Shadi Rostami, SVP for ingeniørvirksomhet i Amplitude – Intervju-serie

Shadi er SVP for ingeniørvirksomhet i den digitale analyselederen Amplitude. Hun er en lidenskapelig, erfaren teknologileder og arkitekt med erfaring i å bygge og forvalte høyt kompetente ingeniørvirksomheter. Før Amplitude var hun VP for ingeniørvirksomhet i Palo Alto Networks. Hun har innovert og levert flere produktlinjer og tjenester som spesialiserer seg på distribuerte systemer, skytjenester, stor data, maskinlæring og sikkerhet.

Amplitude er bygget på moderne maskinlæring og generativ AI-teknologi som muliggjør at produktteam kan bygge smartere, lære raskere og skape de beste digitale opplevelsene for sine kunder.

Hva var det som først tiltalte deg til datavitenskap og ingeniørvirksomhet?

Jeg vokste opp i Iran og fulgte opprinnelig en videregående skolevei som ville muliggjøre en karriere i medisin, som var veien min far ønsket at jeg skulle følge og den min bror gjorde. Et år og et halvt inn i det, bestemte jeg meg for at det ikke var veien for meg. I stedet fulgte jeg ingeniørvirksomhet og endte med å bli den første jenta i Iran som gikk til Informatic Olympiad (IOI) og vant bronsemedaljen, en årlig konkurranse for videregående skoleelever rundt om i verden som konkurrerer i matematikk, fysikk, informatikk og kjemi. Dette ledet meg til å følge ingeniørvirksomhet ved Sharif University of Technology i Iran og senere få min doktorgrad i datateknikk ved University of British Columbia i Canada. Etter det arbeidet jeg for startup-selskaper i noen år og tilbrakte så et tiår i Palo Alto Networks, hvor jeg til slutt ble VP med ansvar for utvikling, QA, DevOps og datavitenskap. For fem år siden flyttet jeg til Amplitude som SVP for ingeniørvirksomhet.

Kunne du diskutere Amplitudes kjerneproduktfilosofi om at AI skal hjelpe mennesker med å forbedre deres arbeid i stedet for å erstatte dem?

AI omformer raskt nesten alle bransjer, og med omformingen kommer spørsmål om hvordan selskaper vil bruke teknologien. Vi føler sterkt om å gjøre AI riktig. Denne overbevisningen ledet oss til å utvikle vår kundesentriske AI-filosofi, som bygger på fem hovedprinsipper: (1) samarbeidende utvikling og tenkning, (2) datastyring og beskyttelse av brukerdata, (3) gjennomsiktighet, (4) personvern, sikkerhet og overholdelse av regler, og (5) kundevalg og kontroll. Vi vet at disse prinsippene er nøkkel når selskaper fortsetter å adoptere og teste AI og til slutt blir sannt data-drevne. For våre formål betyr dette å bygge AI-verktøy som hjelper mennesker å komme til innsikt raskere. Når AI brukes riktig, leder innsiktene til raskere og bedre beslutninger som driver resultater. Å bruke AI som et verktøy for å komplementere menneskelig intelligens og kreativitet er der jeg ser AI har sin største innvirkning.

Kan du forklare konseptet “data-demokrati” i sammenheng med dagens AI-drevne forretningsmiljø?

“Data-demokrati drives av kunnskapen om at team fungerer bedre, raskere og mer effektivt når de kan få tilgang til riktige datainnsikt på riktig tid. I dagens raskt fremadskridende AI-drevne miljø, kan team ikke tillate å vente dager eller uker på datahenting. For å motvirke dette, må selskaper gi teamene mulighet til å utnytte data på en selvbetjent måte. Dette betyr ikke data-kaos uten parametre. Til slutt, dårlig data leder til dårlig AI. Men med riktige verktøy og prosesser på plass, kan bedrifter balansere data-demokratisering med datastyring, og muliggjøre bedre forretningsresultater.”

Hva er de viktigste endringene i organisatorisk kultur som du mener er essensielle for å muliggjøre sannt data-demokrati i AI-alderen?

Etablering av sannt data-demokrati innenfor din organisasjon starter med to grunnleggende kulturendringer: å tilby riktige, mest tilgjengelige verktøy og å gjennomføre organisasjonsomfattende innsats rundt data-litteratur. Dette betyr å adoptere selvbetjente verktøy som tillater ikke-tekniske teammedlemmer, som markedsførings- eller kundesuksess-team, ikke bare å få tilgang til data, men også å analysere og handle på den. Jeg tror selvbetjent data-analyse kan og bør drive samarbeid over team, inspirere nysgjerrighet og utforsking, skala data-litteratur og legge en bias på handling og innvirkning. Det er også viktig å bruke felles innsats mellom det sentrale data-teamet og linje-forretnings-team for å gjennomføre kontinuerlig datastyring for å sikre at datakvaliteten ikke forringes over tid.

