Onur Alp Soner, administrerende direktør og medgrunnlegger av Countly – Intervju-serie

Onur Alp Soner er medgrunnlegger og administrerende direktør av Countly, en digital analyse- og engasjementplattform. En teknolog og selvstarter, han bygget Countly fra bunnen av for å gi bedrifter mer kontroll over hvordan de forstår og interagerer med sine brukere. Under hans ledelse, har Countly vokst til å bli en pålitelig plattform for bedrifter verden over som ønsker å innovere raskt samtidig som de holder brukerens personvern i sentrum av deres vekststrategier

Ta oss tilbake til øyeblikket som ledet deg til å grunnlegge Countly — hva var du personlig møtt med i eksisterende analyseverktøy som overbeviste deg om at datayeierskapsmodellen var fundamentalt feil?

For omtrent 13 år siden, da mobilappene begynte å ta av, fulgte de tilgjengelige analyseverktøyene en veldig spesifikk modell. Mange av dem var gratis eller relativt billige, men kompromisset var at plattformen samlet inn og moneteriserte din data, ofte ved å føre den inn i reklameøkosystemer. På den tiden var det vidt akseptert som den normale måten ting fungerte.

Det satt imidlertid ikke rett med oss. Selv som et lite selskap, var tanken på å overlate all vår brukerdata bare for å forstå hvordan vårt produkt fungerte, ikke logisk.

Countly startet som en reaksjon på dette. Vi ønsket å bygge analyseverktøy som bedrifter kunne fullstendig eie og kontrollere, og derfor lanserte vi det som en åpen kildekode, selvvert plattform. Idéen var enkel: organisasjoner skulle kunne forstå og handle på deres data uten å gi den bort. Denne prinsippet er fortsatt i kjernen av Countly i dag.

Siden du grunnla Countly, har AI presset datayeierskap fra en nisje til en strategisk krav. Når ble det klart for deg at denne prinsippet ville være viktig langt utenfor analyse?

I de tidlige årene, var de fleste samtaler om datayeierskap rammet innenfor privatliv eller overholdelse. Det var hovedsakelig banker, helseleverandører og myndigheter som brydde seg dypt om hvor deres data bodde og hvem kontrollerte den. For mange andre, ble analyse sett på som et enkelt rapporteringsverktøy, så eierskapsproblemet føltes ikke så急.

Denne perspektivet begynte å endre seg når bedrifter begynte å stole mer på data for å drive sine produkter, ikke bare måle dem. Når analyse flyttet fra rapportering til beslutningstaking, personalisering, produktendringer og kundeengasjement, ble viktigheten av å kontrollere denne dataen mye klarere. Hvert digitalt førstebedrift, fra mobilitet til gjestfrihet, konkurrerte effektivt om data, ikke bare om deres front-end-erfaring.

AI har akselerert denne erkjennelsen dramatisk. Du kan lisensiere eller bygge en AI-modell, men du kan ikke kjøpe den atferdsmessige dataen som reflekterer hvordan dine egne kunder interagerer med ditt produkt. Denne dataen er unik for hver organisasjon.

Mange organisasjoner tror de er “AI-klare” fordi de har store volumer av data. Hva er vanligvis mangler under overflaten i virkelige bedrifter?

Mangel på data er vanligvis ikke problemet. Det virkelige problemet er mangel på brukbar data. Mange organisasjoner har enorme volumer av informasjon, men den er fragmentert over forskjellige verktøy, team og systemer. For eksempel, kan markedsføring ha en datasett, produkt en annen, og ingeniører deres egen telemetri, ofte lagret i forskjellige formater med liten felles struktur.

For AI å være nyttig, må dataene under må være rene, konsistente og kontekstuelle. Det er ikke nok å samle inn hendelser eller logger; du må forstå hva disse signalene faktisk representerer. Uten denne semantiske laget, er AI-systemer essensielt gjetting.

Et annet problem er eierskap. Et overraskende antall bedrifter kontrollerer ikke sin egen data fordi den befinner seg inne i tredjepartsplattformer. Dette gjør det vanskelig å kombinere datasett, styre hvordan de brukes, eller trygt anvende AI-modeller på dem.

Så når bedrifter sier de er AI-klare fordi de har mye data, er den virkelige spørsmålet om de har en samlet datafundament.

Hvorfor skaper førstepartsdata en varig konkurransefordel i AI-systemer, mens modellene selv blir stadig mer utskiftbare?

Hva som skaper en varig fordel, er ikke modellen selv, men forståelsen av brukerne som kommer fra førstepartsdata. Denne dataen reflekterer hvordan folk faktisk interagerer med ditt produkt, og den er unik for hver organisasjon. Modeller, på den andre siden, blir stadig mer utskiftbare. Du kan lisensiere dem, finjustere dem eller skifte mellom leverandører relativt enkelt. Hva du ikke kan replikere, er den atferdsmessige dataen generert av dine egne brukere som interagerer med dine produkter over tid.

Denne dataen fanger mønster, kontekst og signaler som reflekterer hvordan kunder faktisk oppfører seg. Når den er strukturert og forstått riktig, tillater den bedrifter å bygge systemer som lærer kontinuerlig fra virkelig bruk i stedet for generiske datasett.

Hvor bryter moderne analysestaker stille sammen når de brukes til AI-systemer i stedet for rapportering, dashboards og KPI-er?

