Anthony Deighton, VD för Tamr – Intervju-serie

Anthony Deighton är VD för Tamr. Han har 20 års erfarenhet av att bygga och skala upp företagsprogramvaruföretag. Senast tillbringade han två år som Chief Marketing Officer på Celonis, där han etablerade deras ledarskap inom Process Mining-mjukvarukategorin och skapade efterfrågegenereringsprogram som resulterade i 130 % ARR-tillväxt. Innan dess tjänstgjorde han i över 10 år på Qlik, där han växte företaget från ett okänt svenskt programvaruföretag till ett publikt företag – i roller från produktledning, produktmarknadsföring och slutligen som CTO. Han började sin karriär på Siebel Systems och lärde sig hur man bygger företagsprogramvaruföretag i olika produktroller.

Kan du dela några viktiga milstolpar från din resa inom företagsprogramvarubranschen, särskilt under din tid på Qlik och Celonis?

Jag började min karriär inom företagsprogramvaror på Siebel Systems och lärde mig mycket om att bygga och skala upp företagsprogramvaruföretag från ledarskapsteamet där. Jag gick med i Qlik när det var ett litet, okänt svenskt programvaruföretag med 95 % av det lilla 60-mannateamet beläget i Lund, Sverige. Jag skämtar om att eftersom jag inte var ingenjör eller säljare, så fick jag ansvar för marknadsföringen. Jag byggde marknadsföringsteamet där, men över tiden graviterade mina intressen och bidrag mot produktledning, och till slut blev jag Chief Product Officer. Vi tog Qlik publikt 2010, och vi fortsatte som ett framgångsrikt publikt företag. Efter det ville vi göra några förvärv, så jag startade ett M&A-team. Efter en lång och relativt framgångsrik period som publikt företag, sålde vi till slut Qlik till en privat equity-firma vid namn Thoma Bravo. Det var, som jag gillar att säga, hela livscykeln för ett företagsprogramvaruföretag. Efter att ha lämnat Qlik, gick jag med i Celonis, ett litet tyskt programvaruföretag som försökte uppnå framgång med försäljning i USA. Återigen, ledde jag marknadsföringen som CMO. Vi växte mycket snabbt och byggde en mycket framgångsrik global marknadsfunktion.

Både Celonis och Qlik fokuserade på den främre delen av dataanalysutmaningen – hur ser jag och förstår data? I Qliks fall var det instrumentpaneler; i Celonis fall var det affärsprocesser. Men en gemensam utmaning över båda var data bakom dessa visualiseringar. Många kunder klagade över att data var fel: dubblettposter, ofullständiga poster, saknade data silos. Detta är vad som lockade mig till Tamr, där jag kände att vi för första gången kunde lösa utmaningen med smutsig företagsdata. De första 15 åren av min företagsprogramvarukarriär tillbringades med att visualisera data, och jag hoppas att de kommande 15 åren kan ägnas åt att rengöra data.

Hur formade dina tidiga erfarenheter din strategi för att bygga och skala upp företagsprogramvaruföretag?

En viktig läxa jag lärde mig under övergången från Siebel till Qlik var kraften i enkelhet. Siebel var mycket kraftfull programvara, men den dödades på marknaden av Salesforce.com, som skapade en CRM med många färre funktioner (“en leksak” som Siebel kallade det), men kunder kunde få det att fungera snabbt eftersom det levererades som en SaaS-lösning. Det verkar uppenbart idag, men vid den tiden var visdomen att kunder köper funktioner, men vad vi lärde oss är att kunder investerar i lösningar för att lösa sina affärsproblem. Så, om din programvara löser deras problem snabbare, så vinner du. Qlik var en enkel lösning på dataanalysproblemet, men det var radikalt enklare. Som ett resultat kunde vi slå mer funktionsrika konkurrenter som Business Objects och Cognos.

Den andra viktiga läxan jag lärde mig var under min karriärstransition från marknadsföring till produkt. Vi tänker på dessa domäner som distinkta. I min karriär har jag funnit att jag rör mig flytande mellan produkt och marknadsföring. Det finns en intim länk mellan vilken produkt du bygger och hur du beskriver den för potentiella kunder. Och det finns en lika viktig länk mellan vad presumptiva kunder kräver och vad produkt vi bör bygga. Förmågan att röra sig mellan dessa samtal är en kritisk framgångsfaktor för alla företagsprogramvaruföretag. En vanlig orsak till att ett startup misslyckas är att tro att “om du bygger det, så kommer de att komma”. Detta är den vanliga tron att om du bara bygger coolt program, så kommer människor att stå i kö för att köpa det. Detta fungerar aldrig, och lösningen är en robust marknadsprocess som är kopplad till din programvaruutvecklingsprocess.

