Leighton Welch, CTO og medgrunnlegger av Tracer – Intervju-serie

Leighton Welch er CTO og medgrunnlegger av Tracer. Tracer er et AI-drevet verktøy som organiserer, håndterer og visualiserer komplekse datasamlinger for å drive raskere og mer handlebare forretningsintelligens. Før han ble Chief Technology Officer i Tracer, var Leighton direktør for forbrukerinsikt i SocialCode, og VP of Engineering i VaynerMedia. Han har tilbragt sin karriere med å bane vei i ad tech-økosystemet, kjørte den første Snapchat-reklamen og konsulterte om kommersielle API-er for noen av verdens største plattformer. Leighton ble uteksaminert fra Harvard i 2013, med en grad i datavitenskap og økonomi.

Kan du fortelle oss mer om din bakgrunn og hvordan dine erfaringer fra Harvard, SocialCode og VaynerMedia inspirerte deg til å co-grunnlegge Tracer?

Den opprinnelige ideen kom for et tiår siden. En barndomsvenn ringte meg en fredag kveld. Han hadde problemer med å samle inn data fra forskjellige sosiale plattformer for en av hans kunder. Han trodde dette kunne automatiseres, så han ba om min hjelp siden jeg hadde en bakgrunn i programvareutvikling. Det var slik jeg først ble introdusert for min nåværende medgrunnlegger, Jeff Nicholson.

Dette var vårt lyspærøye-øyeblikk: Mengden penger som ble brukt på disse kampanjene var langt foran kvaliteten på programvaren som sporet disse pengene. Det var et nytt marked med mange anvendelser i datavitenskap.

Vi fortsatte å bygge analytisk programvare som kunne møte behovene til stadig større og mer komplekse mediekampanjer. Mens vi hakket på problemet, utviklet vi en prosess – klare trinn fra å få de ulike dataene inn og kontekstualisert. Vi innsett at prosessen vi bygde kunne brukes på noen som helst datasamling – ikke bare reklame – og det er hva Tracer er i dag: et AI-drevet verktøy som organiserer, håndterer og visualiserer komplekse datasamlinger for å drive raskere og mer handlebare forretningsintelligens.

Vi hjelper med å demokratisere hva det betyr å være en “data-drevet” organisasjon ved å automatisere trinnene som trengs for å innhente, koble og organisere ulike datasamlinger over funksjoner, og gi kraftig BI gjennom intuitive rapporter og visualiseringer. Dette kan bety å koble salgsdata til din markedsførings-CRM, HR-analyse til omsetningstrender og mange flere anvendelser.

Kan du forklare hvordan Tracers plattform automatiserer analytikk og revolusjonerer den moderne data-stakken for sine kunder?

For enkelhet, la oss definere analytikk som svaret på et forretnings-spørsmål gjennom programvare. I dagens landskap er det virkelig to tilnærminger.

• Den første er å kjøpe vertikalt programvare. For CFO-er kan dette være Netsuite. For CRO kan dette være Salesforce. Vertikalt programvare er bra fordi det er end-to-end, det kan være hyper-spesialisert, og skal bare fungere ut av boksen. Begrensningen av vertikalt programvare er at det er vertikalt: hvis du vil at Netsuite skal snakke med Salesforce, er du tilbake på kvadrat ett. Vertikalt programvare er fullstendig, men det er ikke fleksibelt.
• Den andre tilnærmingen er å kjøpe horisontalt programvare. Dette kan være ett programvare for data-innhenting, et annet for lagring og et tredje for analyse. Horisontalt programvare er bra fordi det kan håndtere nesten hva som helst. Du kunne absolutt innhente, lagre og analysere både dine Salesforce- og Netsuite-data gjennom denne pipeline. Begrensningen er at det må settes sammen, vedlikeholdes, og ingenting fungerer “ut av boksen”. Horisontalt programvare er fleksibelt, men det er ikke fullstendig.

Vi tilbyr en tredje tilnærming ved å lage en plattform som kombinerer teknologiene som er nødvendige for å rapportere om noe, gjort tilgjengelig nok til å fungere ut av boksen uten noen ingeniørressurser eller teknisk overhead. Det er fleksibelt og fullstendig. Tracer er den mest kraftfulle plattformen på markedet som er både applikasjons-agnostisk og end-to-end.

Tracer prosesserte på ordre av 10 petabyte med data forrige måned. Hvordan håndterer Tracer så mye data effektivt?

Skalering er usedvanlig viktig i vår verden, og det har alltid vært en prioritet i Tracer, selv i de tidlige dagene. For å prosessere denne mengden data, utnytter vi mye beste i klassen teknologier og unngår å gjenskape hjulet der vi ikke trenger det. Vi er veldig stolte av infrastrukturen vi har bygget, men vi er også ganske åpne om det. Faktisk er vårt arkitekturprogrammer angitt på vår nettside.

Hva vi sier til partnere er dette: Det er ikke at deres interne ingeniørteam ikke er i stand til å bygge hva vi har bygget; snarere, de burde ikke måtte. Vi har samlet sammen delene av den moderne data-stakken for deg. Rammen er effektiv, kamp-testet og modulær for oss til å dynamisk utvikle med landskapet.

