Onur Alp Soner, CEO e cofundador da Countly – Série de entrevistas

Onur Alp Soner é cofundador e CEO da Condado, uma plataforma de análise digital e engajamento em aplicativos. Tecnólogo e empreendedor, ele construiu a Countly do zero para dar às empresas mais controle sobre como elas entendem e interagem com seus usuários. Sob sua liderança, a Countly se tornou uma plataforma confiável para empresas em todo o mundo que desejam inovar rapidamente, mantendo a privacidade do usuário no centro de suas estratégias de crescimento.

Conte-nos sobre o momento que levou você a fundar a Countly — quais eram os problemas que você enfrentava pessoalmente com as ferramentas de análise existentes que o convenceram de que o modelo de propriedade de dados estava fundamentalmente falho?

Há cerca de 13 anos, quando os aplicativos móveis começavam a se popularizar, as ferramentas de análise disponíveis seguiam um modelo muito específico. Muitas delas eram gratuitas ou bastante baratas, mas a contrapartida era que a plataforma coletava e monetizava seus dados, frequentemente alimentando ecossistemas de publicidade. Na época, isso era amplamente aceito como o funcionamento normal das coisas.

Isso, porém, não nos pareceu correto. Mesmo sendo uma empresa pequena, a ideia de entregar todos os nossos dados de usuários apenas para entender o desempenho do nosso produto não fazia sentido.

A Countly surgiu como uma resposta a isso. Queríamos criar análises que as empresas pudessem possuir e controlar totalmente, e por isso a lançamos como uma plataforma de código aberto e auto-hospedada. A ideia era simples: as organizações deveriam ser capazes de entender seus dados e agir com base neles sem precisar compartilhá-los. Esse princípio ainda está no cerne da Countly hoje.

Desde a fundação da Countly, a IA transformou a propriedade de dados de uma preocupação de nicho em um requisito estratégico. Quando ficou claro para você que esse princípio seria importante muito além da análise de dados?

Nos primeiros anos, a maioria das conversas sobre propriedade de dados era enquadrada em termos de privacidade ou conformidade. Eram principalmente bancos, prestadores de serviços de saúde e governos que se preocupavam profundamente com onde seus dados estavam armazenados e quem os controlava. Para muitos outros, a análise de dados ainda era vista como uma simples ferramenta de geração de relatórios, então a questão da propriedade não parecia urgente.

Essa perspectiva começou a mudar à medida que as empresas passaram a depender mais de dados para operar seus produtos, e não apenas para medi-los. Quando a análise de dados deixou de ser apenas um recurso para geração de relatórios e passou a ser fundamental para a tomada de decisões, impulsionando a personalização, as mudanças nos produtos e o engajamento do cliente, a importância de controlar esses dados ficou muito mais evidente. Todas as empresas que priorizam o digital, de mobilidade à hotelaria, passaram a competir com base em dados, e não apenas na experiência do usuário.

A IA acelerou drasticamente essa percepção. Você pode licenciar ou criar um modelo de IA, mas não pode comprar os dados comportamentais que refletem como seus próprios clientes interagem com seu produto. Esses dados são exclusivos de cada organização.

Muitas organizações acreditam estar "prontas para IA" por possuírem grandes volumes de dados. Mas, observando o que acontece dentro de empresas reais, o que geralmente falta?

A falta de dados geralmente não é o problema. A verdadeira questão é a falta de dados utilizáveis. Muitas organizações possuem enormes volumes de informação, mas estes estão fragmentados em diferentes ferramentas, equipes e sistemas. Por exemplo, o marketing pode ter um conjunto de dados, o produto outro e a engenharia sua própria telemetria, frequentemente armazenada em formatos diferentes e com pouca estrutura compartilhada.

Para que a IA seja útil, os dados subjacentes precisam ser limpos, consistentes e contextuais. Não basta coletar eventos ou registros; é preciso entender o que esses sinais realmente representam. Sem essa camada semântica, os sistemas de IA estão essencialmente fazendo suposições.

Outro problema é a propriedade. Um número surpreendente de empresas não controla seus próprios dados, pois eles estão armazenados em plataformas de terceiros. Isso dificulta a combinação de conjuntos de dados, a governança de seu uso e a aplicação segura de modelos de IA.

Portanto, quando as empresas dizem que estão preparadas para IA porque possuem muitos dados, a verdadeira questão é se elas têm uma base de dados coerente.

Por que os dados primários criam uma vantagem competitiva duradoura em sistemas de IA, enquanto os próprios modelos estão se tornando cada vez mais intercambiáveis?

O que cria uma vantagem duradoura não é o modelo em si, mas a compreensão dos usuários que advém de dados primários. Esses dados refletem como as pessoas realmente interagem com o seu produto e são exclusivos de cada organização. Os modelos, por outro lado, estão se tornando cada vez mais commodities. Você pode licenciá-los, ajustá-los ou trocar de fornecedor com relativa facilidade. O que você não pode replicar são os dados comportamentais gerados pelos seus próprios usuários interagindo com seus produtos ao longo do tempo.

Esses dados capturam padrões, contexto e sinais que refletem o comportamento real dos clientes. Quando estruturados e compreendidos adequadamente, permitem que as empresas criem sistemas que aprendem continuamente com o uso real, em vez de conjuntos de dados genéricos.

Onde é que as modernas plataformas de análise de dados falham silenciosamente quando são reaproveitadas para sistemas de IA em vez de relatórios, dashboards e KPIs?

