Onur Alp Soner, CEO e Co-Fundador da Countly – Série de Entrevistas

Onur Alp Soner é o co-fundador e CEO da Countly, uma plataforma de análise digital e engajamento em aplicativos. Um tecnólogo e empreendedor, ele criou a Countly do zero para dar às empresas mais controle sobre como elas entendem e interagem com seus usuários. Sob sua liderança, a Countly cresceu em 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.

Leve-nos de volta ao momento que o levou a fundar a Countly — o que você estava enfrentando pessoalmente com as ferramentas de análise existentes que o convenceu de que o modelo de propriedade de dados estava fundamentalmente quebrado?

Há cerca de 13 anos, quando os aplicativos móveis começavam a decolar, as ferramentas de análise disponíveis seguiam um modelo muito específico. Muitas delas eram gratuitas ou relativamente baratas, mas o compromisso era que a plataforma coletava e monetizava seus dados, muitas vezes alimentando ecossistemas de publicidade. Na época, isso era amplamente aceito como a maneira normal de funcionar.

No entanto, isso não nos parecia correto. Mesmo como uma pequena empresa, a ideia de entregar todos os nossos dados de usuário apenas para entender como nosso produto estava se saindo não fazia sentido.

A Countly começou como uma resposta a isso. Queríamos construir análises que as empresas pudessem totalmente possuir e controlar, por isso a lançamos como uma plataforma de código aberto e auto-hospedada. A ideia era simples: as organizações devem ser capazes de entender e agir sobre seus dados sem entregá-los. Esse princípio ainda está no cerne da Countly hoje.

Desde que fundou a Countly, a IA impulsionou a propriedade de dados de uma preocupação de nicho para um requisito estratégico. Quando ficou claro para você que esse princípio importaria muito além da análise?

Nos primeiros anos, a maioria das conversas sobre propriedade de dados foi enquadrada por meio da privacidade ou conformidade. Era principalmente bancos, fornecedores de saúde e governos que se importavam profundamente com onde seus dados viviam e quem os controlava. Para muitos outros, a análise ainda era vista como uma ferramenta de relatórios simples, então a questão da propriedade não parecia urgente.

Essa perspectiva começou a mudar à medida que as empresas começaram a depender mais fortemente de dados para executar seus produtos, não apenas para medir. Uma vez que a análise mudou de relatórios para tomada de decisões, alimentando personalização, alterações de produtos e engajamento do cliente, a importância de controlar esses dados se tornou muito mais clara. Cada empresa digital, desde mobilidade até hospedagem, efetivamente começou a competir com base em dados, não apenas na experiência do usuário.

A IA acelerou dramaticamente essa percepção. Você pode licenciar ou construir um modelo de IA, mas não pode comprar os dados comportamentais que refletem como seus próprios clientes interagem com seu produto. Esse dado é único para cada organização.

Muitas organizações acreditam que estão “prontas para IA” porque têm grandes volumes de dados. Do que você vê dentro de empresas reais, o que geralmente falta por baixo da superfície?

A falta de dados geralmente não é o problema. O problema real é a falta de dados utilizáveis. Muitas organizações têm grandes volumes de informações, mas elas estão fragmentadas 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 diferentes formatos com pouca estrutura compartilhada.

Para que a IA seja útil, os dados subjacentes precisam ser limpos, consistentes e contextuais. Não é suficiente coletar eventos ou logs; você precisa entender o que esses sinais realmente representam. Sem essa camada semântica, os sistemas de IA estão basicamente chutando.

Outro problema é a propriedade. Um número surpreendente de empresas não controla realmente seus próprios dados porque eles residem em plataformas de terceiros. Isso torna difícil combinar conjuntos de dados, governar como eles são usados ou aplicar modelos de IA a eles com segurança.

Então, quando as empresas dizem que estão prontas para IA porque têm muitos dados, a pergunta real é se elas têm uma base de dados coerente.

Por que os dados de primeira parte criam uma vantagem competitiva duradoura em sistemas de IA, enquanto os modelos em si 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 vem dos dados de primeira parte. Esse dado reflete como as pessoas realmente interagem com seu produto e é único para cada organização. Os modelos, por outro lado, estão se tornando cada vez mais commodities. Você pode licenciá-los, ajustá-los ou alternar entre fornecedores relativamente facilmente. O que você não pode replicar é o dado comportamental gerado por seus próprios usuários interagindo com seus produtos ao longo do tempo.