De tenderer å bryte sammen på punktet hvor data må flytte fra observasjon til handling. Tradisjonelle analysestaker var designet primært for rapportering. De samler inn og aggregerer data, og presenterer den i dashboards som hjelper team å forstå hva som skjedde i går eller forrige uke.

AI-systemer, på den andre siden, opererer veldig forskjellig. De krever data som er strukturert, kontekstuell og tilgjengelig i sanntid, så den kan direkte påvirke hvordan et system oppfører seg. Når analysepipeliner er bygget rundt batchbehandling og forsinket rapportering, sliter de med å støtte systemer som trenger å reagere øyeblikkelig.

Hvordan viser mangel på sant datayeierskap seg operasjonelt når team prøver å flytte AI fra eksperimentering til produksjon?

Det viser seg vanligvis som et kontrollproblem. Til slutt, hvis du ikke har kontroll over din data, har du ikke kontroll over din AI. Dette blir spesielt tydelig når team flytter fra eksperimentering til produksjon. Under eksperimentering kan team ofte arbeide med små datasett eller midlertidige pipeliner, men produksjonssystemer krever konsistent tilgang til pålitelig data over hele organisasjonen.

Så, i mange bedrifter, befinner den underliggende dataen seg over forskjellige tredjepartsplattformer, som analyseverktøy, markedsføringsystemer eller skytjenester. Dette gjør det vanskelig å kombinere datasett, anvende styre-regler eller flytte data mellom systemer på en kontrollert måte. Dette er en av grunnene til at mange AI-prosjekter forblir fast i pilotfasen. Uten strukturert, organisasjonsomfattende data, blir det vanskelig å deployere AI pålitelig i produksjon.

Det gjør det også vanskeligere å spore hvordan en modell nådde en beslutning eller å rekonstruere den eksakte datastaten bak den. Uten dette nivået av kontroll, blir det ekstremt vanskelig å korrigere feil eller rulle tilbake beslutninger.

Hvorfor undergraver dårlig datastruktur, semantikk og kontekst selv de mest kapable AI-modellene?

Even de mest kapable AI-modellene er bare like gode som dataen de mottar. Hvis den underliggende dataen er dårlig strukturert eller mangler kontekst, har modellen svært lite forståelse av hva disse signalene faktisk representerer.

I mange systemer samles data inn som isolerte hendelser eller logger uten en tydelig betydning festet til dem. En modell kan se tusenvis av interaksjoner, men uten riktig struktur og semantikk, kan den ikke skille mellom hva som er viktig og hva som bare er støy.

Kontekst er like viktig. AI-systemer må forstå hvordan forskjellige deler av data henger sammen over tid. Uten denne konteksten, kan modeller fortsatt produsere utdata, men de er ofte ugyldige fordi systemet arbeider med ufullstendig informasjon.

Hvilke advarselstegn indikerer at et selskap er på vei mot generiske AI-resultater lenge før disse erfaringene føles generiske for kundene?

Det mest grunnleggende advarselstegnet er når bedrifter stoler på de samme eksterne AI-modellene og verktøy, men gjør svært lite for å utvikle sine egne datafundamenter. Hvis organisasjoner bruker de samme modellene, men ikke føder dem med deres egen bruker- og kontekstdatadata, arbeider systemene essensielt med de samme generiske inndata. I denne situasjonen kan AI bare produsere høynivå eller generiske resultater. Over tid, fører dette til produkter som føles stadig mer like fordi intelligensen bak dem er bygget på den samme begrensede informasjonen.

Et annet advarselstegn er når organisasjoner fokuserer tungt på å adoptere AI-modeller, men betaler liten oppmerksomhet til strukturen og kvaliteten på deres data. AI forsterker hva den mottar. Hvis den underliggende dataen er rotete, fragmentert eller dårlig strukturert, vil systemet bare produsere en mer sofistikert versjon av det samme problemet.

Hva aktiverer Countly egentlig som tradisjonelle analyse- og dataplatformer ikke gjør for organisasjoner som prøver å bygge AI på toppen av sine egne data?

Den viktigste forskjellen er hvordan kontroll er bygget inn i plattformen. I mange analyseprodukter er datayeierskap noe som dukker opp som en valgmulighet eller funksjon. Med Countly, sitter det i kjernen av systemet. Plattformen ble designet så organisasjoner ikke trenger å bytte kontroll over sin data for avansert funksjonalitet.

I praksis betyr dette at bedrifter kan kjøre Countly i sin egen miljø, holde full kontroll over sin datastakk, og fortsatt få tilgang til analyse-, engasjements- og automatiseringsfunksjoner i skala. Dette blir spesielt viktig når organisasjoner ønsker å bygge AI på toppen av sine egne data. Mange tradisjonelle analyseverktøy er bygget primært for rapportering, hvilket betyr at dataen de samler inn ofte blir værende inne i tredjepartsdashboards i stedet for å bli en brukbar grunnlag for andre systemer. Countly tar en annen tilnærming ved å behandle analyse som en del av den underliggende datainfrastrukturen.

Hvordan bør definisjonen av etisk AI utvikle seg når datayeierskap behandles som en kjerne-designprinsipp i stedet for en politikkboks?

Når datayeierskap blir en designprinsipp, er etisk AI ikke lenger om å gjennomføre modeller etter faktum — det handler om å konstruere systemer hvor brukerne beholder kontroll over dataen som trener dem. Etikk blir infrastruktur.

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