I din erfaring, hva er de mest betydelige utfordringene organisasjoner møter i å oppnå data-demokratisering, og hvordan kan de overvinne disse hindrene?

I fortiden har selskaper prøvd å sentralisere data innenfor ett team av eksperter, og etterlatt resten av organisasjonen avhengig av dette teamet for å levere analyse og nøkkelinnsikt som kan være kritisk for deres dag-til-dag-operasjoner og beslutninger. Mens å demokratisere data-tilgang er kritisk for å løse denne flaskenhalen, kan det også være utfordrende. Når jeg snakker med data-ledere om å operasjonalisere selvbetjening, er det tydelig at det er et spekter. På den ene siden har du lavt oppsett-verktøy for ikke-tekniske og linje-forretnings-team. Til slutt, disse verktøyene gir ikke dybden og bredden av svar som disse teamene trenger. På den andre siden har du mer tekniske verktøy for mer tekniske team. De er mye mer fleksible i terms of analyse, men de er langsomme, og sannsynligvis kan bare noen få personer bruke dem. Vi omtaler disse verktøyene som å skape en “data-brødbenk” … du venter alltid på svar. Team trenger en løsning i midten. Tenk utenfor boksen-løsninger som oppmuntrer, ikke hemmer, utforsking og eksperimentering. Med riktig verktøy og team-utdanning, kan selskaper mer lett brotts data-demokratiseringsgapet.

Hvor kritisk er data-litteratur i prosessen med data-demokratisering, og hva skal selskaper gjøre for å forbedre den blant sine ansatte?

Å fremme en kultur av data-demokratisering over teamene er en kulturell utfordring som krever utdanning og selskapsomfattende innkjøp. I mine erfaringer med å undervise data-prosesser til ikke-tekniske medlemmer, er den beste måten å utvikle disse ferdighetene gjennom en kombinasjon av trening og hånd-til-hånd-læring. Jeg anbefaler å utvikle et omfattende trening-program for å sikre at ansatte føler seg komfortable og trygge i innsiktene de trekker fra sine data. Sørg for at du bruker et verktøy som ikke forhindrer ikke-tekniske brukere: for eksempel, et verktøy som krever kunnskap om SQL ville marginalisere personer uten programmeringsekspertise. Deretter, gi muligheter for ansatte til å dykke inn og starte å leke med dataene. Til slutt, implementer et verktøy som fremmer utforsking og samarbeid. Jo mindre mennesker arbeider i siloer, jo mer kan de kaste ideer av og til hverandre, og det leder til mer opplysende innsikt. Hvis du er en data-profesjonell som underviser en ikke-tekniske team-medlem, husk at du har brukt år på å lære hvordan du får og bruker data, så du tenker om det annerledes enn den vanlige brukeren. Vær åpen for å undervise andre i stedet for å gjøre alt selv. Ellers, vil du aldri ha noen fritid til å gjøre noe annet enn å svare på folks spørsmål.

Med den raske utviklingen av data-verktøy og generativ AI-teknologi, hvordan skal selskaper tilpasse sine strategier for å holde seg foran i data-håndtering og -utnyttelse?

Data-styring er en av de viktigste utfordringene selskaper fortsatt møter, og det er noe hver organisasjon må mestre for å muliggjøre meningsfulle AI- og data-opplevelser. AI er bare like god som dataene som driver den, og ren data leder til mer innvirkende innsikt, lykkeligere brukere og forretningsvekst. På denne måten, må selskaper være proaktive om data-rensning og taksonomi, og det er muligheter til å bruke generativ AI til å håndtere AI-styring og -kvalitet. For eksempel, i Amplitude, lanserte vi vårt AI-drevne Data Assistant-produkt i fjor, som tilbyr intelligente anbefalinger og automatisering for å gjøre data-styring enkelt og hjelpe brukere til å ta kontroll over data-kvalitetsinnsats.

Hvordan muliggjør Amplitude at bedrifter bedre forstår kunde-reisen?

Å bygge flotte digitale produkter og opplevelser er vanskelig, spesielt i dagens konkurrerende landskap. I dag vet mange selskaper fortsatt ikke hvem de bygger for eller hva deres kunder ønsker. Amplitude hjelper bedrifter å svare på spørsmål som “Hva elsker våre kunder? Hvor blir de fast? Hva holder dem tilbake?” gjennom kvantitative og kvalitative data-innsikt. Vårt plattform hjelper bedrifter å bedre forstå den end-to-end kunde-reisen ved å fremme data som hjelper å drive kunde-anskaffelse, monetering og opprettholden-syklusen. I dag, over 2 700 kunder, inkludert bedriftsmerker som Atlassian, NBC Universal og Under Armour, utnytter Amplitude for å bygge bedre produkter.

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