Jeremy Burton, VD för Observe – Intervjuserie

Jeremy Burton, VD för Observe, är en erfaren företagsprogramvaruexekutiv med över 20 års ledningserfarenhet inom stora teknikföretag, inklusive Dell Technologies (DELL ), EMC, Oracle (ORCL ) och VERITAS. Han har lett globala team inom produktutveckling, marknadsföring och strategisk M&A, byggt och skalat företag inom lagring, säkerhet och SaaS. Burton var också med och grundade Oracle Technology Network, som växte till miljontals medlemmar över hela världen, och sitter för närvarande i styrelsen för Snowflake och som rådgivare till McLarens Formel 1-lag.

Observe, med säte i San Mateo, Kalifornien, är en nästa generations SaaS-övervakningsplattform som hjälper SRE, DevOps och ingenjörsteam att undersöka och optimera moderna distribuerade system. Byggt på Snowflakes datainfrastruktur, förenar det loggar, mått och spår i en enda, kontextberikad datamängd, vilket gör att team kan accelerera incidenthantering, identifiera rotorsaker och förbättra tillförlitlighet över komplexa molnmiljöer.

Du har haft seniora ledningsroller på globala jättar som Dell, EMC och Oracle, och nu leder du ett startup-företag med Observe. Vad motiverade dig att lämna stabilitet och skala för att ta steget in i att bygga något från grunden?

Jag har varit lyckosam i min karriär att arbeta för några fantastiska ledare, inklusive Larry Ellison och Michael Dell. Jag arbetade med dem 20 eller 30 år in i deras ämbetsperiod, men det som gör dem remarkabla är att de var där från början. De fattade de tidiga produktbesluten, etablerade rutterna till marknaden och satte en kultur för långsiktig framgång. Min roll var att tillhandahålla inkrementella förbättringar ovanpå de decennier av hårt arbete de redan hade gjort. Till slut nådde jag en punkt i min karriär där jag ville bevisa för mig själv att jag också kunde bygga ett företag, ta en produkt till marknadsanpassning, etablera en försäljningsrörelse och skapa en kultur som jag trodde kunde blomstra på lång sikt.

Observe positionerar sig som en ny kategori inom övervakning, som integrerar loggar, analyser och övervakning i en enda, enhetlig plattform. Hur ser du att detta tillvägagångssätt omdefinierar utrymmet jämfört med etablerade aktörer som Splunk och Datadog (DDOG )?

Det stora problemet som de etablerade verktygen står inför är att de inte är byggda för skala. I samtal med kunder har vi sett gång på gång att Splunk och Datadog blir kostnadskrävande när volymen av telemetri växer, och det är i grunden ett problem med hur de etablerade verktygen var arkitekterade.

Observe skiljer sig från detta genom att vår plattform är byggd på en strömmande data sjöarkitektur med öppna format som Apache Iceberg. Det betyder att vi kan koppla loss beräkning från lagring, skala elastiskt och leverera övervakning till en bråkdel av kostnaden för traditionella system. Konkurrenter som Splunk förlitar sig fortfarande på monolitiska arkitekturer som kräver planering för toppkapacitet – och även nyare verktyg som Datadog kräver data nivåindelning, återfuktning och omindexering för att hålla kostnaderna under kontroll.

Vi fokuserar också på en enhetlig övervakningsupplevelse. Loggar, mått, spår och händelser lever alla på en plats, med ett enda frågespråk och en kunskapsgraf som automatiskt kartlägger relationer mellan tjänster, användare och incidenter. Det är den kontext som gör felsökning snabbare. I kontrast har Splunk och Datadog separata bakändar för loggar, mått och spår, vilket leder till långsammare analyser.

Slutligen har vi investerat kraftigt i AI-driven felsökning. Vår O11y AI SRE kan ta naturligt språkinput, generera hypoteser och guida ingenjörer genom incidentlösning, inte bara varna dem. Och det är byggt för att utnyttja vår kunskapsgraf, som tillhandahåller den nödvändiga kontexten för korrekt felsökning. Det är ett steg bortom de anomalidetekterings- eller varningssystem som de flesta konkurrenter erbjuder idag.

