Shadi Rostami, SVP för teknik på Amplitude – Intervjuer

Shadi är SVP för teknik på den digitala analysledaren Amplitude. Hon är en passionerad och erfaren teknisk ledare och arkitekt med erfarenhet av att bygga och leda högpresterande teknikteam. Innan Amplitude var hon VP för teknik på Palo Alto Networks (PANW ). Hon har innovativt och levererat flera produktlinjer och tjänster som specialiserat sig på distribuerade system, molnberäkning, stora data, maskinlärning och säkerhet.

Amplitude är byggt på modern maskinlärning och generativ AI-teknik som möjliggör för produktteam att bygga smartare, lära sig snabbare och skapa de bästa digitala upplevelserna för sina kunder.

Vad var det som initialt drog dig till datavetenskap och teknik?

Jag växte upp i Iran och följde ursprungligen en gymnasieväg som skulle möjliggöra en karriär inom medicin, vilket var den väg min far ville att jag skulle följa och den som min bror gjorde. Efter ungefär ett och ett halvt år bestämde jag mig för att det inte var rätt väg för mig. Istället följde jag teknik och blev den första tjejen i Iran som gick till Informatic Olympiad (IOI) och vann bronsmedaljen, en årlig tävling för gymnasieelever runt om i världen som tävlar i matematik, fysik, informatik och kemi. Det ledde mig till att följa teknik vid Sharif University of Technology i Iran och senare få min doktorsexamen i datateknik vid University of British Columbia i Kanada. Efter det arbetade jag för startups i några år och tillbringade sedan ett decennium på Palo Alto Networks, där jag slutligen blev VP med ansvar för utveckling, QA, DevOps och data science. För fem år sedan flyttade jag till Amplitude som SVP för teknik.

Kan du diskutera Amplitudes kärnfilosofi om AI, som säger att AI ska hjälpa människor att förbättra sitt arbete snarare än att ersätta dem?

AI förvandlar snabbt nästan varje bransch, och med förvandlingen kommer frågor om hur företag kommer att använda tekniken. Vi känner starkt för att göra AI rätt. Denna övertygelse ledde oss till att utveckla vår kundcentrerade AI-filosofi, som vilar på fem huvudsakliga principer: (1) samarbetsutveckling och tankepartnerskap, (2) datagovernans och användardataskydd, (3) transparens, (4) sekretess, säkerhet och regelefterlevnad, och (5) kundval och kontroll. Vi vet att dessa principer är nyckeln när företag fortsätter att anta och testa AI och slutligen blir riktigt datastyrd. För våra syften innebär detta att bygga AI-verktyg som hjälper människor att komma till insikter snabbare. När de används på rätt sätt leder dessa insikter till snabbare, bättre beslut som driver resultat. Att använda AI som ett verktyg för att komplettera mänsklig intelligens och kreativitet är där jag ser att AI har sin största påverkan.

Kan du förklara begreppet “data-demokrati” i sammanhanget med dagens AI-styrda affärsmiljö?

“Data-demokrati drivs av kunskapen om att team fungerar bättre, snabbare och mer effektivt när de kan komma åt rätt datainsikter vid rätt tidpunkt. I dagens snabbt framskridande AI-styrda miljö kan team inte längre vänta dagar eller veckor på datahämtningar. För att mildra detta måste företag ge sina team möjlighet att utnyttja data på ett självbetjäningsvis. Nu innebär detta inte datakaos utan parametrar. I slutändan leder dålig data till dålig AI. Men med rätt verktyg och processer på plats kan företag balansera data-demokratisering med data-governans, vilket möjliggör bättre affärsresultat.”

Vilka nyckeländringar i organisationskulturen tror du är avgörande för att möjliggöra sann data-demokrati i AI-eran?

Att etablera sann data-demokrati inom din organisation börjar med två grundläggande kulturella förändringar: att tillhandahålla rätt, mest tillgängliga verktyg och att genomföra organisationsomfattande insatser kring data-litteracitet. Detta innebär att anta självbetjäningsverktyg som tillåter icke-tekniska teammedlemmar, såsom marknads- eller kundtjänstteam, att inte bara komma åt data utan också analysera och vidta åtgärder baserat på den. Jag tror att självbetjäningsdataanalys kan och bör driva samarbete över team, inspirera nyfikenhet och utforskning, skala data-litteracitet och ha en förkärlek till åtgärd och påverkan. Det är också viktigt att lägga gemensamma ansträngningar mellan det centrala datateamet och linjeaffärs-team för att kontinuerligt genomföra data-governans för att säkerställa att datakvaliteten inte försämras över tid.

