Anthony Deighton ซีอีโอของ Tamr – สัมภาษณ์รายการ

Anthony Deighton เป็นซีอีโอของ Tamr มีประสบการณ์ 20 ปีในการสร้างและขยายธุรกิจซอฟต์แวร์สำหรับองค์กร ล่าสุดเขาใช้เวลา 2 ปีในตำแหน่ง Chief Marketing Officer ที่ Celonis โดยสร้างความเป็นผู้นำในด้าน Process Mining software และสร้างโปรแกรมสร้างความต้องการที่ส่งผลให้ ARR เพิ่มขึ้น 130% ก่อนหน้านั้นเขาเคยทำงานที่ Qlik มาเกือบ 10 ปี โดยเติบโตจากบริษัทซอฟต์แวร์สวีเดนที่ไม่ทราบกันมาก่อนจนกลายเป็นบริษัทที่มีการซื้อขายสาธารณะ ในหลายบทบาทตั้งแต่การเป็นผู้นำผลิตภัณฑ์ การตลาดผลิตภัณฑ์ และสุดท้ายเป็น CTO เขาเริ่มอาชีพของเขา tại Siebel Systems โดยเรียนรู้วิธีการสร้างซอฟต์แวร์สำหรับองค์กรในหลายบทบาท

คุณสามารถแบ่งปันเหตุการณ์สำคัญบางอย่างจากประสบการณ์ของคุณในอุตสาหกรรมซอฟต์แวร์สำหรับองค์กรได้หรือไม่ โดยเฉพาะอย่างยิ่งในช่วงเวลาที่คุณอยู่ที่ Qlik และ Celonis?

ฉันเริ่มอาชีพของฉันในซอฟต์แวร์สำหรับองค์กรที่ Siebel Systems และเรียนรู้มากมายเกี่ยวกับการสร้างและขยายธุรกิจซอฟต์แวร์สำหรับองค์กรจากทีมผู้นำที่นั่น ฉันเข้าร่วม Qlik เมื่อเป็นบริษัทซอฟต์แวร์สวีเดนที่ไม่ทราบกันมาก่อน โดยมี 95% ของทีมขนาดเล็ก 60 คน ตั้งอยู่ที่ลุนด์ สวีเดน ฉันล้อเล่นว่าเนื่องจากฉันไม่ใช่นักวิศวกรหรือคนขาย ฉันจึงถูกวางไว้ในตำแหน่งการตลาด ฉันสร้างทีมการตลาดที่นั่น แต่เมื่อเวลาผ่านไป ความสนใจและความพยายามของฉันหันเหไปสู่การบริหารผลิตภัณฑ์ และในที่สุดฉันก็กลายเป็น Chief Product Officer เราได้นำ Qlik เข้าสู่การซื้อขายสาธารณะในปี 2010 และเรายังคงเป็นบริษัทที่มีการซื้อขายสาธารณะที่ประสบความสำเร็จ หลังจากนั้นเราต้องการทำการซื้อกิจการ ดังนั้นฉันจึงเริ่มทีม M&A หลังจากการดำเนินธุรกิจที่ยาวนานและค่อนข้างสำเร็จในฐานะบริษัทที่มีการซื้อขายสาธารณะ ในที่สุดเราก็ขาย Qlik ให้กับบริษัททุนเอกชนชื่อ Thoma Bravo มันเป็นเหมือนชีวิตเต็มวันของบริษัทซอฟต์แวร์สำหรับองค์กร หลังจากออกจาก Qlik ฉันเข้าร่วม Celonis บริษัทซอฟต์แวร์เยอรมันที่เล็กๆ ที่พยายามจะประสบความสำเร็จในการขายในสหรัฐอเมริกา อีกครั้ง ฉันรับผิดชอบด้านการตลาดในฐานะ CMO เราเติบโตอย่างรวดเร็วและสร้างการตลาดระดับโลกที่ประสบความสำเร็จ

