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 de companii de software pentru întreprinderi. Recent, a petrecut doi ani ca Chief Marketing Officer la Celonis, stabilind liderul în categoria de software de Process Mining și creând programe de generare a cererii care au dus la o creștere de 130% a veniturilor anuale. Înainte de aceasta, a ocupat funcții de conducere la Qlik, crescând compania de la o companie 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 petrecută la Qlik și Celonis?

Am început cariera mea în software pentru întreprinderi la Siebel Systems și am învățat mult despre construirea și dezvoltarea de companii de software pentru întreprinderi de la echipa de conducere de acolo. M-am alăturat Qlik când era o companie mică, necunoscută, de software suedeză, cu 95% din echipa mică de 60 de persoane situată în Lund, Suedia. Glumesc 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 capital privat numite 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 mică de software germană care încerca să obțină succes vânzând în Statele Unite. Din nou, am condus marketingul ca CMO. Am crescut foarte repede și am construit o funcție de marketing globală de succes.

Atât Celonis, cât și Qlik s-au concentrat pe partea din față a provocării analizei datelor – cum pot vedea și înțelege datele? În cazul Qlik, aceasta a fost reprezentată de tablouri de bord; în cazul Celonis, a fost vorba de procese de afaceri. Dar o provocare comună în ambele cazuri a fost datele din spatele acestor vizualizări. 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, putem rezolva provocarea datelor întreprinderilor 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 v-au influențat experiențele dvs. de la început abordarea construirii și dezvoltării de companii de software pentru întreprinderi?

Una dintre lecțiile importante pe care le-am învățat în schimbarea de la Siebel la Qlik a fost puterea simplității. Siebel a fost un software foarte puternic, dar a fost ucis pe piață de Salesforce.com, care a făcut un CRM cu mult mai puține funcții (“un jucărie” Siebel obișnuia să o numească), dar clienții puteau să-l pună în funcțiune rapid, deoarece a fost livrat ca o soluție SaaS. Pare evident astăzi, dar, la acea vreme, înțelepciunea era că clienții cumpără funcții, dar ceea ce am învățat este că clienții investesc în soluții pentru a-și rezolva problemele de afaceri. Așadar, dacă software-ul dvs. rezolvă problema lor mai repede, câștigați. Qlik a fost o soluție simplă pentru problema analizei datelor, dar a fost radical mai simplă. Ca rezultat, am putut bate concurenții mai bogatăți în funcții, cum ar fi Business Objects și Cognos.

Cea de-a doua lecție importantă pe care am învățat-o a fost în tranziția mea de carieră de la marketing la produs. Ne gândim la aceste domenii ca fiind distincte. În cariera mea, am găsit că pot trece cu ușurință între produs și marketing. Există o legătură strânsă între produsul pe care îl construiți și modul în care îl descrieți potențialilor clienți. Și există o legătură la fel de importantă între ceea ce prospectele cer și produsul pe care ar trebui să-l construim. Capacitatea de a trece între aceste conversații este un factor de succes critic pentru orice companie de software pentru întreprinderi. Un motiv comun pentru eșecul unei companii este credința că “dacă o construiești, vor veni”. Acesta este credința comună că, dacă construiți doar software cool, oamenii vor sta la coadă pentru a-l cumpăra. Acest lucru nu funcționează niciodată, iar soluția este un proces de marketing robust conectat cu procesul de dezvoltare a software-ului.

Ultima idee pe care o voi împărtăși legă experiența mea academică de munca mea profesională. Am avut ocazia, la școala de afaceri, să iau un curs despre teoria inovației disruptive a lui Clay Christensen. În munca mea profesională, 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 exogene a platformei care face imposibilul, 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-ul manual bazat pe reguli în favoarea unei abordări bazate pe IA. Este important să descoperiți întotdeauna ce schimbare a platformei conduce la perturbarea dvs.

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

Dezvoltarea Tamr a provenit din lucrări academice de la MIT (Massachusetts Institute of Technology) despre rezoluția entităților. Sub conducerea academică a câștigătorului premiului Turing Michael Stonebraker, echipa a investigat întrebarea “putem lega 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 ar trebui comparate. Oamenii de știință informatică numesc acest lucru “o problemă pătratică” deoarece problema crește geometric cu scara.

Sistemele MDM tradiționale încearcă să rezolve această problemă cu reguli și cantități mari de curățare manuală a datelor. Regulile nu se extind, deoarece nu puteți scrie niciodată suficiente reguli pentru a acoperi fiecare caz de colț și gestionarea a mii 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. Luând împreună, acest lucru explică adoptarea slabă a pe piață a soluțiilor MDM tradiționale. Sincer spus, nimeni nu își place MDM-ul tradițional.

Idea simplă a Tamr a fost să antreneze o IA pentru a face munca de ingestie a sursei, 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, așa că poate prelua volume uriașe de date și poate lucra la îmbunătățirea lor. Așa că, acolo unde MDM-ul era imposibil, este, în cele din urmă, posibil să obțineți date curate, consolidate și actualizate.

