Anthony Deighton, CEO al Tamr – Seria de interviuri

Anthony Deighton este CEO al Tamr. El are 20 de ani de experiență în construirea și dezvoltarea companiilor de software pentru întreprinderi. Recent, a petrecut doi ani ca Director de Marketing la Celonis, stabilind leadershipul lor în categoria de software de minerit de proces și creând programe de generare a cererii care au dus la o creștere de 130% a veniturilor anuale. Înainte de aceasta, a lucrat timp de 10+ ani la Qlik, crescând-o de la o companie de software suedeză necunoscută la o companie publică – în roluri de la conducerea produsului, marketingul produsului și, în final, ca CTO. A început cariera sa la Siebel Systems, învățând cum să construiască companii de software pentru întreprinderi în diverse roluri de produs.

Puteți împărtăși câteva repere cheie din călătoria dvs. în industria software-ului pentru întreprinderi, în special perioada dvs. la Qlik și Celonis?

Am început cariera mea în software pentru întreprinderi la Siebel Systems și am învățat mult despre construirea și dezvoltarea companiilor de software pentru întreprinderi de la echipa de conducere de acolo. M-am alăturat Qlik când era o companie de software suedeză mică și necunoscută, cu 95% din echipa de 60 de persoane situată în Lund, Suedia. Glumez că, deoarece nu eram inginer sau vânzător, am fost pus în sarcina marketingului. Am construit echipa de marketing acolo, dar, în timp, interesul și contribuțiile mele s-au îndreptat către managementul produsului, și, în cele din urmă, am devenit Chief Product Officer. Am listat Qlik la bursă în 2010, și am continuat ca o companie publică de succes. După aceea, am vrut să facem câteva achiziții, așa că am început o echipă de fuziuni și achiziții. După o perioadă lungă și relativ de succes ca companie publică, am vândut, în cele din urmă, Qlik unei firme de private equity numită Thoma Bravo. A fost, așa cum îmi place să spun, ciclul complet de viață al unei companii de software pentru întreprinderi. După ce am părăsit Qlik, m-am alăturat Celonis, o companie de software germană mică care încerca să obțină succes vânzând în SUA. Din nou, am condus marketingul ca CMO. Am crescut foarte repede și am construit o funcție de marketing global foarte de succes.

Ambele companii, Celonis și Qlik, s-au concentrat pe partea din față a provocării analizei de date – cum pot vedea și înțelege datele? În cazul Qlik, aceasta erau tablourile de bord; în cazul Celonis, erau procesele de afaceri. Dar o provocare comună în ambele cazuri a fost datele din spatele acestor visualizări. Mulți clienți s-au plâns că datele erau greșite: înregistrări duplicate, înregistrări incomplete, silozuri de date lipsă. Acesta este ceea ce m-a atras la Tamr, unde am simțit că, pentru prima dată, am putea rezolva provocarea datelor întreprinderii murdare. Primii 15 ani ai carierei mele în software pentru întreprinderi au fost petrecuți vizualizând date, sper că următorii 15 ani pot fi petrecuți curățând aceste date.

Cum au modelat experiențele dvs. de la început abordarea dvs. de a construi și dezvolta companii de software pentru întreprinderi?

O lecție importantă pe care am învățat-o în schimbarea de la Siebel la Qlik a fost puterea simplității. Siebel era un software foarte puternic, dar a fost ucis pe piață de Salesforce.com, care a creat un CRM cu mult mai puține funcții (“un jucărie” Siebel obișnuia să o numească), dar clienții puteau să-l pună în funcțiune rapid, deoarece era livrat ca o soluție SaaS. Părea evident în acea perioadă, dar am învățat că clienții nu cumpără funcții, ci investesc în soluții pentru a-și rezolva problemele de afaceri. Așadar, dacă software-ul dvs. rezolvă problema lor mai repede, veți câștiga. Qlik a fost o soluție simplă pentru problema analizei de date, dar a fost radical mai simplă. Ca urmare, am putut bate concurenții noștri mai bogăți în funcții, cum ar fi Business Objects și Cognos.

A doua lecție importantă pe care am învățat-o în cariera mea a fost în tranziția mea de la marketing la produs. Gândim că aceste domenii sunt distincte. În cariera mea, am descoperit că pot trece cu ușurință între produs și marketing. Există o legătură intimă între produsul pe care îl construiți și modul în care îl descrieți clienților potențiali. Și există o legătură la fel de importantă între ceea ce clienții solicită și produsul pe care ar trebui să-l construiți. Capacitatea de a trece între aceste conversații este un factor critic de succes pentru orice companie de software pentru întreprinderi. Un motiv comun pentru eșecul unei companii este credința că “dacă construiți, vor veni”. Acesta este credința comună că, dacă construiți pur și simplu software cool, oamenii se vor înghesui să-l cumpere. Acest lucru nu funcționează niciodată, și soluția este un proces de marketing robust conectat cu procesul de dezvoltare a software-ului.