ทั้ง Celonis และ Qlik มุ่งเน้นไปที่ด้านหน้าของความท้าทายด้านการวิเคราะห์ข้อมูล – ฉันจะเห็นและเข้าใจข้อมูลได้อย่างไร? ในกรณีของ Qlik นั่นคือแดชบอร์ด ในกรณีของ Celonis นั่นคือกระบวนการทางธุรกิจ แต่ความท้าทายที่พบเห็นทั่วไปคือข้อมูลที่อยู่เบื้องหลังการแสดงภาพเหล่านี้ ลูกค้าหลายรายต้องเผชิญกับข้อมูลที่ไม่ถูกต้อง: บันทึกซ้ำ บันทึกไม่สมบูรณ์ ซิลโลข้อมูลที่หายไป สิ่งนี้ทำให้ฉันสนใจ Tamr ซึ่งฉันรู้สึกว่าอาจเป็นครั้งแรกที่เราสามารถแก้ไขความท้าทายของข้อมูลองค์กรที่ไม่เรียบร้อยได้ 15 ปีแรกของอาชีพซอฟต์แวร์สำหรับองค์กรของฉันใช้เวลาในการแสดงข้อมูล ฉันหวังว่า 15 ปีที่จะมาถึงนี้จะใช้ในการทำความสะอาดข้อมูล

ประสบการณ์ในช่วงต้นของคุณมีอิทธิพลต่อแนวทางของคุณในการสร้างและขยายธุรกิจซอฟต์แวร์สำหรับองค์กรอย่างไร?

บทเรียนสำคัญที่ฉันเรียนรู้ในการเปลี่ยนแปลงจาก Siebel ไป Qlik คือพลังของความเรียบง่าย Siebel เป็นซอฟต์แวร์ที่มีพลังมาก แต่ถูกฆ่าในตลาดโดย Salesforce.com ซึ่งสร้าง CRM ที่มีคุณสมบัติน้อยกว่า (“ของเล่น” ที่ Siebel เรียกว่า) แต่ลูกค้าสามารถทำให้มันทำงานได้อย่างรวดเร็วเพราะมันถูกส่งมอบในรูปแบบโซลูชัน SaaS ดูเหมือนจะชัดเจนในวันนี้ แต่ในเวลานั้นความฉลาดคือว่าลูกค้าซื้อคุณสมบัติ แต่สิ่งที่เรียนรู้คือลูกค้าลงทุนในการแก้ปัญหาทางธุรกิจของพวกเขา หากซอฟต์แวร์ของคุณแก้ปัญหาได้เร็วขึ้น คุณจะชนะ Qlik เป็นโซลูชันที่เรียบง่ายสำหรับปัญหาการวิเคราะห์ข้อมูล แต่ก็เรียบง่ายมากขึ้น ดังนั้นเราจึงสามารถเอาชนะคู่แข่งที่มีคุณสมบัติมากกว่า เช่น Business Objects และ Cognos

บทเรียนสำคัญที่สองที่ฉันเรียนรู้คือในช่วงการเปลี่ยนแปลงอาชีพของฉันจากด้านการตลาดไปสู่ผลิตภัณฑ์ เราคิดว่าโดเมนนี้แยกจากกัน ในอาชีพของฉัน ฉันพบว่าฉันเคลื่อนย้ายได้อย่างราบรื่นระหว่างผลิตภัณฑ์และการตลาด มีความเชื่อมโยงที่ใกล้ชิดระหว่างผลิตภัณฑ์ที่คุณสร้างและวิธีที่คุณอธิบายให้กับลูกค้าในอนาคต และมีความเชื่อมโยงที่สำคัญระหว่างสิ่งที่ลูกค้าในอนาคตต้องการและผลิตภัณฑ์ที่คุณควรสร้าง ความสามารถในการเคลื่อนย้ายระหว่างการสนทนานี้เป็นปัจจัยสำคัญที่ทำให้ธุรกิจซอฟต์แวร์สำหรับองค์กรประสบความสำเร็จ สาเหตุที่พบบ่อยที่ทำให้สตาร์ทอัพล้มเหลวคือการเชื่อว่า “ถ้าคุณสร้างมัน ลูกค้าจะมา” นี่คือความเชื่อทั่วไปที่ว่าถ้าคุณสร้างซอฟต์แวร์ที่น่าสนใจ ลูกค้าจะเข้าแถวเพื่อซื้อมัน ซึ่งไม่เคยทำงาน และวิธีแก้คือกระบวนการตลาดที่มั่นคงที่เชื่อมต่อกับกระบวนการพัฒนาซอฟต์แวร์ของคุณ