Den sista idén jag vill dela länkar min akademiska arbete med mitt professionella arbete. Jag hade möjligheten att ta en klass om Clay Christensens teori om innovativ förstöring på handelshögskolan. I mitt professionella arbete har jag haft möjligheten att uppleva både att vara förstörare och att bli förstörd. Den viktigaste läxan jag har lärt mig är att varje innovativ förstöring är ett resultat av en exogen plattformsskift som gör det omöjliga möjligt. I Qliks fall var det tillgängligheten av stora minnesservrar som tillät Qlik att förstöra traditionell kub-baserad rapportering. På Tamr är det tillgängligheten av maskinlärning i stor skala som tillåter oss att förstöra manuell regelbaserad MDM till förmån för en AI-baserad metod. Det är viktigt att alltid ta reda på vilken plattformsskift som driver din förstöring.

Vad inspirerade utvecklingen av AI-nativ Master Data Management (MDM), och hur skiljer det sig från traditionella MDM-lösningar?

Utvecklingen av Tamr kom ur akademiskt arbete på MIT (Massachusetts Institute of Technology) kring entitetslösning. Under det akademiska ledarskapet av Turing Award-vinnaren Michael Stonebraker, var frågan som teamet undersökte “kan vi länka data poster över hundratusentals källor och miljontals poster”. På ytan är detta en oövervinnelig utmaning eftersom det blir fler poster och källor som varje möjlig matchning måste jämföras med. Datorvetare kallar detta ett “n-kvadratiskt problem” eftersom problemet ökar geometriskt med skalan.

Traditionella MDM-system försöker lösa detta problem med regler och stor mängd manuell datakurering. Regler fungerar inte eftersom du aldrig kan skriva tillräckligt med regler för att täcka varje hörnfall och hantering av tusentals regler är en teknisk omöjlighet. Manuell kurering är extremt dyrt eftersom det förlitar sig på människor för att försöka arbeta igenom miljontals möjliga poster och jämförelser. Tillsammans förklarar detta den dåliga marknadsacceptansen av traditionella MDM-lösningar (Master Data Management). Frankt sagt, så gillar ingen traditionell MDM.

Tamrs enkla idé var att träna en AI för att göra arbetet med källinmatning, postmatchning och värderesolution. Det stora med AI är att den inte äter, sover eller tar semester; den är också högt parallelliserbar, så den kan ta itu med enorma volymer av data och bearbeta den för att göra den bättre. Så, där MDM tidigare var omöjligt, är det nu möjligt att uppnå ren, konsoliderad och uppdaterad data (se ovan).

Vilka är de största utmaningarna som företag möter med sin datormanagement, och hur adresserar Tamr dessa problem?

Den första, och kanske den viktigaste utmaningen som företag möter i datormanagement, är att deras affärsanvändare inte använder de data de genererar. Eller sagt på ett annat sätt, om data team inte producerar högkvalitativa data som deras organisationer använder för att besvara analytiska frågor eller effektivisera affärsprocesser, så slösar de bort tid och pengar. En primär utdata från Tamr är en 360-sida för varje entitetspost (t.ex. kund, produkt, del, etc.) som kombinerar all underliggande första- och tredjepartsdata så att affärsanvändare kan se och ge feedback på data. Som en wiki för din entitetsdata. Denna 360-sida är också inmatningen till en konversationsgränssnitt som tillåter affärsanvändare att ställa och besvara frågor med data. Så, jobb ett är att ge användaren data.