Ultima idee pe care o voi împărtăși leagă lucrările mele academice de lucrările mele profesionale. Am avut ocazia, la școala de afaceri, să iau un curs despre teoria inovației disruptive a lui Clay Christensen. În lucrările mele profesionale, am avut ocazia să experimentez atât a fi disruptor, cât și a fi disruptat. Lecția cheie pe care am învățat-o este că orice inovație disruptivă este rezultatul unei schimbări a platformei care face ca imposibilul să devină, în cele din urmă, posibil. În cazul Qlik, a fost disponibilitatea platformei serverelor cu memorie mare care a permis Qlik să perturbe raportarea tradițională bazată pe cuburi. La Tamr, disponibilitatea platformei de învățare automată la scară permite să perturbe MDM bazat pe reguli în favoarea unei abordări bazate pe IA. Este important să descoperiți întotdeauna ce schimbare a platformei conduce disruptarea dvs.

Ce a inspirat dezvoltarea Managementului Datelor Master (MDM) nativ pentru IA, și cum se diferențiază de soluțiile MDM tradiționale?

Dezvoltarea Tamr a provenit din lucrări academice la MIT (Massachusetts Institute of Technology) despre rezolvarea entităților. Sub conducerea academică a câștigătorului premiului Turing, Michael Stonebraker, întrebarea pe care echipa o investiga era “putem să legăm înregistrări de date de-a lungul sute de mii de surse și milioane de înregistrări”. La suprafață, aceasta pare a fi o provocare insurmontabilă, deoarece cu cât mai multe înregistrări și surse, cu atât mai multe înregistrări posibile trebuie comparate. Oamenii de știință informatică numesc acest lucru o “problemă pătratică” deoarece problema crește geometric cu scara.

Soluțiile MDM tradiționale încearcă să rezolve această problemă cu reguli și o cantitate mare de curățare manuală a datelor. Regulile nu se escaladează, deoarece nu puteți scrie niciodată suficiente reguli pentru a acoperi fiecare caz de colț și gestionarea miilor de reguli este o imposibilitate tehnică. Curățarea manuală este extrem de scumpă, deoarece se bazează pe oameni care încearcă să lucreze prin milioane de posibile înregistrări și comparații. În ansamblu, acest lucru explică adoptarea slabă a pieței a soluțiilor MDM tradiționale. Sincer spus, nimeni nu își dorește MDM tradițional.

Ideea simplă a Tamr a fost să antreneze o IA pentru a face munca de ingestie a surselor, de potrivire a înregistrărilor și de rezolvare a valorilor. Lucrul minunat despre IA este că nu mănâncă, nu doarme și nu ia vacanță; de asemenea, este foarte paralelizabil, astfel încât poate face față unor volume uriașe de date și poate lucra la îmbunătățirea lor. Așadar, acolo unde MDM era imposibil, este, în cele din urmă, posibil să obțineți date curate, consolidate și actualizate.

Care sunt cele mai mari provocări cu care se confruntă companiile în ceea ce privește gestionarea datelor, și cum abordează Tamr aceste probleme?

Prima și, probabil, cea mai importantă provocare cu care se confruntă companiile în gestionarea datelor este că utilizatorii de afaceri nu utilizează datele pe care le generează. Sau, altfel spus, dacă echipele de date nu produc date de calitate care pot fi utilizate de organizații pentru a răspunde la întrebări analitice sau pentru a eficientiza procesele de afaceri, atunci își irosesc timpul și banii. O ieșire principală a Tamr este o pagină de 360 de grade pentru fiecare înregistrare de entitate (a se vedea: client, produs, piesă, etc.) care combină toate datele subiacente de primă și a treia parte, astfel încât utilizatorii de afaceri să poată vedea și oferi feedback despre date. Ca o wiki pentru datele dvs. de entitate. Această pagină de 360 de grade este, de asemenea, intrarea pentru un interfață conversațional care permite utilizatorilor de afaceri să pună și să răspundă la întrebări cu datele. Așadar, sarcina principală este să oferiți utilizatorului datele.