ความคิดสุดท้ายที่ฉันจะแบ่งปันเชื่อมโยงงานวิชาการของฉันกับงานมืออาชีพของฉัน ฉันมีโอกาสที่จะเข้าร่วมคลาสเรียนเกี่ยวกับทฤษฎีการสร้างนวัตกรรมที่รบกวนของ Clay Christensen ในงานมืออาชีพของฉัน ฉันมีโอกาสที่จะประสบกับทั้งการเป็นผู้รบกวนและการถูกรบกวน บทเรียนสำคัญที่ฉันเรียนรู้คือว่าการสร้างนวัตกรรมที่รบกวนนั้นเป็นผลมาจากการเปลี่ยนแปลงแพลตฟอร์มที่มาจากภายนอกซึ่งทำให้สิ่งที่เป็นไปไม่ได้กลายเป็นไปได้ ในกรณีของ Qlik นั้นเป็นการมีเซิร์ฟเวอร์หน่วยความจำขนาดใหญ่ซึ่งทำให้ Qlik สามารถรบกวนการรายงานแบบคิวบ์แบบดั้งเดิมได้ ที่ Tamr การมีเครื่องมือการเรียนรู้ของเครื่องในระดับใหญ่ทำให้เราสามารถรบกวนการบริหารจัดการข้อมูลหลักแบบดั้งเดิมโดยใช้แนวทางที่ขึ้นอยู่กับ AI มันเป็นสิ่งสำคัญที่จะต้องค้นหาว่าการเปลี่ยนแปลงแพลตฟอร์มใดที่ขับเคลื่อนการรบกวนของคุณ

อะไรเป็นแรงบันดาลใจในการพัฒนา Master Data Management (MDM) ที่เป็นเจ้าของ AI และแตกต่างจากโซลูชัน MDM แบบดั้งเดิมอย่างไร?

การพัฒนา Tamr เกิดขึ้นจากงานวิชาการที่ MIT (สถาบันเทคโนโลยีแมสซาชูเซตส์) เกี่ยวกับการแก้ไขเอนทิตี้ ภายใต้การนำของ Michael Stonebraker ผู้ชนะรางวัล Turing Award ทีมงานกำลังศึกษาว่า “เราสามารถเชื่อมโยงบันทึกข้อมูลระหว่างแหล่งข้อมูลหลายร้อย nghìnและหลายล้านบันทึกได้หรือไม่” เมื่อดูเผินๆ นี่เป็นความท้าทายที่ไม่สามารถเอาชนะได้ เนื่องจากมีบันทึกและแหล่งข้อมูลมากขึ้น บันทึกที่เป็นไปได้แต่ละรายการจะต้องเปรียบเทียบกับบันทึกอื่นๆ มากขึ้น นักวิทยาศาสตร์คอมพิวเตอร์เรียกว่า “ปัญหา n-squared” เนื่องจากปัญหาเพิ่มขึ้นตามที่มีระดับ