För att sammanfatta: vi är kostnadseffektiva, vi är enhetliga och vi är öppna. De tre egenskaperna är vad kunderna konsekvent berättar för oss som skiljer Observe från etablerade aktörer som Splunk och nyare aktörer som Datadog.

Du har övervakat multi-miljarddollarverksamheter och nu driver du ett startup-företag. Vilka lärdomar om effektivitet, smidighet eller innovation från stora företag för över – och vilka lärdomar gör det inte?

Det är kontraintuitivt, men framgångsrika stora företag gör ett fåtal saker riktigt bra, och de förstår varje detalj. De som kämpar gör för mycket, och allt degenererar till medelmåttighet.

I ett startup-företag fokuserar du på en sak i taget och besatt av varje detalj. Det finns inte tillräckligt med finansiering för att göra mer än så. Som ett resultat av detta är det som gör startup-företag så intensiva att du kan bokstavligen gå ur affärer om du inte löser saker tillräckligt snabbt. Därför måste du fatta beslut snabbare, släppa snabbare, misslyckas snabbare och lära dig snabbare. Utöver allt detta måste du göra allt detta med färre människor.

Likväl är den mest befriande aspekten av ett startup-företag att du inte har en etablerad produkt, affärsmodell eller rutt till marknaden. Det betyder att det finns frihet att göra nya antaganden om alla dessa saker. Det är inte fallet i ett stort företag. Till exempel kan du inte bryta affärsmodellen med en ny disruptiv produkt. Även om du tekniskt sett kunde bygga den, så skulle CFO och Wall Street inte låta dig maximera dess potential. Det är därför startup-företag vinner ganska ofta, även när de i teorin borde ha ingen chans.

Du har också varit styrelseledamot i Snowflake i nästan ett decennium. Vad har du lärt dig av Snowflakes resa som informerar din strategi på Observe?

Snowflake angrep ett åldersgamalt problem med en ny arkitektur. De byggde sin teknik på en enkel men kraftfull idé och störde en massiv marknad som var fast i legacy-aktörer. Det finns ett par lärdomar här: spela i marknader som är massiva, och du kan bygga ett massivt företag. Dessutom måste du ha en radikalt annorlunda tillvägagångssätt än de etablerade aktörerna, så att kunden kan se stora fördelar med att flytta.

Övervakningsmarknaden vi angriper är massiv, 30 miljarder dollar och växer. Vi har löst övervakningsproblemet på ett mycket unikt sätt: med en data sjögrund, elastisk beräkning och öppna format. Det lovar att ge kunderna en ordning av storleksförbättring i både felsökningshastighet och total kostnad.

Du har varit djupt involverad i produktutveckling, marknadsföring och stor skala M&A. Hur påverkar den breda bakgrunden sättet du prioriterar tillväxtstrategier på Observe?

I de tidiga dagarna av ett startup-företag är det ganska enkelt: du bygger en bra produkt och försöker sälja den. Det är tillväxtstrategin. Det sagt, min karriär är ganska fördomsfull mot företagsprogramvara och löser komplexa problem för stora företag, så det är kanske inte förvånande att Observe fokuserar rakt på det!

Baserat på min erfarenhet tror jag att för att bygga ett stort övervakningsföretag måste du lösa problemet för världens största företag. Det handlar om problemet med petabyte data, tusentals användare och tusentals applikationer. Det finns många övervakningsföretag, men mycket få kan vinna i den miljön, och jag ser till att Observe kan.

Övervakning har blivit kritiskt viktigt när moderna distribuerade applikationer växer mer komplexa. Var ser du de största utmaningarna och möjligheterna för företag under de kommande 3-5 åren?

Den största utmaningen idag är skala. Kubernetes, mikrotjänster och nu AI-arbetsbelastningar producerar datavolymer som överväldigar traditionella verktyg. Tillförlitligheten för dessa verktyg sjunker när kostnaden skjuter i höjden, och det är helt enkelt inte hållbart; en ny arkitektur behövs.

