemanningsløsninger for å hjelpe helsefasiliteter å fungere jevnt og levere kvalitetspleie til pasienter.

Deres grunnleggende verdi tilbud var å koble sammen riktige helsepersoner med riktige fasiliteter på riktig tid. Deres utfordring var at de ikke hadde en nøyaktig, samlet visning av alle leverandørene i deres nettverk. Gitt deres skala (7,5 millioner+ leverandører), var det umulig å holde deres data nøyaktig med legacy, regelbasert tilnærming uten å bryte banken på menneskelige kuratorer. De kunne heller ikke ignorere problemet, siden deres bemanningsbeslutninger avhengig av det. Dårlig data for dem kunne bety at en leverandør får flere skift enn de kan håndtere, noe som fører til utbrenthet.

Med Tamrs avanserte AI/ML-kapasiteter, reduserte CHG Healthcare duplikate fysikerekorder med 45% og nesten fullstendig eliminerte den manuelle dataproduksjonen som ble gjort av sjeldne data- og analyseressurser. Og viktigst, ved å ha en pålitelig og nøyaktig visning av leverandører, kan CHG optimalisere bemanning, noe som gjør det mulig for dem å levere en bedre kundeopplevelse.

Hva er noen vanlige misforståelser om AI i datamanagement, og hvordan hjelper Tamr med å avklare disse mytene?

En vanlig misforståelse er at AI må være “perfekt”, eller at regler og menneskelig kurasjon er perfekte i kontrast til AI. Virkeligheten er at regler feiler alltid. Og, viktigere, når regler feiler, er den eneste løsningen flere regler. Så, du har en uadministrerbar rot av regler. Og menneskelig kurasjon er feilbarlig også. Mennesker kan ha gode intensjoner (om de ikke alltid), men de er ikke alltid riktige. Hva er verre, er at noen menneskelige kuratorer er bedre enn andre, eller kan ta forskjellige beslutninger enn andre. AI, på den andre siden, er probabilistisk av natur. Vi kan validere gjennom statistikk hvor nøyaktig disse teknikkene er, og når vi gjør det, finner vi at AI er mindre dyrt og mer nøyaktig enn noen konkurrerende alternativ.

Tamr kombinerer AI med menneskelig finjustering for data-nøyaktighet. Kan du forklare hvordan denne kombinasjonen fungerer i praksis?

Mennesker gir noe eksepsjonelt viktig til AI – de gir treningen. AI handler om å skale opp menneskelige anstrengelser. Hva Tamr ser etter hos mennesker, er det lille antallet eksempler (“treningsetiketter”) som maskinen kan bruke til å sette modellparametrene. I praksis ser dette ut som mennesker som tilbringer en liten del av tiden med dataene, og gir Tamr eksempler på feil og feil i dataene, og AI kjører disse leksjonene over hele datamengden. I tillegg, når ny data legges til, eller data endres, kan AI overflate eksempler hvor det sliter med å ta beslutninger (“lavt tillitsnivå-sammenstilling”) og spør mennesker om innputt. Denne innputten, naturligvis, går til å finjustere og oppdatere modellene.

Hva rolle spiller store språkmodeller (LLM) i Tamrs datakvalitets- og berikingsprosesser?

Først og fremst er det viktig å være tydelig på hva LLM er gode til. Grunnleggende er LLM om språk. De produserer tekststrenger som betyr noe, og de kan “forstå” betydningen av tekst som er gitt til dem. Så, du kunne si at de er språkmaskiner. Så, for Tamr, hvor språk er viktig, bruker vi LLM. Et åpenbart eksempel er i vårt konversasjonsgrensesnitt som sitter på toppen av våre enhetsdata, som vi kaller vår virtuelle CDO. Når du snakker med din virkelige CDO, forstår de deg og de svarer ved å bruke språk du forstår. Dette er nøyaktig hva vi forventer av en LLM, og det er nøyaktig hvordan vi bruker det i denne delen av vårt programvare. Hva som er verdifullt med Tamr i denne sammenhengen, er at vi bruker enhetsdata som kontekst for samtalen med vår vCDO. Det er som om din virkelige CDO har alle dine beste bedriftsdata tilgjengelige når de svarer på dine spørsmål – ikke det være noen god ting!

I tillegg er det eksempler hvor vi ønsker å bruke en språkbasert tolkning av inndata-verdier for å finne eller fikse en manglende verdi. For eksempel, du kunne spørre fra teksten “5mm kule-lager” hva størrelsen på delen er, og en LLM (eller en person) ville korrekt svare “5mm”.

Til slutt er det underliggende LLM-er som er innkapslingsmodeller som koder språkbetydning til token (tenk: ord). Disse kan være svært nyttige for å beregne lingvistisk sammenligning. Så, mens “5” og “fem” deler ingen tegn felles, er de svært nære i lingvistisk betydning. Så, vi kan bruke denne informasjonen til å koble poster sammen.

Hvordan ser du på fremtiden for datamanagement, særlig med fremgang i AI og maskinlæring?

“Big Data”-æraen på begynnelsen av 2000-tallet bør huskes som “Small Data”-æraen. Mens en del data er blitt skapt over de siste 20+ årene, muliggjort av kommersialisering av lagring og beregning, er de fleste data som har hatt en innvirkning i bedriftene relativt små skala – grunnleggende salgs- og kunde-rapporter, markedsanalyse og andre datasett som kunne lett bli avbildet i en dashboard. Resultatet er at mange av verktøyene og prosessene som brukes i datamanagement er optimert for “small data”, hvilket er hvorfor regelbasert logikk, supplert med menneskelig kurasjon, fortsatt er så fremtredende i datamanagement.

Måten mennesker ønsker å bruke data er fundamentalt endret med fremgang i AI og maskinlæring. Idéen om “AI-agenter” som kan utføre en betydelig del av en persons jobb, fungerer bare hvis agentene har data de trenger. Hvis du forventer at en AI-agent skal tjene på frontlinjen av kundeservice, men du har fem representasjoner av “Dell Computer” i din CRM og det er ikke koblet med produktinformasjon i din ERP, hvordan kan du forvente at de skal levere høykvalitets tjeneste når noen fra Dell kommer i kontakt?

Implikasjonen av dette er at våre datamanagement-verktøy og prosesser må utvikles for å håndtere skala, hvilket betyr å omfavne AI og maskinlæring for å automatisere flere data-rengjøringsaktiviteter. Mennesker vil fortsatt spille en stor rolle i å overvåke prosessen, men fundamentalt må vi be maskinene gjøre mer, så det ikke bare er data i en enkelt dashboard som er nøyaktig og fullstendig, men det er majoriteten av data i bedriften.

Hva er de største mulighetene for bedrifter i dag når det kommer til å utnytte deres data mer effektivt?

Øke antallet måter mennesker kan forbruke data på. Det er ingen tvil om at forbedringer i data-visningsverktøy har gjort data mye mer tilgjengelig over hele bedriften. Nå, må datateam og analyseledere se beyond dashboard for å levere verdi med data. Grensesnitt som interne 360-sider, kunnskapsgrafer og konversasjonsassistenter blir muliggjort av nye teknologier og gir potensielle dataforbrukere flere måter å bruke data i deres dag-til-dag-arbeidsflyt. Det er særlig kraftig når disse er innbygget i systemene mennesker allerede bruker, som CRMs og ERPs. Den raskeste måten å skape mer verdi fra data er ved å bringe data til mennesker som kan bruke den.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Tamr.