ระบบ MDM แบบดั้งเดิมพยายามแก้ไขปัญหานี้ด้วยกฎและปริมาณการดูแลข้อมูลด้วยมือมาก กฎไม่ทำงานเนื่องจากคุณไม่สามารถเขียนกฎเพียงพอที่จะครอบคลุมกรณีชายขอบทุกกรณีได้ และการจัดการกฎหลายพันข้อเป็นความเป็นไปไม่ได้ทางเทคนิค การดูแลข้อมูลด้วยมือมีค่าใช้จ่ายสูงมากเนื่องจากต้องอาศัยมนุษย์เพื่อพยายามทำงานผ่านบันทึกและเปรียบเทียบที่เป็นไปได้หลายล้านรายการ เมื่อรวมกันแล้ว สิ่งนี้อธิบายถึงการยอมรับตลาดที่ไม่ดีของโซลูชัน MDM แบบดั้งเดิม (Master Data Management) จริงๆ แล้วไม่มีใครชอบ MDM แบบดั้งเดิม

ความคิดง่ายๆ ของ Tamr คือการฝึก AI เพื่อทำงานในการดูดซึมแหล่งข้อมูล การจับคู่บันทึก และการแก้ไขค่า สิ่งที่ดีเกี่ยวกับ AI คือไม่กิน ไม่นอน และไม่พักผ่อน มันสามารถทำงานได้แบบขนานสูง ดังนั้นจึงสามารถรับมือกับปริมาณข้อมูลขนาดใหญ่ได้และสามารถทำให้ข้อมูลดีขึ้นได้ ดังนั้น ที่ไหน MDM ใช้ไม่ได้ผล มันจึงเป็นไปได้ที่จะบรรลุข้อมูลที่สะอาด มารวมกัน และอัปเดตได้ (ดูข้างบน)

ความท้าทายที่ใหญ่ที่สุดสำหรับบริษัทต่างๆ ในการบริหารจัดการข้อมูลคืออะไร และ Tamr ช่วยแก้ไขปัญหาเหล่านี้ได้อย่างไร?

ความท้าทายแรกและสำคัญที่สุดสำหรับบริษัทต่างๆ ในการบริหารจัดการข้อมูลคือผู้ใช้งานทางธุรกิจไม่ได้ใช้ข้อมูลที่พวกเขาผลิต หรือกล่าวอีกนัยหนึ่ง หากทีมข้อมูลไม่ได้ผลิตข้อมูลคุณภาพสูงซึ่งองค์กรใช้เพื่อตอบคำถามเชิงวิเคราะห์หรือปรับปรุงกระบวนการทางธุรกิจ พวกเขาก็จะเสียเวลาและเงินไปโดยเปล่าประโยชน์ ออกพุตหลักของ Tamr คือหน้า 360 สำหรับบันทึกเอนทิตี้ทุกรายการ (คิดว่า: ลูกค้า ผลิตภัณฑ์ ส่วนประกอบ ฯลฯ) ซึ่งรวมข้อมูล 1st และ 3rd พาร์ตี้ทั้งหมดไว้เพื่อให้ผู้ใช้งานทางธุรกิจสามารถเห็นและให้ข้อเสนอแนะเกี่ยวกับข้อมูลได้ เช่น วิกิสำหรับข้อมูลเอนทิตี้ของคุณ หน้า 360 นี้ยังเป็นอินพุตสำหรับอินเทอร์เฟซการสนทนาที่ช่วยให้ผู้ใช้งานทางธุรกิจสามารถถามและตอบคำถามด้วยข้อมูลได้ ดังนั้น งานแรกคือการให้ผู้ใช้งานได้รับข้อมูล

คุณสามารถแบ่งปันเรื่องราวความสำเร็จที่ Tamr ปรับปรุงการบริหารจัดการข้อมูลและผลลัพธ์ทางธุรกิจของบริษัทอย่างมีนัยสำคัญได้หรือไม่?