Esse dado captura padrões, contexto e sinais que refletem como os clientes realmente se comportam. Quando é estruturado e entendido corretamente, permite que as empresas construam sistemas que aprendem continuamente com o uso real, em vez de conjuntos de dados genéricos.

Onde as pilhas de análise modernas quebram silenciosamente quando são reutilizadas para sistemas de IA em vez de relatórios, painéis e KPIs?

Elas tendem a quebrar no ponto em que os dados precisam mudar de observação para ação. As pilhas de análise tradicionais foram projetadas principalmente para relatórios. Elas coletam e agregam dados, então 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 que sejam estruturados, contextuais e disponíveis em tempo real para que possam influenciar diretamente como um sistema se comporta. Quando as pipelines de análise são construídas em torno do processamento em lote e relatórios atrasados, elas lutam para apoiar sistemas que precisam reagir instantaneamente.

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

Normalmente, aparece como um problema de controle. Em última análise, se você não tiver controle sobre seus dados, não terá controle sobre sua IA. Isso se torna especialmente claro quando as equipes mudam da experimentação para a produção. Durante a experimentação, as equipes 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.

Então, em muitas empresas, os dados subjacentes residem em diferentes plataformas de terceiros, como ferramentas de análise, sistemas de marketing ou serviços de nuvem. Isso torna difícil combinar conjuntos de dados, aplicar regras de governança ou mover dados entre sistemas de maneira controlada. Este é um dos motivos pelos quais muitos projetos de IA permanecem presos em fases de piloto. Sem uma base de dados estruturada e organizacional, torna-se difícil implantar a IA de forma confiável na produção.

Isso também torna mais difícil rastrear como um modelo chegou a uma decisão ou reconstruir o estado de dados exato por trás dele. Sem esse nível de controle, corrigir erros ou reverter decisões se torna extremamente difícil.

Por que a estrutura de dados, semântica e contexto pobres minam mesmo os modelos de IA mais capazes?

Even os modelos de IA mais capazes são apenas tão bons quanto os dados que recebem. Se os dados subjacentes estiverem mal estruturados ou carecerem de contexto, o modelo tem muito pouca compreensão do que esses sinais realmente representam.

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

O contexto é igualmente importante. Os sistemas de IA precisam entender como as diferentes peças de dados se relacionam entre si ao longo do tempo. Sem esse contexto, os modelos podem produzir saídas, mas elas são frequentemente não confiáveis porque o sistema está trabalhando com informações incompletas.

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

O sinal de alerta mais básico é quando as empresas dependem dos mesmos modelos e ferramentas de IA externas, mas fazem muito pouco para desenvolver suas próprias bases de dados. Se as organizações estiverem usando os mesmos modelos, mas não alimentando-os com seus próprios dados de usuário e contextuais, os sistemas estão essencialmente trabalhando a partir das mesmas entradas genéricas. Nessa situação, a IA só pode produzir resultados de alto nível ou genéricos. Com o tempo, isso leva a produtos que se sentem cada vez mais semelhantes porque a inteligência por trás deles é construída com base nas mesmas informações limitadas.

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

Para as organizações que tentam construir IA sobre seus próprios dados, o que a Countly realmente habilita que as análises tradicionais e as plataformas de dados não fazem?

A principal diferença está em como o controle é incorporado à plataforma. Em muitos produtos de análise, a propriedade de dados é algo que aparece como uma opção ou recurso. Com a Countly, ela está no cerne do sistema. A plataforma foi projetada para que as organizações não precisem trocar o controle de seus dados por funcionalidades avançadas.

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

À medida que os sistemas de IA se tornam incorporados à tomada de decisões diárias, como a definição de IA ética deve evoluir quando a propriedade de dados é tratada como um princípio de design fundamental em vez de uma caixa de seleção de política?

Uma vez que a propriedade de dados se torna um princípio de design, a IA ética não é mais sobre auditar modelos após o fato — é sobre engenharia de sistemas onde os usuários retêm a agência sobre os dados que os treinam. A ética se torna infraestrutura.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Countly.