Varför är det så svårt för företag att ge användare data de älskar? Eftersom det finns tre primära hårda problem som ligger under detta mål: att ladda en ny källa, matcha de nya posterna till den befintliga data, och fixa värdena/fälten i data. Tamr gör det enkelt att ladda nya datakällor eftersom dess AI automatiskt kartlägger nya fält till en definierad entitetsschema. Detta innebär att oavsett vad en ny datakälla kallar ett visst fält (exempel: cust_name) så kartläggs det till den rätta centrala definitionen av den entiteten (exempel: “kundnamn”). Den nästa utmaningen är att länka poster som är dubblett. Dubblett i detta sammanhang innebär att posterna faktiskt är samma verkliga världsentitet. Tamrs AI gör detta, och använder till och med externa tredjeparts källor som “sanning” för att lösa vanliga entiteter som företag och människor. Ett bra exempel på detta skulle vara att länka alla poster över många källor för en viktig kund som “Dell Computer”. Slutligen, för varje post, kan det finnas fält som är tomma eller felaktiga. Tamr kan interpolera de korrekta fältvärdena från interna och tredjeparts källor.

Kan du dela en framgångshistoria där Tamr avsevärt förbättrade ett företags datormanagement och affärsresultat?

CHG Healthcare är en stor aktör inom hälso- och sjukvårdspersonalbranschen, som kopplar samman kvalificerad hälso- och sjukvårdspersonal med anläggningar som behöver dem. Oavsett om det är tillfälliga läkare via Locums, sjuksköterskor med RNnetwork eller bredare lösningar via CHG själva, tillhandahåller de anpassade bemanningslösningar för att hjälpa hälso- och sjukvårdsanläggningar att fungera smidigt och ge kvalitetsvård till patienter.

Deras grundläggande värdeerbjudande är att koppla samman rätt hälso- och sjukvårdspersonal med rätt anläggning vid rätt tidpunkt. Deras utmaning var att de inte hade en korrekt och enhetlig vy över alla leverantörer i deras nätverk. Med tanke på deras skala (7,5 miljoner+ leverantörer), var det omöjligt att hålla deras data korrekt med hjälp av äldre, regelbaserade tillvägagångssätt utan att bryta banken på humana kuratorer. De kunde inte heller ignorera problemet, eftersom deras bemanningsbeslut berodde på det. Dålig data för dem kunde innebära att en leverantör får fler skift än de kan hantera, vilket leder till utbrändhet.

Med hjälp av Tamrs avancerade AI/ML-funktioner minskade CHG Healthcare antalet dubblettläkareposter med 45 % och eliminerade nästan helt den manuella datorkurering som utfördes av sällsynta data- och analysresurser. Och viktigast av allt, genom att ha en tillförlitlig och korrekt vy över leverantörer, kan CHG optimera bemanningen och ge en bättre kundupplevelse.

Vilka är de vanligaste missuppfattningarna om AI i datormanagement, och hur hjälper Tamr till att avskräcka dessa myter?

En vanlig missuppfattning är att AI måste vara “perfekt”, eller att regler och manuell kurering är perfekta i kontrast till AI. Verkligheten är att regler misslyckas hela tiden. Och, viktigare, när regler misslyckas, är den enda lösningen fler regler. Så, du har en ohanterlig röra av regler. Och manuell kurering är också ofullkomlig. Människor kan ha goda avsikter (även om inte alltid), men de är inte alltid rätt. Vad som är värre, är att vissa mänskliga kuratorer är bättre än andra, eller kan ta olika beslut än andra. AI, å andra sidan, är probabilistiskt till sin natur. Vi kan validera genom statistik hur exakt dessa tekniker är, och när vi gör det, finner vi att AI är mindre dyrt och mer exakt än någon annan alternativ.

Tamr kombinerar AI med mänsklig raffinering för dataexakthet. Kan du förklara hur denna kombination fungerar i praktiken?

Människor tillhandahåller något exceptionellt viktigt till AI – de tillhandahåller utbildningen. AI handlar verkligen om att skala upp mänskliga insatser. Vad Tamr letar efter hos människor är det lilla antalet exempel (“träningsetiketter”) som maskinen kan använda för att ställa in modellparametrarna. I praktiken ser detta ut som att människor tillbringar en liten mängd tid med data, ger Tamr exempel på fel och misstag i data, och AI kör dessa lektioner över hela datamängden. Dessutom, när ny data läggs till, eller data ändras, kan AI yta instanser där den kämpar för att fatta beslut med tillräcklig tillförlitlighet (“låg förtroendematchning”) och be om mänsklig inmatning. Denna inmatning, givetvis, går till att förbättra och uppdatera modellerna.