CHG Healthcare เป็นผู้เล่นหลักในอุตสาหกรรมการจัดหาพนักงานด้านสุขภาพ โดยเชื่อมโยงผู้เชี่ยวชาญด้านสุขภาพที่มีทักษะเข้ากับสถานที่ที่ต้องการ ไม่ว่าจะเป็นแพทย์临时ผ่าน Locums พยาบาลผ่าน RNnetwork หรือวิธีแก้ปัญหาแบบครอบคลุมผ่าน CHG เอง พวกเขาจะให้โซลูชันการจัดหาพนักงานแบบกำหนดเองเพื่อช่วยให้สถานที่ให้บริการด้านสุขภาพดำเนินไปอย่างราบรื่นและให้การดูแลผู้ป่วยที่มีคุณภาพ

คุณค่าพื้นฐานของพวกเขาคือการเชื่อมโยงผู้ให้บริการด้านสุขภาพที่เหมาะสมกับสถานที่ที่เหมาะสมในเวลาที่เหมาะสม ความท้าทายของพวกเขาคือไม่มีมุมมองที่ถูกต้องและเป็นเอกภาพของทุกผู้ให้บริการในเครือข่ายของพวกเขา เมื่อพิจารณาจากขนาดของพวกเขา (7.5M+ ผู้ให้บริการ) มันเป็นไปไม่ได้ที่จะรักษาข้อมูลให้ถูกต้องโดยใช้วิธีการแบบดั้งเดิมที่ขึ้นอยู่กับกฎโดยไม่ต้องใช้คนดูแลข้อมูลจำนวนมาก พวกเขายังไม่สามารถเพิกเฉยต่อปัญหาได้ เนื่องจากการตัดสินใจการจัดหาพนักงานขึ้นอยู่กับมัน ข้อมูลที่ไม่ดีสำหรับพวกเขาอาจทำให้ผู้ให้บริการได้รับการจัดสรรที่มากกว่าที่พวกเขาสามารถจัดการได้ ส่งผลให้เกิดความเหนื่อยหน่าย

โดยใช้ความสามารถ AI/ML ขั้นสูงของ Tamr CHG Healthcare ลดบันทึกแพทย์ซ้ำลง 45% และกำจัดการเตรียมข้อมูลด้วยมือที่ทำโดยทรัพยากรข้อมูลและวิเคราะห์ที่หายาก และสิ่งสำคัญที่สุดคือการมีมุมมองที่เชื่อถือได้และแม่นยำของผู้ให้บริการ CHG สามารถเพิ่มประสิทธิภาพการจัดหาพนักงานได้ ทำให้พวกเขาสามารถให้ประสบการณ์แก่ลูกค้าที่ดีขึ้น

มีความเข้าใจผิดที่พบบ่อยเกี่ยวกับ AI ในการบริหารจัดการข้อมูลอย่างไร และ Tamr ช่วยคลี่คลายความเข้าใจผิดเหล่านี้ได้อย่างไร?

ความเข้าใจผิดที่พบบ่อยคือ AI ต้อง “สมบูรณ์แบบ” หรือว่ากฎและคนดูแลข้อมูลเป็น “สมบูรณ์แบบ” ในทางตรงกันข้ามกับ AI ความจริงคือว่ากฎล้มเหลวเสมอ และเมื่อกฎล้มเหลว วิธีแก้ปัญหาเดียวคือกฎเพิ่มเติม ดังนั้น คุณจึงมีกลุ่มกฎที่ไม่สามารถจัดการได้ และคนดูแลข้อมูลก็มีข้อผิดพลาดเช่นกัน AI ในทางตรงกันข้ามเป็นแบบความน่าจะเป็นโดยธรรมชาติ เราสามารถตรวจสอบความถูกต้องของเทคนิคเหล่านี้ผ่านสถิติได้ และเมื่อเราทำเช่นนั้น เราพบว่า AI มีค่าใช้จ่ายน้อยกว่าและแม่นยำกว่าทางเลือกอื่นๆ

Tamr รวม AI เข้ากับการปรับแต่งของมนุษย์สำหรับความถูกต้องของข้อมูล คุณสามารถอธิบายว่าความผสมผสานนี้ทำงานอย่างไรในทางปฏิบัติได้หรือไม่?

