Anthony Deighton, CEO of Tamr – Wywiad

Anthony Deighton jest CEO Tamr. Ma 20 lat doświadczenia w budowaniu i skalowaniu firm oprogramowania dla przedsiębiorstw. Ostatnio spędził dwa lata jako Chief Marketing Officer w Celonis, ustanawiając ich przywództwo w kategorii oprogramowania Process Mining i tworząc programy generowania popytu, które doprowadziły do wzrostu ARR o 130%. Wcześniej spędził ponad 10 lat w Qlik, rozwijając ją z nieznanego szwedzkiego przedsiębiorstwa oprogramowania do publicznej spółki – w rolach od przywództwa produktu, marketingu produktu, a ostatecznie jako CTO. Rozpoczął swoją karierę w Siebel Systems, ucząc się, jak budować firmy oprogramowania dla przedsiębiorstw w różnych rolach produktowych.

Czy mógłbyś podzielić się kilkoma kluczowymi kamieniami milowymi z Twojej podróży w branży oprogramowania dla przedsiębiorstw, szczególnie z czasów spędzonych w Qlik i Celonis?

Zacząłem swoją karierę w oprogramowaniu dla przedsiębiorstw w Siebel Systems i nauczyłem się wiele o budowaniu i skalowaniu firm oprogramowania dla przedsiębiorstw od zespołu kierowniczego tam. Dołączyłem do Qlik, gdy była to mała, nieznana szwedzka firma oprogramowania z 95% małego zespołu 60-osobowego zlokalizowanego w Lund, Szwecja. Żartuję, że ponieważ nie byłem inżynierem ani sprzedawcą, zostałem postawiony na czele marketingu. Zbudowałem zespół marketingowy tam, ale z czasem mój zainteresowanie i wkład przesunęły się w stronę zarządzania produktem, i ostatecznie zostałem Chief Product Officer. Wyprowadziliśmy Qlik na giełdę w 2010 roku, i kontynuowaliśmy jako udana publiczna spółka. Po tym, chcieliśmy dokonać kilku akwizycji, więc założyłem zespół ds. fuzji i przejęć. Po długim i względnie udanym okresie jako publiczna spółka, ostatecznie sprzedaliśmy Qlik firmie private equity o nazwie Thoma Bravo. Było to, jak to lubię mówić, pełne życie firmy oprogramowania dla przedsiębiorstw. Po opuszczeniu Qlik, dołączyłem do Celonis, małej niemieckiej firmy oprogramowania, która próbowała odnieść sukces, sprzedając w USA. Znowu, kierowałem marketingiem jako CMO. Rosliśmy bardzo szybko i zbudowaliśmy bardzo udany globalny zespół marketingowy.

Obie firmy, Celonis i Qlik, koncentrowały się na froncie wyzwania analityki danych – jak zobaczyć i zrozumieć dane? W przypadku Qlik było to pulpity; w przypadku Celonis było to procesy biznesowe. Ale wspólnym wyzwaniem w obu przypadkach były dane za tymi wizualizacjami. Wielu klientów skarżyło się, że dane są błędne: duplikaty rekordów, niekompletne rekordy, brakujące sily danych. To jest to, co przyciągnęło mnie do Tamr, gdzie czułem, że po raz pierwszy możemy rozwiązać wyzwanie brudnych danych przedsiębiorstw. Pierwsze 15 lat mojej kariery w oprogramowaniu dla przedsiębiorstw było poświęcone wizualizacji danych, mam nadzieję, że następne 15 lat mogą być poświęcone czyszczeniu tych danych.

Jak Twoje wczesne doświadczenia ukształtowały Twoje podejście do budowania i skalowania firm oprogramowania dla przedsiębiorstw?

Jedną ważną lekcją, którą nauczyłem się w przeszłości, było przejście od Siebel do Qlik, a mianowicie siła prostoty. Siebel było bardzo potężnym oprogramowaniem, ale zostało zabite na rynku przez Salesforce.com, które stworzyło CRM z znacznie mniej funkcjami („zabawką”, jak to nazywało Siebel), ale klienci mogli je uruchomić szybko, ponieważ było dostarczane jako rozwiązanie SaaS. Wydaje się to oczywiste dzisiaj, ale w tamtym czasie mądrość głosiła, że klienci kupują funkcje, ale to, czego się nauczyliśmy, to to, że klienci inwestują w rozwiązania, które rozwiązują ich problemy biznesowe. Jeśli Twoje oprogramowanie rozwiązuje ich problemy szybciej, wygrywasz. Qlik było prostym rozwiązaniem problemu analityki danych, ale było radykalnie prostsze. W rezultacie mogliśmy pokonać konkurentów z bardziej funkcjonalnymi rozwiązaniami, takimi jak Business Objects i Cognos.