Elas tendem a falhar no ponto em que os dados precisam passar da observação para a ação. As plataformas analíticas tradicionais foram projetadas principalmente para geração de relatórios. Elas coletam e agregam dados e, em seguida, os apresentam em painéis que ajudam as equipes a entender o que aconteceu ontem ou na semana passada.

Os sistemas de IA, no entanto, operam de maneira muito diferente. Eles exigem dados estruturados, contextuais e disponíveis em tempo real para que possam influenciar diretamente o comportamento de um sistema. Quando os fluxos de trabalho de análise são construídos em torno do processamento em lote e da geração de relatórios com atraso, eles têm dificuldade em suportar sistemas que precisam reagir instantaneamente.

Como a falta de verdadeira propriedade dos dados se manifesta operacionalmente quando as equipes tentam levar a IA da experimentação para a produção?

Geralmente, isso se apresenta como um problema de controle. Em última análise, se você não tem controle sobre seus dados, você não tem controle sobre sua IA. Isso fica especialmente claro quando as equipes passam da fase de experimentação para a produção. Durante a experimentação, as equipes geralmente podem trabalhar com conjuntos de dados pequenos ou pipelines temporários, mas os sistemas de produção exigem acesso consistente a dados confiáveis ​​em toda a organização.

Em muitas empresas, os dados subjacentes residem em diferentes plataformas de terceiros, como ferramentas de análise, sistemas de marketing ou serviços em nuvem. Isso dificulta a combinação de conjuntos de dados, a aplicação de regras de governança ou a movimentação de dados entre sistemas de forma controlada. Essa é uma das razões pelas quais muitos projetos de IA permanecem estagnados em fases piloto. Sem dados estruturados e abrangentes em toda a organização, torna-se difícil implantar IA de forma confiável em produção.

Isso também dificulta rastrear como um modelo chegou a uma decisão ou reconstruir o estado exato dos dados que a originaram. Sem esse nível de controle, corrigir erros ou reverter decisões torna-se extremamente difícil.

Por que estruturas de dados, semântica e contexto inadequados comprometem até mesmo os modelos de IA mais capazes?

Mesmo os modelos de IA mais capazes são tão bons quanto os dados que recebem. Se os dados subjacentes forem mal estruturados ou carecerem de contexto, o modelo terá pouca compreensão do que esses sinais realmente representam.

Em muitos sistemas, os dados são coletados como eventos isolados ou registros sem um significado claro atribuído a eles. Um modelo pode observar milhares de interações, mas sem estrutura e semântica adequadas, não consegue distinguir entre o que é importante e o que é simplesmente ruído.

O contexto é igualmente importante. Os sistemas de IA precisam entender como diferentes conjuntos de dados se relacionam ao longo do tempo. Sem esse contexto, os modelos ainda podem produzir resultados, mas estes costumam ser pouco confiáveis, pois o sistema está trabalhando com informações incompletas.

Quais são os sinais de alerta que indicam que uma empresa está caminhando para resultados genéricos de IA muito antes que essas experiências se tornem genéricas para os clientes?

O sinal de alerta mais básico surge quando as empresas dependem dos mesmos modelos e ferramentas de IA externos, mas investem muito pouco no desenvolvimento de suas próprias bases de dados. Se as organizações utilizam os mesmos modelos, mas não os alimentam com seus próprios dados contextuais e de usuário, os sistemas acabam trabalhando com as mesmas entradas genéricas. Nessa situação, a IA só consegue produzir resultados genéricos ou de alto nível. Com o tempo, isso leva a produtos cada vez mais semelhantes, pois a inteligência por trás deles é construída com base nas mesmas informações limitadas.

Outro sinal de alerta é quando as organizações se concentram intensamente na adoção de modelos de IA, mas prestam pouca atenção à estrutura e à qualidade de seus dados. A IA amplifica o que recebe. Se os dados subjacentes forem desorganizados, fragmentados ou mal estruturados, o sistema simplesmente produzirá uma versão mais sofisticada do mesmo problema.

Para organizações que tentam construir IA com base em seus próprios dados, o que o Countly realmente possibilita que as plataformas tradicionais de análise e dados não possibilitam?

A principal diferença reside na forma como o controle está integrado à plataforma. Em muitos produtos de análise, a propriedade dos dados aparece como uma opção ou recurso. No Countly, ela está no cerne do sistema. A plataforma foi projetada para que as organizações não precisem abrir mão do controle de seus dados em troca de funcionalidades avançadas.

Na prática, isso significa que as empresas podem executar o Countly em seu próprio ambiente, manter o controle total sobre sua infraestrutura de dados e ainda acessar recursos de análise, engajamento e automação em escala. Isso se torna especialmente importante quando as organizações desejam desenvolver IA com base em seus próprios dados. Muitas ferramentas de análise tradicionais são criadas principalmente para geração de relatórios, o que significa que os dados coletados geralmente permanecem em painéis de terceiros, em vez de se tornarem uma base utilizável para outros sistemas. O Countly adota uma abordagem diferente, tratando a análise como parte da infraestrutura de dados subjacente.

À medida que os sistemas de IA se tornam parte integrante da tomada de decisões diárias, como deve evoluir a definição de IA ética quando a propriedade dos dados passa a ser tratada como um princípio fundamental de design, em vez de uma mera formalidade política?

Quando a propriedade dos dados se torna um princípio de design, a IA ética deixa de ser sobre auditar modelos posteriormente e passa a ser sobre projetar sistemas onde os usuários mantêm o controle sobre os dados que os treinam. A ética se torna infraestrutura.

Obrigado pela ótima entrevista, os leitores que desejam saber mais devem visitar Condado.