มนุษย์ให้บางสิ่งที่น่าพึงพอใจมากแก่ AI – พวกเขาจะให้การฝึกอบรม AI คือการขยายความพยายามของมนุษย์ สิ่งที่ Tamr ต้องการจากมนุษย์คือตัวอย่างเล็กๆ น้อยๆ (“ตัวฉลากการฝึกอบรม”) ที่เครื่องสามารถใช้เพื่อตั้งค่าพารามิเตอร์ของแบบจำลอง ในทางปฏิบัติ สิ่งนี้ดูเหมือนกับว่ามนุษย์ใช้เวลาเล็กๆ น้อยๆ กับข้อมูล โดยให้ตัวอย่างข้อผิดพลาดและข้อผิดพลาดในข้อมูลแก่ Tamr และ AI จะใช้บทเรียนเหล่านี้ทั่วทั้งชุดข้อมูล นอกจากนี้ เมื่อมีข้อมูลใหม่หรือข้อมูลเปลี่ยนแปลง AI สามารถแสดงตัวอย่างที่มันกำลังดิ้นรนในการตัดสินใจได้ และขอคำแนะนำจากมนุษย์ ข้อมูลนี้จะถูกนำไปใช้เพื่อปรับปรุงและอัปเดตแบบจำลอง

โมเดลภาษาขนาดใหญ่ (LLMs) มีบทบาทอะไรในการดำเนินการปรับปรุงและเพิ่มคุณภาพข้อมูลของ Tamr?

ขั้นแรก มันเป็นสิ่งสำคัญที่จะต้องชัดเจนว่า LLMs ดีในเรื่องอะไร ในที่สุด LLMs ก็คือเรื่องของภาษา พวกมันผลิตข้อความที่มีความหมาย และสามารถ “เข้าใจ” ความหมายของข้อความที่ถูกส่งไปให้พวกมัน ดังนั้น คุณสามารถพูดได้ว่าพวกมันเป็นเครื่องจักรภาษา สำหรับ Tamr โดยที่ภาษามีความสำคัญ เราใช้ LLMs ตัวอย่างที่ชัดเจนคือในอินเทอร์เฟซการสนทนาของเราที่อยู่บนข้อมูลเอนทิตี้ของเรา ซึ่งเรียกว่า CDO เสมือนของเรา เมื่อคุณพูดกับ CDO จริงๆ ของคุณ พวกเขาจะเข้าใจคุณและตอบกลับด้วยภาษาที่คุณเข้าใจ นี่คือสิ่งที่เราคาดหวังจาก LLM และนี่คือวิธีที่เราจะใช้มันในซอฟต์แวร์ของเรา สิ่งที่มีคุณค่าเกี่ยวกับ Tamr ในบริบทนี้คือเราจะใช้ข้อมูลเอนทิตี้เป็นบริบทสำหรับการสนทนากับ CDO เสมือนของเรา มันเหมือนกับ CDO จริงๆ ของคุณที่มีข้อมูลองค์กรที่ดีที่สุดของคุณอยู่ในมือเมื่อตอบคำถามของคุณ

คุณมองเห็นอนาคตของการบริหารจัดการข้อมูลว่าจะพัฒนาไปอย่างไร โดยเฉพาะอย่างยิ่งด้วยความก้าวหน้าใน AI และการเรียนรู้ของเครื่อง?

ยุค “Big Data” ในช่วงต้นปี 2000 ควรจดจำว่าเป็นยุค “Small Data” แม้ว่าจะมีข้อมูลจำนวนมากที่ถูกสร้างขึ้นในช่วง 20 ปีที่ผ่านมา ซึ่งได้รับการสนับสนุนโดยการทำให้การเก็บข้อมูลและการคำนวณมีราคาไม่แพง แต่ส่วนใหญ่ของข้อมูลที่มีผลกระทบในองค์กรเป็นขนาดเล็ก – รายงานการขายและลูกค้าขั้นพื้นฐาน การวิเคราะห์ทางการตลาด และชุดข้อมูลอื่นๆ ที่สามารถแสดงได้ในแดชบอร์ด ผลลัพธ์คือเครื่องมือและกระบวนการในการบริหารจัดการข้อมูลส่วนใหญ่ถูกปรับให้เหมาะสมสำหรับ “Small Data” ซึ่งเป็นเหตุผลที่ตรรกะที่ขึ้นอยู่กับกฎและคนดูแลข้อมูลยังคงโดดเด่นในด้านการบริหารจัดการข้อมูล

