Leighton Welch, CTO och medgrundare av Tracer – Intervjuserie

Leighton Welch är CTO och medgrundare av Tracer. Tracer är ett AI-drivet verktyg som organiserar, hanterar och visualiserar komplexa datamängder för att driva snabbare och mer handlingskraftig affärsintelligens. Innan han blev teknisk chef på Tracer var Leighton chef för konsumentinsikter på SocialCode och vice VD för teknik på VaynerMedia. Han har tillbringat sin karriär med att bana väg inom ad-tech-ekosystemet, kört den första Snapchat-annonsen och konsulterat om kommersiella API:er för världens största plattformar. Leighton utexaminerades från Harvard 2013 med en examen i datavetenskap och ekonomi.

Kan du berätta mer om din bakgrund och hur dina erfarenheter på Harvard, SocialCode och VaynerMedia inspirerade dig att medgrundat Tracer?

Den ursprungliga idén kom för ett decennium sedan. En barndomsvän till mig ringde mig en fredagskväll. Han hade problem med att samla in data från olika sociala plattformar för en av sina kunder. Han trodde att detta kunde automatiseras, så han bad om min hjälp eftersom jag hade en bakgrund inom programvaruteknik. Det var så jag först blev bekant med min nuvarande medgrundare, Jeff Nicholson.

Detta var vår ljusbulb-moment: Mängden pengar som spenderades på dessa kampanjer överträffade kvaliteten på programvaran som spårade dessa pengar. Det var en ny marknad med många tillämpningar inom datavetenskap.

Vi fortsatte att bygga analysprogramvara som kunde möta behoven hos allt större och mer komplexa mediekampanjer. När vi arbetade med problemet utvecklade vi en process – tydliga steg från att få in och kontextualisera disparata data. Vi insåg att processen vi byggde kunde tillämpas på alla datamängder – inte bara reklam – och det är vad Tracer är idag: ett AI-drivet verktyg som organiserar, hanterar och visualiserar komplexa datamängder för att driva snabbare och mer handlingskraftig affärsintelligens.

Vi hjälper till att demokratisera vad det innebär att vara ett “data-drivet” företag genom att automatisera stegen som behövs för att mata in, ansluta och organisera disparata datamängder över funktioner, och tillhandahålla kraftfull affärsintelligens genom intuitiv rapportering och visualisering. Detta kan innebära att ansluta försäljningsdata till din marknadsförings-CRM, HR-analyser till försäljningstrender och många fler tillämpningar.

Kan du förklara hur Tracers plattform automatiserar analys och revolutionerar den moderna datastacken för sina kunder?

För enkelhetens skull, låt oss definiera analys som att besvara ett affärsrelaterat fråga genom programvara. I dagens landskap finns det två tillvägagångssätt.

• Det första är att köpa vertikal programvara. För CFO:er kan detta vara Netsuite. För CRO:er kan detta vara Salesforce . Vertikal programvara är bra eftersom det är komplett, det kan vara hyper-specialiserat och ska fungera direkt ur lådan. Begränsningen med vertikal programvara är att det är vertikalt: om du vill att Netsuite ska prata med Salesforce är du tillbaka på ruta ett. Vertikal programvara är komplett, men det är inte flexibelt.
• Det andra tillvägagångssättet är att köpa horisontell programvara. Detta kan vara en programvara för datainmatning, en annan för lagring och en tredje för analys. Horisontell programvara är bra eftersom den kan hantera nästan allt. Du kunde certainly mata in, lagra och analysera både dina Salesforce- och Netsuite-data genom denna pipeline. Begränsningen är att den måste sättas samman, underhållas och ingenting fungerar “ur lådan”. Horisontell programvara är flexibel, men det är inte komplett.

Vi erbjuder ett tredje tillvägagångssätt genom att skapa en plattform som kombinerar de teknologier som behövs för att rapportera om allt, och som är tillräckligt lätt att använda för att fungera direkt ur lådan utan några tekniska resurser eller teknisk overhead. Det är flexibelt och komplett. Tracer är den kraftfullaste plattformen på marknaden som är både applikationsagnostisk och komplett.

Tracer bearbetade ungefär 10 petabyte data förra månaden. Hur hanterar Tracer en sådan stor mängd data effektivt?

Skalbarhet är otroligt viktigt i vår värld, och det har alltid varit en prioritet på Tracer, även i början. För att bearbeta denna mängd data använder vi oss av många bästa teknologier och undviker att uppfinna hjulet om vi inte behöver det. Vi är otroligt stolta över den infrastruktur vi har byggt, men vi är också ganska öppna med det. Faktum är att vårt arkitekturprogram är utlagt på vår webbplats.

Vad vi säger till partners är detta: Det är inte så att era in-house ingenjörsteam inte är kapabla att bygga vad vi har byggt; snarare, de borde inte behöva. Vi har samlat ihop bitarna av den moderna datastacken åt er. Ramverket är effektivt, slagkraftigt och modulärt för att vi dynamiskt ska kunna utvecklas med landskapet.

Många partners kommer till oss för att frigöra ingenjörsresurser för att fokusera på större strategiska initiativ. De använder Tracers arkitektur som ett medel till ett mål. Att ha en databas svarar inte på affärsrelaterade frågor. Att ha en ETL-pipeline svarar inte på affärsrelaterade frågor. Det som verkligen spelar roll är vad du kan göra med den infrastrukturen när den väl är på plats. Det är därför vi byggde Tracer – vi är er genväg till att få svar.

Varför tror du att strukturerad data är kritisk för AI, och vilka fördelar ger den jämfört med ostrukturerad data?

Strukturerad data är kritisk för AI eftersom den tillåter manuell mänsklig interaktion, som vi tror är en väsentlig komponent för effektiva utdata. Det som sagts, i dagens ekosystem är vi faktiskt bättre utrustade än någonsin tidigare för att utnyttja insikterna i ostrukturerad data och tidigare svårtillgängliga format (dokument, bilder, videor etc.).

Så för oss handlar det om att tillhandahålla en plattform genom vilken ytterligare kontext kan inkorporeras från de personer som är mest bekanta med de underliggande datamängderna när datan väl har gjorts tillgänglig. Med andra ord handlar det om ostrukturerad data → strukturerad data → Tracers kontextmotor → AI-drivna utdata. Vi sitter emellan och tillåter en mer effektiv återkopplingsloop, och för manuell ingripande där det behövs.

Vilka utmaningar står företag inför när det gäller ostrukturerad data, och hur hjälper Tracer till att övervinna dessa utmaningar för att förbättra datakvaliteten?

Utan en plattform som Tracer är utmaningen med ostrukturerad data allt om kontroll. Du matar in data i modellen, modellen spottar ut svar, och du har mycket liten möjlighet att optimera vad som händer inuti den svarta lådan.

Säg till exempel att du vill bestämma den mest effektiva innehållet i en mediekampanj. Tracer kan använda AI för att hjälpa till att tillhandahålla metadata för allt innehåll som kördes i annonsen. Det kan också använda AI för att tillhandahålla sista milens analyser för att gå från en högt strukturerad datamängd till det svaret.

Men däremellan tillåter vår plattform användare att rita anslutningarna mellan mediadata och datamängden där resultaten bor, mer detaljerat definiera “effektivt” och rensa upp kategoriseringarna gjorda av AI. I princip har vi abstraherat och produkterat stegen för att ta bort den svarta lådan. Utan AI finns det mycket mer arbete som måste göras av människan i Tracer. Men utan Tracer kan AI inte komma till samma kvalitet på svaret.

Vilka är några av de viktigaste AI-baserade teknologierna som Tracer använder för att förbättra sin dataintelligensplattform?

Du kan tänka på Tracer över tre kärnproduktkategorier: Källor, Innehåll och Utdata.

• Källor är ett verktyg som används för att automatisera inmatning, övervakning och kvalitetskontroll av disparata data.
• Kontext är ett dra-och-släpp-sematiskt lager för organisationen av data efter att den har matats in.
• Utdata är där du kan besvara affärsrelaterade frågor på toppen av kontextualiserad data.

På Tracer ser vi inte AI som en ersättning för någon av dessa steg; snarare ser vi AI som en annan form av teknik som alla tre kategorierna kan utnyttja för att expandera vad som kan automatiseras.

Till exempel:

• Källor: Utnyttja AI för att hjälpa till att bygga nya API-anslutningar till långsvansdatakällor som inte är tillgängliga via vår partnerkatalog.
• Kontext: Utnyttja AI för att rensa upp metadata före att köra tagregler. Till exempel, rensa upp variationer av publiceringsnamn på alla språk.
• Utdata: Utnyttja AI som en drop-in-ersättning för instrumentpaneler där affärsfallet är utforskande, snarare än en fast uppsättning KPI:er som måste rapporteras om upprepade gånger.
• AI låter oss uppnå dessa typer av tillämpningar på sätt som är både enkla och tillgängliga.

Vilka är Tracers planer för framtida utveckling och innovation inom dataintelligensområdet?

Tracer är en aggregatör av aggregatörer. Våra partners kommer att lita på oss för specifika tillämpningar inom team och funktioner, eller för användning i tvärfunktionell affärsintelligens. Skönheten i Tracer är att oavsett om du använder oss för att fatta bättre beslut med dina medieutgifter och kreativitet, eller bygga instrumentpaneler för att länka disparata mått från leverantörskedja till försäljning och allt däremellan, är byggstenarna konsekventa.

Vi ser organisationer som tidigare förlitade sig på oss inom ett område (t.ex. media och marknadsföring) expandera tillämpningar till andra delar av företaget. Så där våra primära kunder tidigare var seniora mediechefer eller byråpartners, arbetar vi idag över hela organisationen, i partnerskap med CIO:er, CTO:er, dataexperter och affärsanalytiker. Vi fortsätter att bygga ut våra verktyg för att tillgodose allt fler tillämpningar och roller, samtidigt som vi säkerställer att kärntekniken är skalbar, flexibel och tillgänglig för icke-tekniska användare.

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