Druga ważna lekcja, którą nauczyłem się w swojej karierze, była przejście od marketingu do produktu. Uważamy, że te dziedziny są odrębne. W swojej karierze odkryłem, że poruszam się płynnie między produktem a marketingiem. Istnieje ścisły związek między tym, jaki produkt budujesz, a tym, jak go opisujesz potencjalnym klientom. I istnieje równie ważny związek między tym, czego oczekują klienci, a tym, jaki produkt powinien zostać zbudowany. Możliwość poruszania się między tymi rozmowami jest krytycznym czynnikiem sukcesu dla każdej firmy oprogramowania dla przedsiębiorstw. Powszechnym powodem niepowodzenia startupu jest wiara w to, że „jeśli to zbudujesz, oni przyjdą”. To jest powszechna wiara, że jeśli tylko zbudujesz fajne oprogramowanie, ludzie staną w kolejce, aby je kupić. To nigdy nie działa, a rozwiązaniem jest solidny proces marketingowy połączony z procesem rozwoju oprogramowania.

Ostatnia idea, którą chcę podzielić, łączy moją pracę akademicką z moją pracą zawodową. Miałem okazję wziąć udział w klasie o teorii innowacji burzycielskich Clay Christensena. W swojej pracy zawodowej miałem okazję doświadczyć zarówno bycia burzycielem, jak i bycia burzonym. Kluczowa lekcja, którą nauczyłem się, jest taka, że każda innowacja burzycielska jest wynikiem zewnętrznej zmiany platformy, która sprawia, że niemożliwe staje się możliwe. W przypadku Qlik było to dostępność dużych serwerów pamięci, co pozwoliło Qlik na burzycielskie rozwiązanie tradycyjnego raportowania opartego na kostkach. W Tamr dostępność platformy machine learning w skali pozwala nam na burzycielskie rozwiązanie ręcznego, opartego na regułach MDM na rzecz podejścia opartego na AI. Ważne jest, aby zawsze ustalić, jaka zmiana platformy napędza Twoją innowację burzycielską.

Czym było zainspirowane opracowanie AI-nativnego Master Data Management (MDM), i jak różni się ono od tradycyjnych rozwiązań MDM?

Opracowanie Tamr wynikało z prac akademickich na MIT (Massachusetts Institute of Technology) wokół rozwiązania jednostek. Pod przywództwem akademickim laureata Nagrody Turinga Michaela Stonebrakera, zespół badał pytanie: „Czy możemy połączyć rekordy danych z setek tysięcy źródeł i milionów rekordów?” Na pierwszy rzut oka jest to niepokonane wyzwanie, ponieważ im więcej rekordów i źródeł, tym więcej rekordów każde możliwe dopasowanie musi być porównane. Naukowcy nazywają to „problemem n-kwadratowym”, ponieważ problem rośnie geometrycznie ze skalą.

Tradycyjne systemy MDM próbują rozwiązać ten problem za pomocą reguł i dużej ilości ręcznej kuracji danych. Reguły nie skalują, ponieważ nigdy nie można napisać wystarczającej liczby reguł, aby pokryć każdy przypadek, a zarządzanie tysiącami reguł jest technicznie niemożliwe. Ręczna kuracja jest niezwykle kosztowna, ponieważ opiera się na ludziach, którzy próbują pracować przez miliony możliwych rekordów i porównań. Biorąc to razem, wyjaśnia to słabą adopcję rynkową tradycyjnych rozwiązań MDM. Szczegółowo mówiąc, nikt nie lubi tradycyjnego MDM.

Prosta idea Tamr polegała na tym, aby nauczyć AI wykonywać pracę pobierania źródeł, dopasowania rekordów i rozwiązania wartości. Wspaniałą rzeczą w AI jest to, że nie je, nie śpi, nie bierze urlopu; jest również wysoko równolegle, więc może zajmować się ogromnymi ilościami danych i pracować nad ich poprawą. Tak, gdzie MDM było kiedyś niemożliwe, jest teraz możliwe, aby osiągnąć czyste, skonsolidowane i aktualne dane (patrz powyżej).

Jakie są największe wyzwania, przed którymi stają firmy w zarządzaniu danymi, i jak Tamr rozwiązuje te problemy?

Pierwszym, a prawdopodobnie najważniejszym wyzwaniem, przed którym stają firmy w zarządzaniu danymi, jest to, że ich użytkownicy biznesowi nie używają danych, które generują. Innymi słowy, jeśli zespoły danych nie produkują wysokiej jakości danych, które ich organizacje mogą wykorzystać do odpowiedzi na pytania analityczne lub usprawnienia procesów biznesowych, to marnują czas i pieniądze. Głównym wyjściem Tamr jest strona 360 dla każdego rekordu jednostki (myśl: klient, produkt, część itp.), która łączy wszystkie podstawowe dane pierwszej i trzeciej strony, aby użytkownicy biznesowi mogli zobaczyć i przekazać informacje zwrotne o danych. Jak wiki dla Twoich danych jednostki. Ta strona 360 jest również wejściem do interfejsu konwersacyjnego, który pozwala użytkownikom biznesowym zadawać i odpowiadać na pytania z danymi. Zatem, zadanie numer jeden to dać użytkownikowi dane.

Czy mógłbyś podzielić się historią sukcesu, w której Tamr znacznie poprawił zarządzanie danymi i wynikami biznesowymi firmy?