วิธีที่ผู้คนต้องการใช้ข้อมูลกำลังเปลี่ยนแปลงไปอย่างมีนัยสำคัญด้วยความก้าวหน้าใน AI และการเรียนรู้ของเครื่อง ความคิดของ “ตัวแทน AI” ที่สามารถทำงานได้โดยอัตโนมัติเป็นส่วนสำคัญของงานของบุคคลนั้นได้ จะทำงานได้ก็ต่อเมื่อตัวแทนเหล่านั้นมีข้อมูลที่ต้องการ หากคุณคาดหวังว่าตัวแทน AI จะให้บริการในแนวหน้าของการสนับสนุนลูกค้า แต่คุณมีหลายรูปแบบของ “Dell Computer” ใน CRM ของคุณ และไม่ได้เชื่อมโยงกับข้อมูลผลิตภัณฑ์ใน ERP ของคุณ คุณจะคาดหวังให้พวกเขามอบบริการที่มีคุณภาพสูงได้อย่างไรเมื่อมีใครบางคนจาก Dell ติดต่อ?

ผลกระทบของสิ่งนี้คือเครื่องมือและกระบวนการในการบริหารจัดการข้อมูลของเราจะต้องพัฒนาเพื่อรับมือกับขนาด ซึ่งหมายความว่าเราต้องยอมรับ AI และการเรียนรู้ของเครื่องเพื่อทำให้กิจกรรมในการทำความสะอาดข้อมูลอัตโนมัติมากขึ้น มนุษย์ยังคงมีบทบาทสำคัญในการดูแลกระบวนการ แต่โดยพื้นฐานแล้วเราต้องขอให้เครื่องจักรทำมากกว่านี้ เพื่อให้ไม่ใช่แค่ข้อมูลในแดชบอร์ดเดียวเท่านั้นที่ถูกต้องและสมบูรณ์ แต่เป็นส่วนใหญ่ของข้อมูลในองค์กร

โอกาสที่ใหญ่ที่สุดสำหรับธุรกิจในปัจจุบันในการใช้ข้อมูลของตนอย่างมีประสิทธิภาพมากขึ้นคืออะไร?

การเพิ่มจำนวนวิธีที่ผู้คนสามารถบริโภคข้อมูลได้ ไม่มีข้อกังวลใดที่การปรับปรุงเครื่องมือการแสดงข้อมูลจะทำให้ข้อมูลเข้าถึงได้มากขึ้นในองค์กร ตอนนี้ผู้นำด้านข้อมูลและวิเคราะห์จะต้องมองหาวิธีให้ข้อมูลมีคุณค่ามากขึ้น นอกเหนือจากแดชบอร์ด อินเทอร์เฟซ เช่น หน้า 360内部 กราฟความรู้ และผู้ช่วยสนทนาได้รับการเปิดใช้งานโดยเทคโนโลยีใหม่ๆ และให้ผู้บริโภคข้อมูลที่มีศักยภาพมากขึ้นในการใช้ข้อมูลในกระบวนการทำงานประจำวัน มันทำงานได้ดีโดยเฉพาะอย่างยิ่งเมื่อฝังอยู่ในระบบที่ผู้คนใช้อยู่แล้ว เช่น CRM และ ERP วิธีที่เร็วที่สุดในการสร้างมูลค่ามากขึ้นจากข้อมูลคือการนำข้อมูลไปให้กับผู้ที่สามารถใช้ข้อมูลได้

ขอขอบคุณสำหรับสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Tamr เพื่อเรียนรู้เพิ่มเติม