De ce este atât de greu pentru companii să ofere utilizatorilor date pe care le iubesc? Pentru că există trei probleme fundamentale dificile care stau la baza acestui obiectiv: încărcarea unei noi surse, potrivirea noilor înregistrări în datele existente și corectarea valorilor/câmpurilor din date. Tamr face ușor să încărcați noi surse de date, deoarece IA sa cartografiază automat noile câmpuri într-un schema de entitate definită. Acest lucru înseamnă că, indiferent de ceea ce o sursă de date numește un anumit câmp (de exemplu, nume_client), acesta este cartografiat către definiția centrală corectă a acelei entități (de exemplu, “nume client”). Următoarea provocare este să legați înregistrări care sunt duplicate. Duplicarea în acest context înseamnă că înregistrările sunt, de fapt, aceeași entitate din lumea reală. IA Tamr face acest lucru și, de asemenea, utilizează surse externe de a treia parte ca “adevăr de bază” pentru a rezolva entități comune, cum ar fi companiile și oamenii. Un exemplu bun în acest sens ar fi legarea tuturor înregistrărilor de-a lungul multor surse pentru un client important, cum ar fi “Dell Computer”. În cele din urmă, pentru orice înregistrare, pot exista câmpuri care sunt goale sau incorecte. Tamr poate deduce valorile corecte ale câmpurilor din surse interne și de a treia parte.

Puteți împărtăși o poveste de succes în care Tamr a îmbunătățit semnificativ gestionarea datelor și rezultatele de afaceri ale unei companii?

CHG Healthcare este un jucător important în industria de îngrijire a sănătății, conectând profesioniști calificați în sănătate cu facilități care au nevoie de ei. Indiferent dacă este vorba de medici temporari prin Locums, asistente medicale prin RNnetwork sau soluții mai ample prin CHG însăși, oferă soluții de personalizare a personalului pentru a ajuta facilitățile medicale să funcționeze armonios și să ofere îngrijire de calitate pacienților.

Propunerea lor fundamentală de valoare este conectarea profesioniștilor din domeniul sănătății potriviți cu facilitățile potrivite la momentul potrivit. Provocarea lor a fost că nu aveau o vedere unificată și precisă a tuturor furnizorilor din rețeaua lor. Având în vedere dimensiunea lor (7,5 milioane de furnizori și mai mult), era imposibil să păstreze datele lor precise cu abordări bazate pe reguli și moștenite, fără a rupe banca cu curatorii umani. De asemenea, nu puteau ignora problema, deoarece deciziile lor de personal depindeau de aceasta. Datele proaste pentru ei ar fi putut însemna că un furnizor primește mai multe schimburi decât poate gestiona, ceea ce duce la epuizare.

Utilizând capacitățile avansate de IA/ML ale Tamr, CHG Healthcare a redus înregistrările medicale duplicate cu 45% și a eliminat aproape complet pregătirea manuală a datelor, care era efectuată de resursele rare de date și analize. Și, cel mai important, prin faptul că au avut o vedere de încredere și precisă a furnizorilor, CHG a putut optimiza personalul, permițându-le să ofere o experiență mai bună clienților.

Ce sunt cele mai mari concepții greșite despre IA în gestionarea datelor, și cum ajută Tamr să înlăture aceste mituri?

O concepție greșită comună este că IA trebuie să fie “perfectă” sau că regulile și curățarea umană sunt perfecte, în contrast cu IA. Realitatea este că regulile dau greș în mod constant. Și, mai important, atunci când regulile dau greș, singura soluție este să adăugați mai multe reguli. Așadar, aveți o mizerie de necontrolat a regulilor. Și curățarea umană este, de asemenea, imperfectă. Oamenii ar putea avea intenții bune (deși nu întotdeauna), dar nu sunt întotdeauna corecți. Ce este mai rău, unii curatorii umani sunt mai buni decât alții sau pot lua decizii diferite decât alții. IA, în schimb, este probabilistică din natură. Putem valida statistic cât de precisă este oricare dintre aceste tehnici și, atunci când o facem, descoperim că IA este mai puțin costisitoare și mai precisă decât orice alternativă concurentă.

Tamr combină IA cu rafinarea umană pentru acuratețea datelor. Puteți explica cum funcționează această combinație în practică?

Oamenii oferă ceva excepțional de important pentru IA – oferă instruirea. IA este, de fapt, despre scalarea eforturilor umane. Ceea ce Tamr caută de la oameni este numărul mic de exemple (“etichete de instruire”) pe care mașina le poate utiliza pentru a seta parametrii modelului. În practică, acest lucru înseamnă că oamenii petrec un timp scurt cu datele, oferind Tamr exemple de erori și greșeli în date, iar IA rulează aceste lecții pe întregul set de date. De asemenea, atunci când se adaugă date noi sau când datele se schimbă, IA poate supune instanțe în care se luptă să ia decizii cu încredere (“potriviri cu încredere scăzută”) și să ceară input de la om. Acest input, desigur, merge să rafineze și să actualizeze modelele.

Care este rolul modelelor de limbaj mare (LLM) în procesele de calitate și îmbogățire a datelor Tamr?