För att göra saken värre kommer vi under de kommande åren att se mer kod skriven, assisterad av AI-kodningsverktyg, än vid någon tidigare tidpunkt i historien. Den koden kommer inte att vara perfekt, och vid någon punkt kommer den att misslyckas. Området för tillväxt ligger i att fråga sig: hur felsöker du kod som ingen skrev? Eller, medan kod-genereringsverktyg kan titta på kod och fixa buggar, kan de verkligen titta på hur applikationen beter sig i produktion och hitta den problematiska koden? Det är en massiv möjlighet för övervakningsleverantörer i framtiden.

Många team kämpar med verktygsspridning, med användning av separata system för loggar, mått och spår. Hur hjälper Observe till att förenkla den upplevelsen för ingenjörer och DevOps-team i praktiken?

I stället för att hantera tre eller fyra verktyg ger Observe kunderna en enda plattform att använda. Ett företags loggar, mått, spår och varningar lever alla i samma system och är bundna samman av en kunskapsgraf. Kunskapsgrafen tillhandahåller kontext som tillåter användare att borra och vända sig smidigt över loggar, mått och spår för att accelerera felsökning. Det minskar den tid de måste tillbringa med att hoppa från plattform till plattform, och låter dem i stället avslöja ett problem utan dataexporter eller kontextväxling.

Kan du dela en konkret exempel på hur Observe har hjälpt en kund att lösa ett stort problem – något som skulle ha varit svårt eller omöjligt med traditionella övervakningsverktyg?

Capital One använder Observe för att visa statusen för kritiska kundresor genom att korrelera och berika telemetridata med relevant affärs kontext. De tar in hundratals terabyte telemetri per dag, inklusive loggar, mått, spår, ändringsposter, VPC-flödesloggar och AWS-konfigurationsdata. Observe tillhandahåller Capital One med en enhetlig plattform för änd-till-änd-övervakning, så att utvecklare och SRE kan utföra interaktiv incidenthantering och felsökning.

Vilken roll spelar maskinlärning eller AI bakom kulisserna på Observe, och hur hjälper det kunder att yta insikter snabbare eller automatiskt upptäcka problem?

Maskinlärning har en tvetydig historia inom övervakning, eftersom företagsmiljöer är inneboende bullriga, och det är mycket svårt att producera en modell som inte resulterar i tusentals anomalier. Generativ AI är en mycket annorlunda teknik och kommer att ha en mycket mer djupgående inverkan.

Vi tror att AI kommer att förändra sättet ingenjörer interagerar med övervakningsverktyg. Först och främst kommer de att kunna prata direkt med sin övervakningsdata i naturligt språk medan de sitter i sin IDE, hälften av våra användare i framtiden kanske aldrig loggar in eller lär sig Observe! För det andra kommer AI-agenter att finnas under “fredstid” för att skanna telemetri och leta efter potentiella problem som kan resultera i en incident. AI-agenter blir inte trötta eller uttråkade och kan utföra arbete som människor enkelt inte kan göra. Slutligen, under “krigstid”, kommer AI-agenter att assistera ingenjörer och SRE med den kurs de ska ta för att lösa problemet.

Din Formel 1-inspirerade ledarskapsstil betonar mental styrka och lärande från misstag. Hur har den perspektivet format din tillvägagångssätt för att bygga Observe och leda teamet genom både vinster och utmaningar?

Success i F1 är född med hjälp av data för att vägleda framtida beslut, både för föraren och bilen. När en F1-bil når slutet av säsongen har 90% av delarna bytts ut, och den är 2 sekunder snabbare runt banan.

På Observe måste vi ha samma mindset för att lyckas. Vi släpper, vi mäter, vi lyssnar, vi anpassar oss snabbt. Jag skulle tro att 90% av vår produkt är annorlunda idag än för bara ett par år sedan. Detta tillvägagångssätt kräver mycket disciplin och mycket ödmjukhet, det är inte lätt att höra dåliga nyheter om och om igen. Men om du agerar tillräckligt på dåliga nyheter, förvandlas de långsamt till goda nyheter, och ARR accelererar. Det är inte magi, det är logik!

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Observe.