Vilken roll spelar stora språkmodeller (LLM) i Tamrs datakvalitets- och berikningsprocesser?

Först och främst är det viktigt att vara tydlig med vad LLM är bra på. Grundläggande är LLM om språk. De producerar textsträngar som betyder något, och de kan “förstå” betydelsen av text som ges till dem. Så, man kan säga att de är språkmaskiner. Så, för Tamr, där språk är viktigt, använder vi LLM. Ett uppenbart exempel är i vår konversationsgränssnitt som sitter ovanpå vår entitetsdata, som vi kallar vår virtuella CDO. När du pratar med din riktiga CDO, förstår de dig och svarar med språk som du förstår. Detta är exakt vad vi förväntar oss av en LLM, och det är exakt hur vi använder den i den delen av vår programvara. Vad som är värdefullt med Tamr i detta sammanhang är att vi använder entitetsdata som kontext för samtalet med vår vCDO. Det är som om din riktiga CDO har all din bästa företagsdata till hands när de svarar på dina frågor – skulle inte det vara bra!

I tillägg finns det tillfällen där vi vill använda en språkbaserad tolkning av indata för att hitta eller korrigera ett saknat värde. Till exempel, du kan fråga från texten “5mm kulbult” vad storleken på delen är, och en LLM (eller en person) skulle korrekt svara “5mm”.

Slutligen, underliggande LLM är inbäddningsmodeller som kodar språkmening till token (t.ex. ord). Dessa kan vara mycket användbara för att beräkna lingvistisk jämförelse. Så, medan “5” och “fem” inte delar några tecken, är de mycket nära i lingvistisk mening. Så, vi kan använda denna information för att länka poster tillsammans.

Hur ser du på framtiden för datormanagement, särskilt med framsteg inom AI och maskinlärning?

“Big Data”-eran i början av 2000-talet bör kommas ihåg som “Small Data”-eran. Medan en stor mängd data har skapats under de senaste 20+ åren, möjliggjord av kommodifiering av lagring och beräkning, har den största delen av data som haft en inverkan på företaget varit relativt småskalig – grundläggande försäljnings- och kundrapporter, marknadsanalys och andra datamängder som lätt kan avbildas i en instrumentpanel. Resultatet är att många av de verktyg och processer som används i datormanagement är optimerade för “små data”, vilket är varför regelbaserad logik, kompletterad med mänsklig kurering, fortfarande är så framträdande i datormanagement.

Sättet människor vill använda data på förändras fundamentalt med framsteg inom AI och maskinlärning. Idén om “AI-agenter” som kan utföra en betydande del av en persons jobb på egen hand fungerar bara om agenterna har de data de behöver. Om du förväntar dig att en AI-agent ska tjänstgöra på frontlinjen för kundsupport, men du har fem representationer av “Dell Computer” i ditt CRM och det är inte kopplat till produktinformation i ditt ERP, hur kan du förvänta dig att de ska leverera högkvalitativ service när någon från Dell kontaktar?

Implicationen av detta är att våra datamanagement-verktyg och -processer måste utvecklas för att hantera skala, vilket innebär att man måste omfamna AI och maskinlärning för att automatisera fler datarengöringsaktiviteter. Människor kommer fortfarande att spela en stor roll i att övervaka processen, men grundläggande måste vi be maskinerna att göra mer så att det inte bara är data i en enskild instrumentpanel som är korrekt och fullständig, utan det är den stora majoriteten av data i företaget.

Vilka är de största möjligheterna för företag idag när det gäller att utnyttja sina data mer effektivt?

Att öka antalet sätt som människor kan konsumera data. Det råder ingen tvekan om att förbättringar av datavisualiseringsverktyg har gjort data mycket mer tillgängliga inom hela företaget. Nu måste data- och analytikutvecklare leta efter sätt att leverera värde med data utöver instrumentpanelen. Gränssnitt som interna 360-sidor, kunskapsgrafer och konversationsassistenter möjliggörs av nya teknologier och ger potentiella datakonsumenter fler sätt att använda data i sin dagliga arbetsprocess. Det är särskilt kraftfullt när dessa är inbäddade i system som människor redan använder, såsom CRM och ERP. Det snabbaste sättet att skapa mer värde från data är att ta data till de människor som kan använda den.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Tamr.