În primul rând, este important să fie clar ce sunt bune LLM-urile. Fundamental, LLM-urile sunt despre limbaj. Ele produc șiruri de text care au un sens și pot “înțelege” sensul textului care le este oferit. Așadar, ați putea spune că sunt mașini de limbaj. Așadar, pentru Tamr, unde limbajul este important, utilizăm LLM-urile. Un exemplu evident este interfața noastră conversațională care stă deasupra datelor noastre de entitate, pe care o numim cu drag virtual CDO. Când vorbiți cu CDO-ul dvs. real, el vă înțelege și răspunde utilizând limbajul pe care îl înțelegeți. Acesta este exact modul în care utilizăm LLM-urile în acea parte a software-ului nostru. Ceea ce este valoros despre Tamr în acest context este că utilizăm datele de entitate ca context pentru conversația cu vCDO-ul nostru. Este ca și cum CDO-ul dvs. real are toate cele mai bune date ale dvs. de întreprindere la îndemână atunci când răspunde la întrebările dvs. – nu ar fi minunat?

În plus, există instanțe în care, la curățarea valorilor datelor sau la completarea valorilor lipsă, dorim să utilizăm o interpretare bazată pe limbaj a valorilor de intrare pentru a găsi sau a corecta o valoare lipsă. De exemplu, ați putea întreba din textul “5mm bile de oțel” ce este dimensiunea piesei, și un LLM (sau o persoană) ar răspunde corect “5mm”.

În cele din urmă, sub LLM-urile subiacente sunt modele de încorporare care codifică sensul limbajului în tokeni (a se vedea cuvinte). Acestea pot fi foarte utile pentru calculul comparației lingvistice. Așadar, deși “5” și “cinci” nu au caractere comune, ele sunt foarte apropiate în sens lingvistic. Așadar, putem utiliza această informație pentru a lega înregistrări împreună.

Cum vedeți viitorul gestionării datelor, în special cu progresele în IA și învățarea automată?

Era “Big Data” de la începutul anilor 2000 ar trebui să fie amintită ca era “Small Data”. Deși a fost creată o cantitate mare de date în ultimii 20 de ani, facilitată de comercializarea stocării și a calculului, majoritatea datelor care au avut un impact în întreprindere sunt la scară mică – rapoarte de vânzări și clienți de bază, analize de marketing și alte seturi de date care ar putea fi ușor reprezentate într-un tablou de bord. Rezultatul este că multe dintre uneltele și procesele utilizate în gestionarea datelor sunt optimizate pentru “small data”, ceea ce explică de ce logica bazată pe reguli, completată cu curățarea umană, este încă atât de proeminentă în gestionarea datelor.

Modul în care oamenii doresc să utilizeze datele se schimbă fundamental odată cu progresele în IA și învățarea automată. Ideea de “agenți IA” care pot efectua autonom o parte semnificativă a unui loc de muncă nu funcționează decât dacă agenții au datele de care au nevoie. Dacă vă așteptați ca un agent IA să servească în prima linie a suportului clienților, dar aveți cinci reprezentări ale “Dell Computer” în CRM-ul dvs. și nu este conectat cu informații despre produse în ERP-ul dvs., cum puteți aștepta ca ei să ofere servicii de calitate atunci când cineva de la Dell se prezintă?

Implicația acestui lucru este că uneltele și procesele noastre de gestionare a datelor trebuie să evolueze pentru a gestiona scara, ceea ce înseamnă adoptarea IA și a învățării automate pentru a automatiza mai multe activități de curățare a datelor. Oamenii vor juca încă un rol important în supravegherea procesului, dar, în esență, trebuie să cerem mașinilor să facă mai mult, astfel încât nu doar datele dintr-un singur tablou de bord să fie precise și complete, ci majoritatea datelor din întreprindere.

Ce sunt cele mai mari oportunități pentru afaceri astăzi, atunci când vine vorba de exploatarea datelor lor în mod mai eficient?

Creșterea numărului de moduri în care oamenii pot consuma date. Nu există nicio îndoială că îmbunătățirile instrumentelor de vizualizare a datelor au făcut datele mult mai accesibile în întreaga întreprindere. Acum, liderii datelor și analizei trebuie să caute dincolo de tabloul de bord pentru modalități de a livra valoare cu date. Interfețele precum paginile interne de 360 de grade, grafurile de cunoaștere și asistenții conversaționali sunt activate de tehnologii noi și oferă consumatorilor potențiali de date mai multe modalități de a utiliza datele în fluxul de lucru zilnic. Este deosebit de puternic atunci când acestea sunt încorporate în sistemele pe care oamenii le utilizează deja, cum ar fi CRM-urile și ERP-urile. Cea mai rapidă modalitate de a crea mai multă valoare din date este prin aducerea datelor la oamenii care le pot utiliza.

Mulțumim pentru interviul excelent; cititorii care doresc să afle mai multe despre Tamr ar trebui să viziteze Tamr.