Anthony Deighton, CEO av Tamr – Intervju-serie

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

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

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

Både Celonis og Qlik var fokusert på frontenden av dataanalyseutfordringen – 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 vi for første gang kunne løse utfordringen med uordenlige bedriftsdata. De første 15 årene av min karriere i bedriftsprogramvare ble tilbragt med å visualisere data, og jeg håper at de neste 15 årene 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 lærepenhet jeg lærte i overgangen fra Siebel til Qlik, var kraften av enkelhet. Siebel var svært kraftig programvare, men det ble drept på markedet av Salesforce.com, som lagde en CRM med langt færre funksjoner (“en leke” Siebel brukte å kalle det), men kundene kunne få det i gang raskt fordi det ble levert som en SaaS-løsning. Det ser ut som en selvfølge i dag, men på den tiden var visdommen at kundene kjøpte funksjoner, men det vi lærte, var at kundene investerte i løsninger for å løse sine forretningsproblemer. Så, hvis din programvare løser deres problem raskere, vinner du. Qlik var en enkel løsning på dataanalyseproblemet, men det var radikalt enklere. Som et resultat kunne vi slå mer funksjonsrike konkurrenter som Business Objects og Cognos.

Den andre viktige lærepenheten 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 lett mellom produkt og markedsføring. Det er en intim kobling mellom hva produktet du bygger og hvordan du beskriver det til potensielle kunder. Og det er en like viktig kobling mellom hva prospektene krever og hva produktet 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 på “hvis du bygger det, kommer de”. Dette er den vanlige troen på at hvis du bare bygger kjølig programvare, vil folk stille seg 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 lærepenheten jeg har lært, er at enhver disruptiv innovasjon er et resultat av en ekstern plattformskift som gjør det umulige endelig mulig. I Qliks tilfelle var det plattformtilgjengeligheten av store minne-servere som tillot Qlik å disrupte tradisjonell kube-basert rapportering. Hos Tamr gjør plattformtilgjengeligheten av maskinlæring i stor skala det mulig for oss å disrupte manuell regel-basert MDM til fordel for en AI-basert tilnærming. Det er viktig å alltid finne ut hva plattformskiftet er som driver din disruptering.

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

Utviklingen av Tamr kom ut av akademisk arbeid ved MIT (Massachusetts Institute of Technology) omkring entity-resolusjon. 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 sett er dette en uovervinnelig utfordring fordi jo flere poster og kilder, jo flere poster hver mulig sammenstilling må sammenlignes med. Datavitenskapsmenn kalder 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 datakurering. Regler skalerer ikke fordi du aldri kan skrive nok regler for å dekke hver enkelt hjørnefall og å håndtere tusenvis av regler er en teknisk umulighet. Manuell kurering er ekstremt dyrt fordi det avhenger av mennesker som prøver å arbeide gjennom millioner av mulige poster og sammenstilling. Tatt sammen forklarer dette den dårlige markedsadopsjonen av tradisjonelle MDM-løsninger (Master Data Management). Å si det rett ut, ingen liker tradisjonell MDM.

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

… (rest of the translation remains the same, following the exact same structure and format as the original)