Anthony Deighton, Tamr CEO’sü – Röportaj Serisi

Anthony Deighton Tamr’ın CEO’sudur. Enterprise yazılım şirketlerini kurma ve ölçeklendirme konusunda 20 yıllık deneyime sahiptir. En son olarak, Celonis’te iki yıl Chief Marketing Officer olarak görev yaptı ve Process Mining yazılım kategorisinde liderlik kurdu ve 130% ARR büyümesi sağlayan talep oluşturma programları oluşturdu. Öncesinde, Qlik’te 10+ yıl görev yaptı ve unknown bir İsveç şirketi olarak başlayan Qlik’i halka açık bir şirkete dönüştürdü – ürün liderliği, ürün pazarlaması ve sonunda CTO olarak görev yaptı. Kariyerine Siebel Systems’de başladı ve burada enterprise yazılım şirketlerini çeşitli ürün rollerinde nasıl kurulacağını öğrendi.

Girişimcilik yolculuğunuzun bazı önemli kilometre taşlarını, özellikle Qlik ve Celonis’teki deneyimlerinizi paylaşabilir misiniz?

Siebel Systems’de enterprise yazılım alanında kariyerime başladım ve orada liderlik ekibinden çok şey öğrendim. Qlik’e katıldığımda, küçük, bilinmeyen bir İsveç şirketi olarak 95% küçük 60 kişilik ekibin Lund, İsveç’te bulunuyordu. Şaka olarak, mühendis veya satış personeli olmadığım için pazarlamaya görevlendirildim. Orada pazarlama ekibini kurdum, ancak zamanla ilgi ve katkılarım ürün yönetimine yöneldi ve sonunda Chief Product Officer oldum. Qlik’i 2010’da halka açtık ve başarılı bir halka açık şirket olarak devam ettik. Sonra, bazı satın almalar yapmak istedik, bu nedenle bir birleşme ve satın alma ekibi kurdum. Uzun ve makul ölçüde başarılı bir halka açık şirket olarak görev yaptıktan sonra, sonunda Qlik’i Thoma Bravo adlı bir özel sermaye firmasına sattık. Bunu, bir enterprise yazılım şirketinin tam yaşam döngüsü olarak tanımlıyorum. Qlik’ten ayrıldıktan sonra, ABD’de satış yapmak isteyen küçük bir Alman yazılım şirketi olan Celonis’e katıldım. Yine, CMO olarak pazarlama işini yürüttüm. Çok hızlı büyüdük ve başarılı bir global pazarlama işlevi oluşturduk.

Hem Celonis hem de Qlik, veri analitiği zorluğunun ön ucuna odaklanmıştı – verimi nasıl görür ve anlarım? Qlik’in durumunda, bu panellerdi; Celonis’in durumunda iş süreçleriydi. Ancak her ikisi için ortak bir zorluk, bu görselleştirmelerin arkasındaki veriydi. Çok sayıda müşteri, verilerin yanlış olduğunu söyledi: yinelenen kayıtlar, eksik kayıtlar, eksik veri siloları. Bu, beni Tamr’a çekti, burada ilk kez, girişimdeki verileri temizleme zorluğunu çözebileceğimiz hissettim. Enterprise yazılım kariyerimin ilk 15 yılı, verilerin görselleştirilmesine harcandı, umuyorum ki sonraki 15 yıl, bu verilerin temizlenmesine harcayabilirim.

Erken deneyimleriniz, enterprise yazılım şirketlerini kurma ve ölçekleme yaklaşımınızı nasıl şekillendirdi?

Siebel’den Qlik’e geçişte öğrendiğim önemli bir ders, basitleştirme gücünü oldu. Siebel çok güçlü bir yazılımdı, ancak Salesforce.com tarafından öldürüldü, bu da çok daha az özellikli bir CRM oluşturdu (“oyuncak” Siebel olarak adlandırdı), ancak müşteriler onu hızlı bir şekilde çalıştırabilirlerdi çünkü bir SaaS çözümü olarak sunuldu. Bugün açık olsa da, o zamanın bilgeliği, müşterilerin özellikleri satın aldığını söylüyordu, ancak öğrendiğimiz şey, müşterilerin iş sorunlarını çözmek için çözüm yatırımı yaptıklarıdır. Böylece, yazılımlarınız sorunlarını daha hızlı çözerse, kazanırsınız. Qlik, veri analitiği sorununa radikal olarak basit bir çözümdü, ancak daha fazla özellikli rakipler gibi Business Objects ve Cognos’u yenebildik.

İkinci önemli ders, pazarlamadan ürüne geçişimde öğrendim. Bu alanları ayrı olarak düşünürüz. Kariyerimde, ürün ve pazarlama arasında rahatça geçiş yaptım. Ürün ne xâyldığınız ve potansiyel müşterilere nasıl tanıttığınız arasında yakın bir bağlantı vardır. Aynı zamanda, ne talep edildiği ve hangi ürünü xâyldığınız arasında önemli bir bağlantı vardır. Bu konuşmaları birbirine bağlama yeteneği, herhangi bir enterprise yazılım şirketinin kritik bir başarı faktörüdür. Bir startup’ın başarısızlık nedenlerinden biri, “yaparsan, gelirler” inancıdır. Bu, sadece cool yazılım xâyldığınızda, insanların satın almak için sıraya gireceği inancıdır. Bu asla çalışmaz ve çözüm, yazılım geliştirme süreciyle bağlantılı güçlü bir pazarlama sürecidir.

Son olarak, akademik çalışmama profesyonel çalışmımla bağlantılı bir fikir paylaşacağım. İş okulunda Clay Christensen’in yıkıcı inovasyon teorisi hakkında bir ders aldım. Profesyonel çalışmımda, hem yıkıcı olan hem de yıkılan olarak deneyimleme fırsatım oldu. Öğrendiğim önemli ders, her yıkıcı inovasyonun, imkansızı mümkün kılan dışsal bir platform değişikliğinin sonucu olduğudur. Qlik’in durumunda, büyük bellek sunucularının platform kullanılabilirliği, Qlik’in geleneksel küp tabanlı raporlamayı bozmasına olanak tanıdı. Tamr’da, büyük ölçekli makine öğreniminin platform kullanılabilirliği, kurallara dayalı MDM’yi AI tabanlı bir yaklaşımla bozma olanağı sunuyor. Her zaman hangi platform değişikliğinin bozulmanızı sağladığını belirlemek önemlidir.

AI yerli Master Data Management (MDM) gelişimini neler ilham verdi ve geleneksel MDM çözümlerinden nasıl farklı?

Tamr’ın gelişimi, MIT’de (Massachusetts Institute of Technology) varlık çözümü etrafında yapılan akademik çalışmalardan çıktı. