Onur Alp Soner, VD och medgrundare av Countly – Intervjuserie

Onur Alp Soner är medgrundare och VD för Countly, en digital analys- och engagemangsplattform. Som teknolog och entreprenör byggde han Countly från grunden för att ge företag mer kontroll över hur de förstår och interagerar med sina användare. Under hans ledning har Countly växt till en pålitlig plattform för företag över hela världen som vill innovativa snabbt samtidigt som de håller användarprivateten i centrum för sina tillväxtstrategier

Ta oss tillbaka till ögonblicket som ledde till att du grundade Countly — vad var du personligen med om med befintliga analysverktyg som övertygade dig om att dataägandemodellen var fundamentalt trasig?

För cirka 13 år sedan, när mobilappar började ta fart, följde de tillgängliga analysverktygen en mycket specifik modell. Många av dem var gratis eller relativt billiga, men motprestationen var att plattformen samlade in och monterade din data, ofta för att mata dem in i annons ekosystem. På den tiden accepterades detta allmänt som det normala sättet att arbeta.

Det stämde dock inte överens med oss. Även som ett litet företag kändes det inte rätt att lämna över all vår användardata bara för att förstå hur vår produkt fungerade.

Countly startade som en reaktion mot detta. Vi ville bygga analys som företag kunde äga och kontrollera fullständigt, vilket är varför vi lanserade det som en öppen källkods-, självvärd plattform. Idén var enkel: organisationer borde kunna förstå och agera på sin data utan att ge bort den. Det principen ligger fortfarande till grund för Countly idag.

Sedan du grundade Countly har AI förskjutit dataägande från en nischfråga till en strategisk krav. När blev det klart för dig att denna princip skulle ha betydelse långt bortom analys?

I de tidiga åren var de flesta samtal om dataägande inramade av sekretess eller regelefterlevnad. Det var främst banker, hälsovårdspersonal och regeringar som brydde sig djupt om var deras data bodde och vem kontrollerade den. För många andra sågs analys fortfarande som ett enkelt rapporteringsverktyg, så ägandefrågan kändes inte brådskande.

Den perspektiven började förändras när företag började förlita sig mer på data för att driva sina produkter, inte bara mäta dem. När analys flyttade från rapportering till beslutsfattande, personanpassning, produktändringar och kundengagemang blev vikten av att kontrollera den datan mycket tydligare. Varje digitalt företag, från mobilitet till gästfrihet, tävlade effektivt om data, inte bara om deras front-end-upplevelse.

AI har accelererat den insikten dramatiskt. Du kan licensiera eller bygga en AI-modell, men du kan inte köpa den beteendemässiga data som speglar hur dina egna kunder interagerar med din produkt. Den datan är unik för varje organisation.

Många organisationer tror att de är “AI-klara” eftersom de har stora mängder data. Vad saknas vanligtvis under ytan i verkliga företag?

Brist på data är vanligtvis inte problemet. Det verkliga problemet är bristen på användbar data. Många organisationer har enorma mängder information, men den är fragmenterad över olika verktyg, team och system. Till exempel kan marknadsföring ha en dataset, produkt en annan och teknik sin egen telemetri, ofta lagrad i olika format med lite gemensam struktur.

För att AI ska vara användbart måste datan underliggande vara ren, konsekvent och kontextuell. Det räcker inte att samla in händelser eller loggar; du måste förstå vad de signalerna faktiskt representerar. Utan den semantiska lagern är AI-system i princip gissningar.

En annan fråga är ägande. En förvånansvärt stor mängd företag kontrollerar inte ens sin egen data eftersom den sitter i tredjepartsplattformar. Det gör det svårt att kombinera dataset, styra hur de används eller säkert applicera AI-modeller på dem.

Så när företag säger att de är AI-klara eftersom de har mycket data är den verkliga frågan om de har en sammanhängande datagrund.

Varför skapar första partsdata en varaktig konkurrensfördel i AI-system medan modellerna i sig blir alltmer utbytbara?

Det som skapar en varaktig fördel är inte modellen i sig, utan förståelsen av användare som kommer från första partsdata. Den datan speglar hur människor faktiskt interagerar med din produkt, och den är unik för varje organisation. Modeller, å andra sidan, blir alltmer en handelsvara. Du kan licensiera dem, finjustera dem eller byta mellan leverantörer relativt enkelt. Det du inte kan reproducera är den beteendemässiga data som genereras av dina egna användare som interagerar med dina produkter över tid.

Den datan fångar mönster, kontext och signaler som speglar hur kunder faktiskt beter sig. När den är strukturerad och förstådd korrekt tillåter den företag att bygga system som lär sig kontinuerligt från verklig användning snarare än generiska dataset.

Var bryter moderna analysstackar tyst ner när de återanvänds för AI-system snarare än rapportering, instrumentpaneler och KPI:er?

De tenderar att bryta ner vid den punkt där data behöver flytta från observation till handling. Traditionella analysstackar var utformade främst för rapportering. De samlar in och aggregerar data, sedan presenterar de den i instrumentpaneler som hjälper team att förstå vad som hände igår eller förra veckan.

AI-system, å andra sidan, fungerar mycket annorlunda. De kräver data som är strukturerad, kontextuell och tillgänglig i realtid så att den kan direkt påverka hur ett system beter sig. När analyspipeliner byggs kring batchbearbetning och försenad rapportering kämpar de för att stödja system som behöver reagera omedelbart.

Hur visar sig bristen på verkligt dataägande operationellt när team försöker flytta AI från experiment till produktion?

Det visas vanligtvis som ett kontrollproblem. Om du inte har kontroll över din data har du inte kontroll över din AI. Detta blir särskilt tydligt när team flyttar från experiment till produktion. Under experiment kan team ofta arbeta med små dataset eller tillfälliga pipelines, men produktionsystem kräver konsekvent tillgång till tillförlitlig data över hela organisationen.

Sedan, i många företag, borde den underliggande datan bo över olika tredjepartsplattformar, som analysverktyg, marknadsföringssystem eller molntjänster. Det gör det svårt att kombinera dataset, tillämpa styrningsregler eller flytta data mellan system på ett kontrollerat sätt. Det är en av anledningarna till att många AI-projekt förblir fast i pilotfasen. Utan strukturerad, organisationsomfattande data blir det svårt att distribuera AI tillförlitligt i produktion.

Det gör det också svårare att spåra hur en modell nådde ett beslut eller att återskapa den exakta datastaten bakom det. Utan den nivån av kontroll blir det extremt svårt att korrigera fel eller rulla tillbaka beslut.

Varför undergräver dålig datastruktur, semantik och kontext även de mest kapabla AI-modellerna?

Även de mest kapabla AI-modellerna är bara så bra som den data de tar emot. Om den underliggande datan är dåligt strukturerad eller saknar kontext har modellen mycket lite förståelse för vad de signalerna faktiskt representerar.

I många system samlas data in som isolerade händelser eller loggar utan en tydlig betydelse fäst vid dem. En modell kan se tusentals interaktioner, men utan ordentlig struktur och semantik kan den inte skilja mellan vad som är viktigt och vad som bara är brus.

Kontext är lika viktigt. AI-system behöver förstå hur olika delar av data relaterar till varandra över tid. Utan den kontexten kan modeller fortfarande producera utdata, men de är ofta otillförlitliga eftersom systemet arbetar med ofullständig information.

Vilka varningstecken indikerar att ett företag är på väg mot generiska AI-resultat långt innan dessa upplevelser känns generiska för kunderna?

Det mest grundläggande varningstecknet är när företag förlitar sig på samma externa AI-modeller och verktyg men gör mycket lite för att utveckla sin egen datagrund. Om organisationer använder samma modeller men inte matar dem med sin egen användar- och kontextuell data arbetar systemen i princip med samma generiska indata. I den situationen kan AI bara producera högnivå- eller generiska resultat. Med tiden leder detta till produkter som känns alltmer lika eftersom intelligensen bakom dem byggs på samma begränsade information.

En annan varningssignal är när organisationer fokuserar kraftigt på att anta AI-modeller men lägger liten vikt vid datans struktur och kvalitet. AI förstärker vad den får. Om den underliggande datan är rörig, fragmenterad eller dåligt strukturerad kommer systemet att producera en mer sofistikerad version av samma problem.

För organisationer som försöker bygga AI på toppen av sin egen data, vad möjliggör Countly egentligen som traditionella analys- och dataplattformar inte gör?

Den viktigaste skillnaden är hur kontroll är byggt in i plattformen. I många analysprodukter är dataägande något som visas som ett alternativ eller en funktion. Med Countly sitter det i plattformens kärna. Plattformen var utformad så att organisationer inte behöver handla kontroll över sin data för avancerad funktionalitet.

I praktiken betyder detta att företag kan köra Countly i sin egen miljö, upprätthålla full kontroll över sin datastack och fortfarande komma åt analys-, engagemangs- och automationsfunktioner i stor skala. Detta blir särskilt viktigt när organisationer vill bygga AI på toppen av sin egen data. Många traditionella analysverktyg är byggda främst för rapportering, vilket betyder att den data de samlar in ofta stannar kvar i tredjepartsinstrumentpaneler istället för att bli en användbar grund för andra system. Countly tar en annan approach genom att behandla analys som en del av den underliggande datainfrastrukturen.

När AI-system blir inbäddade i daglig beslutsfattning, hur bör definitionen av etisk AI utvecklas när dataägande behandlas som en kärndesignprincip snarare än en policyruta?

När dataägande blir en designprincip är etisk AI inte längre om att granska modeller efteråt – det handlar om att konstruera system där användare behåller kontrollen över den data som tränar dem. Etik blir infrastruktur.

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