Mange partnere kommer til oss for å frigjøre ingeniørressurser for å fokusere på større strategiske initiativer. De bruker Tracers arkitektur som et middel til et mål. Å ha en database svarer ikke på forretnings-spørsmål. Å ha en ETL-pipeline svarer ikke på forretnings-spørsmål. Det som virkelig betyr noe er hva du er i stand til å gjøre med den infrastrukturen når den er blitt satt sammen. Det er hvorfor vi bygde Tracer – vi er din genvæg til å få svar.

Hvorfor tror du strukturert data er kritisk for AI, og hva fordeler gir det over ustrukturert data?

Strukturert data er kritisk for AI fordi det tillater manuell menneskelig interaksjon, som vi tror er en essensiell komponent til effektive utdata. Det være sagt, i dagens økosystem, er vi faktisk bedre utrustet enn noen gang før til å utnytte innsiktene i ustrukturert data og tidligere vanskelig tilgjengelige formater (dokumenter, bilder, videoer osv.).

Så for oss handler det om å gi en plattform gjennom hvilken ekstra kontekst kan inkorporeres fra de menneskene som er mest familiære med de underliggende datasamlingene når dataene er blitt gjort tilgjengelige. Med andre ord, det handler om ustrukturert data → strukturert data → Tracers kontekst-motor → AI-drevne utdata. Vi sitter imellom og tillater en mer effektiv tilbakemeldings-løkke, og for manuell inngripen der det er nødvendig.

Hva utfordringer møter selskaper med ustrukturert data, og hvordan hjelper Tracer med å overvinne disse utfordringene for å forbedre datakvaliteten?

Uten en plattform som Tracer, er utfordringen med ustrukturert data all about kontroll. Du fôrer data inn i modellen, modellen spytter ut svar, og du har svært liten mulighet til å optimere hva som skjer inne i den svarte boksen.

Si for eksempel at du ønsker å bestemme den mest innvirkende innholdet i en mediekampanje. Tracer kan bruke AI til å hjelpe med å gi metadata på all innhold som ble kjørt i annonsene. Det kan også bruke AI til å gi siste-mile-analyse for å komme fra en høyt strukturert datasamling til det svaret.

Men imellom, tillater vår plattform brukerne å tegne forbindelsene mellom mediadata og datasamlingen hvor resultater bor, mer granulært definere “innvirkende”, og rydde opp i kategoriseringene gjort av AI-en. I virkeligheten har vi abstrahert og produktivisert trinnene for å fjerne den svarte boksen. Uten AI, er det mye mer arbeid som må gjøres av mennesket i Tracer. Men uten Tracer, kan AI ikke komme til samme kvalitet på svaret.

Hva er noen av de viktigste AI-baserte teknologier Tracer bruker for å forbedre sin data-intelligens-plattform?

Du kan tenke på Tracer over tre kjerne-produkt-kategorier: Kilder, Innhold og Utdata.

• Kilder er et verktøy brukt til å automatisere innhenting, overvåking og kvalitetskontroll av ulike data.
• Kontekst er et dra-og-slip-semester-lag for organisering av data etter at det er blitt innhentet.
• Utdata er hvor du kan svare på forretnings-spørsmål på toppen av kontekstualisert data.

Ved Tracer ser vi ikke på AI som en erstatning for noen av disse trinnene; i stedet ser vi på AI som en annen form for teknologi som alle tre kategoriene kan utnytte for å utvide hva som kan automatiseres.

For eksempel:

• Kilder: Utnytte AI til å hjelpe med å bygge nye API-koblede til lang-hale-data-kilder ikke tilgjengelige gjennom vår partner-katalog.
• Kontekst: Utnytte AI til å rydde opp i metadata før du kjører tag-regler. For eksempel, rydde opp i variasjoner av publikasjonsnavn på hver språk.
• Utdata: Utnytte AI som en drop-in-erstatning for dashboards hvor forretnings-bruksfallet er utforskende, snarere enn en fast sett av KPI-er som må rapporteres på gjentakende.
• AI tillater oss å oppnå disse typene anvendelser på måter som er både enkle og tilgjengelige.

Hva er Tracers planer for fremtidig utvikling og innovasjon i data-intelligens-rommet?

Tracer er en aggregat av aggregatorer. Våre partnere kommer til å stole på oss for bestemte anvendelser innenfor team og funksjoner, eller for bruk i tverrfunksjonell forretningsintelligens. Skjønnheten ved Tracer er at uansett om du utnytter oss til å ta bedre beslutninger med din mediabudsjett og kreativitet, eller bygge dashboards for å koble ulike metrikk fra leverandørkjede til salgs- og alt imellom, byggesteinene er konsistente.

Vi ser at organisasjoner som tidligere kun avhengig av oss innenfor ett område av bedriften (f.eks. media og markedsføring), utvider anvendelser til andre deler av bedriften. Så hvor våre primære kunder tidligere var senior medie-eksekutiver eller byrå-partnere, arbeider vi nå over hele organisasjonen, samarbeider med CIO-er, CTO-er, data-vitenskapsmenn og forretnings-analytikere. Vi fortsetter å bygge ut våre verktøy for å imøtekomme flere og flere anvendelser og personer, samtidig som vi sikrer at kjerne-teknologien er skalerbar, fleksibel og tilgjengelig for ikke-tekniske brukere.

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