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 teknologidirektør i Tracer, var Leighton direktør for forbrukerinsikt i SocialCode og vicepresident for ingeniørarbeid i VaynerMedia. Han har brukt karrieren sin på 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 gikk ut 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 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 ulike sosiale plattformer for en av sine 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 kjent med min nåværende medgrunnlegger, Jeff Nicholson.

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

Vi fortsatte å bygge analytisk programvare som kunne møte behovene til stadig større og mer komplekse mediekampanjer. Mens vi jobbet med problemet, utviklet vi en prosess – klare trinn fra å få inn og kontekstualisere ulike data. Vi innsett at prosessen vi bygget kunne brukes på enhver 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 samle inn, koble sammen og organisere ulike datasamlinger over funksjoner, og gir kraftig forretningsintelligens gjennom intuitive rapporter og visualiseringer. Dette kan bety å koble salgsdata til din markedsførings-CRM, HR-analyser til omsetningstrender og mange flere muligheter.

Kan du forklare hvordan Tracers plattform automatiserer analyser og revolusjonerer det moderne data-stakkene for sine kunder?

For enkelhet, la oss definere analyser som å svare på et forretnings-spørsmål gjennom programvare. I dagens landskap er det to tilnærminger.

• Den første er å kjøpe vertikale programvare. For CFO-er kan dette være Netsuite. For CRO-er kan dette være Salesforce . Vertikale programvare er bra fordi de er komplett, de kan være svært spesialiserte og skal fungere rett ut av esken. Begrensningen med vertikale programvare er at de er vertikale: hvis du vil at Netsuite skal snakke med Salesforce, er du tilbake på start.
• Den andre tilnærmingen er å kjøpe horisontale programvare. Dette kan være ett programvare for data-innsamling, et annet for lagring og et tredje for analyse. Horisontale programvare er bra fordi de kan håndtere nesten alt. Du kunne uten tvil samle inn, lagre og analysere både dine Salesforce- og Netsuite-data gjennom denne pipeline. Begrensningen er at den må settes sammen, vedlikeholdes og at ingenting fungerer “rett ut av esken”. Horisontale programvare er fleksible, men de er ikke komplette.

Vi tilbyr en tredje tilnærming ved å skape en plattform som kombinerer teknologiene som trengs for å rapportere om alt, og gjøre det tilgjengelig nok til å fungere rett ut av esken uten noen tekniske ressurser eller teknisk overhead. Det er fleksible og komplette. Tracer er den mest kraftfulle plattformen på markedet som er både programvare-agnostisk og komplett.

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

Skalabilitet er veldig viktig i vår verden, og det har alltid vært en prioritet i Tracer, selv i de tidlige dagene. For å prosessere denne mengden data, nyttiggjør vi mange beste-i-klasse-teknologier og unngår å oppfinne hjulet på nytt 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 arkitekturprogram beskrevet 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 det moderne data-stakken for dere. Rammen er effektiv, slagkraftig og modulær for oss til å dynamisk utvikle med landskapet.

Mange partnere kommer til oss for å frigjøre ingeniørresurser til 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 satt sammen. Det er hvorfor vi bygget Tracer – vi er deres gjenvei til å få svar.

Hvorfor tror du at 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 resultater. 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 tilby en plattform hvor ekstra kontekst kan inkorporeres fra de menneskene som er mest kjent med de underliggende datasamlingene når dataene er blitt tilgjengelige. Med andre ord, det handler om ustrukturert data → strukturert data → Tracers kontekst-motor → AI-drevne resultater. Vi sitter imellom og tillater en mer effektiv tilbakemeldings-løkke og for manuell inngripen der 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 foder data inn i modellen, modellen spyr ut svar, og du har svært lite mulighet til å optimere hva som skjer inne i den svarte boksen.

Si for eksempel at du ønsker å bestemme den mest effektive innholdet i en mediekampanje. Tracer kan bruke AI til å hjelpe med å gi metadata på all innhold som ble kjørt i annonser. Det kan også bruke AI til å gi siste-mile-analyser for å gå 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 detaljert definere “effektiv” og rydde opp i kategoriseringer gjort av AI-en. Essensielt, vi har 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 teknologiene Tracer bruker for å forbedre sin data-intelligens-plattform?

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

• Kilder er et verktøy brukt til å automatisere innsamling, overvåking og kvalitetskontroll av ulike data.
• Kontekst er et dra-og-slip semantic lag for organisering av data etter at de 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 kategorier kan utnytte for å utvide hva som kan automatiseres.

For eksempel:

• Kilder: Utnytter AI til å hjelpe med å bygge nye API-koblinger til lange hale-datakilder som ikke er tilgjengelige gjennom vår partnerkatalog.
• Kontekst: Utnytter AI til å rydde opp i metadata før du kjører tag-regler. For eksempel, rydde opp i variasjoner av publikasjonsnavn på hver språk.
• Utdata: Utnytter AI som en erstatning for dashboards hvor forretnings-bruksfallet er utforskende, snarere enn en fast sett med KPI-er som må rapporteres på gjentak.
• AI tillater oss å oppnå disse typene applikasjoner på måter som er både enkle og tilgjengelige.

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

Tracer er en aggregator av aggregatorene. Våre partnere vil stole på oss for bestemte applikasjoner innen team og funksjoner, eller for bruk i tverrfaglig forretningsintelligens. Skjønnheten i Tracer er at uansett om du bruker oss for å ta bedre beslutninger med dine medieutgifter og kreative, eller bygge dashboards for å koble sammen ulike metrikker fra forsyningskjede til salg og alt imellom, byggesteinene er konsistente.

Vi ser på organisasjoner som tidligere kun har brukt oss innen ett område av bedriften (f.eks. media og markedsføring), utvide applikasjoner til andre deler av bedriften. Så hvor våre primære kunder tidligere var senior medieledere eller byråpartnere, arbeider vi i dag over hele organisasjonen, i partnerskap med CIO-er, CTO-er, data-vitenskapsmenn og forretningsanalytikere. Vi fortsetter å bygge ut våre verktøy for å tilpasse oss flere og flere applikasjoner og personer, samtidig som vi sikrer at kjerneteknologien er skalerbar, fleksibel og tilgjengelig for ikke-tekniske brukere.

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