Ce 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 folosesc datele pe care le generează. Sau, altfel spus, dacă echipele de date nu produc date de înaltă calitate pe care organizațiile le pot folosi pentru a răspunde la întrebări analitice sau pentru a simplifica procesele de afaceri, atunci sunt irosite timp și bani. Unul dintre rezultatele principale ale Tamr este o pagină de 360 de grade pentru fiecare înregistrare a entității (gândiți-vă: client, produs, piesă, etc.) care combină toate datele subiacente de primă și de a treia parte, astfel încât utilizatorii de afaceri să poată vedea și să ofere feedback despre date. Ca o wiki pentru datele dvs. de entitate. Această pagină de 360 de grade este, de asemenea, intrarea într-un interfață conversațional care permite utilizatorilor de afaceri să pună și să răspundă la întrebări cu datele. Deci, 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 principale 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 mapă 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 mapat la definiția centrală corectă a acelei entități (de exemplu: “nume client”). Următoarea provocare este de a lega 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, folosește surse externe de a treia parte ca “adevăr de bază” pentru a rezolva entități comune, cum ar fi companii și oameni. Un exemplu bun ar fi legarea tuturor înregistrărilor de-a lungul mai 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 completa 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 din domeniul sănătății cu facilitățile 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 pentru a ajuta facilitățile de îngrijire a sănătății să funcționeze lin și să ofere îngrijire de calitate pacienților.

Propunerea lor fundamentală de valoare este de a conecta furnizorii de îngrijire a 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), era imposibil să păstreze datele lor precise cu abordări bazate pe reguli și legacy, 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 duplicate ale medicilor cu 45% și a eliminat aproape complet pregătirea datelor manuale care era efectuată de resursele rare de date și analize. Și, cel mai important, prin faptul că aveau o vedere de încredere și precisă a furnizorilor, CHG a putut optimiza personalul, permițându-le să ofere o experiență mai bună clienților.

Ce sunt unele concepții greșite comune despre IA în gestionarea datelor, și cum ajută Tamr la eliminarea acestor 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 eşuează tot timpul. Și, mai important, atunci când regulile eşuează, singura soluție este să adăugați mai multe reguli. Așa că aveți o mizerie de necontrolat a regulilor. Și curățarea umană este, de asemenea, supusă erorilor. Oamenii pot 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 contrast, este probabilistică din natură. Putem valida prin statistici cât de precisă este oricare dintre aceste tehnici și, atunci când o facem, găsim că IA este mai ieftină și mai precisă decât orice alternativă care concurează.

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

Oamenii oferă ceva excepțional de important pentru IA – oferă antrenamentul. IA este, de fapt, despre extinderea eforturilor umane. Ceea ce Tamr caută de la oameni este numărul mic de exemple (“etichete de antrenament”) pe care mașina le poate folosi pentru a seta parametrii modelului. În practică, acest lucru arată astfel: 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. În plus, atunci când se adaugă date noi sau când datele se schimbă, IA poate aduce la suprafață 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 pentru a rafina și actualiza modelele.

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

În primul rând, este important să fim clari despre ceea ce sunt bune LLM-urile. În esență, LLM-urile sunt despre limbaj. Ele produc șiruri de text care au un anumit sens și pot “înțelege” sensul textului care le este oferit. Așa că puteți spune că sunt mașini de limbaj. Așa că, pentru Tamr, acolo unde limbajul este important, folosim LLM-urile. Un exemplu evident este în 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 înțelege și răspunde folosind limbajul pe care îl înțelegeți. Acesta este exact ceea ce ne așteptăm de la un LLM și astfel îl folosim în acea parte a software-ului nostru. Ceea ce este valoros despre Tamr în acest context este că folosim 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 folosim o interpretare bazată pe limbaj a valorilor de intrare pentru a găsi sau a corecta o valoare lipsă. De exemplu, puteți întreba din textul “5mm rulment cu bile” care este dimensiunea piesei, și un LLM (sau o persoană) ar răspunde corect “5mm”.

În cele din urmă, sub LLM-urile există modele de încorporare care codifică sensul limbajului în tokeni (gândiți-vă: cuvinte). Acestea pot fi foarte utile pentru calcularea comparațiilor lingvistice. Așa că, deși “5” și “cinci” nu au caractere comune, ele sunt foarte apropiate în sens lingvistic. Așa că putem folosi această informație pentru a lega înregistrări împreună.

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

Era “Big Data” din anii 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 calculului, majoritatea datelor care au avut un impact în întreprindere sunt la scară mică – rapoarte de bază de vânzări și clienți, 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 “date mici”, 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 vor 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 muncii unei persoane funcționează doar 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 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 vor trebui 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 continua să joace 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 companii astăzi, atunci când vine vorba de exploatarea mai eficientă a datelor lor?

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 analiștii trebuie să caute dincolo de tabloul de bord pentru modalități de a livra valoare cu date. Interfețe precum paginile interne de 360 de grade, grafurile de cunoștințe și asistenții conversaționali sunt activate de tehnologii noi și oferă consumatorilor potențiali de date mai multe modalități de a utiliza datele în fluxul lor zilnic de muncă. Este deosebit de puternic atunci când acestea sunt încorporate în sistemele pe care oamenii le folosesc deja, cum ar fi CRM și ERP. Cea mai rapidă modalitate de a crea mai multă valoare din date este prin aducerea datelor la persoanele care le pot folosi. Vă mulțumim pentru acest interviu minunat; cititorii care doresc să afle mai multe ar trebui să viziteze Tamr.