CHG Healthcare jest dużym graczem w branży opieki zdrowotnej, łącząc wykwalifikowanych specjalistów opieki zdrowotnej z obiektami, które ich potrzebują. Niezależnie od tego, czy jest to tymczasowi lekarze przez Locums, pielęgniarki z RNnetwork, czy szersze rozwiązania przez CHG, zapewniają one dostosowane rozwiązania kadrowe, aby pomóc obiektom opieki zdrowotnej działać gładko i świadczyć opiekę zdrowotną pacjentom.

Ich podstawowa wartość polega na łączeniu odpowiednich specjalistów opieki zdrowotnej z odpowiednimi obiektami w odpowiednim czasie. Ich wyzwanie polegało na tym, że nie mieli dokładnego, zjednoczonego widoku wszystkich specjalistów w swojej sieci. Biorąc pod uwagę ich skalę (7,5 mln+ specjalistów), było to niemożliwe do utrzymania ich danych za pomocą tradycyjnych, opartych na regułach podejść bez złamania banku na kuratorach ludzkich. Nie mogli również zignorować problemu, ponieważ ich decyzje dotyczące kadrowania zależały od tego.

Wykorzystując zaawansowane możliwości AI/ML Tamr, CHG Healthcare zmniejszyło liczbę duplikatów rekordów lekarzy o 45% i prawie całkowicie wyeliminowało ręczną przygotowanie danych, które było wykonywane przez rzadkich zasobów danych i analityki. I co najważniejsze, dzięki posiadaniu zaufanego i dokładnego widoku specjalistów, CHG jest w stanie zoptymalizować kadrowanie, umożliwiając im dostarczanie lepszych doświadczeń klienta.

Jakie są powszechne mity na temat AI w zarządzaniu danymi, i jak Tamr pomaga rozprawić się z tymi mitami?

Powszechnym mitem jest to, że AI musi być „doskonałe” lub że reguły i kuracja ludzka są doskonałe w przeciwieństwie do AI. Rzeczywistość jest taka, że reguły zawodzą cały czas. I co więcej, kiedy reguły zawodzą, jedynym rozwiązaniem jest więcej reguł. Więc masz niezarządzalny bałagan reguł. A kuracja ludzka jest również wadliwa. Ludzie mogą mieć dobre intencje (choć nie zawsze), ale nie zawsze są prawidłowi. Co gorsza, niektórzy kuratorzy ludzcy są lepsi niż inni lub po prostu mogą podejmować różne decyzje niż inni. AI, z drugiej strony, jest probabilistyczne z natury. Możemy zwalidować za pomocą statystyk, jak dokładne są te techniki, i kiedy to robimy, stwierdzamy, że AI jest mniej kosztowne i bardziej dokładne niż jakakolwiek konkurencyjna alternatywa.

Tamr łączy AI z ludzką kuracją dla dokładności danych. Czy mógłbyś wyjaśnić, jak to połączenie działa w praktyce?

Ludzie dostarczają coś wyjątkowo ważnego do AI – dostarczają szkolenie. AI jest naprawdę o skalowaniu ludzkich wysiłków. To, czego Tamr oczekuje od ludzi, to niewielka liczba przykładów („etykiety szkoleniowe”), które maszyna może wykorzystać do ustawienia parametrów modelu. W praktyce wygląda to tak, że ludzie spędzają niewielką ilość czasu z danymi, dostarczając Tamr przykładów błędów i pomyłek w danych, a AI uruchamia te lekcje na całym zestawie danych. Dodatkowo, gdy dodawane są nowe dane lub dane się zmieniają, AI może powierzchniowo wystawić przypadki, w których ma trudności z podejmowaniem decyzji z dużą pewnością („niskie dopasowania ufności”) i poprosić człowieka o wprowadzenie. To wprowadzenie, oczywiście, służy do uaktualnienia i udoskonalenia modeli.

Jaką rolę odgrywają duże modele językowe (LLM) w procesach jakości i wzbogacania danych Tamr?

Po pierwsze, ważne jest, aby być jasnym co do tego, czym są LLM-y dobre. Podstawowo, LLM-y są o języku. Produkują ciągi tekstowe, które mają znaczenie, i mogą „zrozumieć” znaczenie tekstu, który jest im podany. Można powiedzieć, że są to maszyny językowe. Dlatego w Tamr, gdzie język jest ważny, używamy LLM-ów. Jednym oczywistym przykładem jest nasz interfejs konwersacyjny, który siedzi na naszych danych jednostki, które nazywamy naszym wirtualnym CDO. Kiedy rozmawiasz ze swoim prawdziwym CDO, oni rozumieją cię i odpowiadają w języku, który rozumiesz. To jest dokładnie to, czego oczekujemy od LLM, i to jest dokładnie, jak używamy go w tym fragmencie naszego oprogramowania. Co jest cenne w Tamr w tym kontekście, to to, że używamy danych jednostki jako kontekstu dla rozmowy z naszym vCDO. To jakby Twój prawdziwy CDO miał wszystkie Twoje najlepsze dane przedsiębiorstwa pod ręką, gdy odpowiada na Twoje pytania – nie byłoby to wspaniałe?