I din erfarenhet, vad är de mest betydande utmaningarna som organisationer står inför när de försöker uppnå data-demokratisering, och hur kan de övervinna dessa hinder?

I det förflutna har företag försökt centralisera data inom ett team av experter, vilket lämnar resten av organisationen beroende av detta team för att leverera analys och nyckelinsikter som kan vara avgörande för deras dagliga verksamhet och beslutsfattande. Medan det är viktigt att demokratisera dataåtkomst kan det också vara utmanande. När jag talar med dataledare om att operationalisera självbetjäning är det tydligt att det finns ett spektrum. I ena änden har du lågkonfigurationsverktyg för icke-tekniska och linjeaffärsteam. Slutligen ger dessa verktyg inte den djup och bredd av svar som dessa team behöver. I andra änden har du mer tekniska verktyg för mer tekniska team. De är mycket mer flexibla i termer av analys, men de är långsamma, och troligen kan mycket få människor ens använda dem. Vi kallar dessa verktyg för att skapa en “data-brödlinje” … du väntar alltid på svar. Team behöver en lösning mitt emellan. Tänk utanför boxen-lösningar som uppmuntrar, inte hämmar, utforskning och experiment. Med rätt verktyg och teamutbildning kan företag mer lätt brottas data-demokratiseringsgapet.

Hur viktigt är data-litteracitet i processen att demokratisera data, och vilka steg bör företag ta för att förbättra den bland sina anställda?

Att främja en miljö av data-demokrati över dina team är en kulturell utmaning som kräver utbildning och företagsomfattande acceptans. I mina erfarenheter av att undervisa data-processer till icke-tekniska medlemmar är den bästa vägen att utveckla dessa färdigheter genom en kombination av utbildning och hands-on-lärande. Jag rekommenderar att utveckla ett omfattande utbildningsprogram för att säkerställa att anställda känner sig bekväma och trygga i de insikter de drar från sina data. Se till att du använder ett verktyg som inte förhindrar icke-tekniska användare: till exempel något verktyg som kräver kunskap om SQL skulle marginalisera personer utan programmeringsexpertis. Därefter tillhandahåller möjligheter för anställda att dyka in och börja leka med data. Slutligen, implementera ett verktyg som främjar utforskning och samarbete. Ju mindre människor arbetar i silos, desto mer kan de studsa idéer av varandra, vilket leder till mer upplysande insikter. Om du är en data-professionell som undervisar en icke-teknisk teammedlem, kom ihåg att du har tillbringat år med att lära dig hur man hämtar och använder data, så du tänker på det annorlunda än den ovanliga användaren. Var öppen för att undervisa andra istället för att göra allt själv. Annars kommer du aldrig att ha någon ledig tid att göra något annat än att svara på människors frågor.

Med den snabba utvecklingen av data-verktyg och generativa AI-teknologier, hur bör företag anpassa sina strategier för att ligga före i data-hantering och användning?

Data-governans är en av de största utmaningarna som företag fortfarande står inför, och det är något varje organisation måste bemästra för att möjliggöra meningsfulla AI- och data-upplevelser. AI är bara så bra som de data som driver det, och ren data leder till mer påverkande insikter, lyckligare användare och affärs-tillväxt. På detta sätt måste företag vara proaktiva om data-rengöring och taxonomi, och det finns möjligheter att använda generativ AI för att hantera AI-governans och kvalitet. Till exempel lanserade Amplitude vårt AI-drivna Data Assistant-produkt förra året, som erbjuder intelligenta rekommendationer och automatisering för att göra data-governans smidig och hjälpa användare att ta hand om data-kvalitetsinsatser.

Hur möjliggör Amplitude för företag att bättre förstå kundresan?

Att bygga fantastiska digitala produkter och upplevelser är svårt, särskilt i dagens konkurrensutsatta landskap. Idag vet många företag fortfarande inte vem de bygger för eller vad deras kunder vill ha. Amplitude hjälper företag att besvara frågor som “Vad älskar våra kunder? Var fastnar de? Vad håller dem kvar?” genom kvantitativa och kvalitativa data-insikter. Vår plattform hjälper företag att bättre förstå den slut-till-slut-kundresan genom att yta data för att driva kund-anskaffning, monetarisering och kundbehållningscykeln. Idag använder mer än 2 700 kunder, inklusive företagsmärken som Atlassian (TEAM ), NBC Universal och Under Armour (UAA ), Amplitude för att bygga bättre produkter.

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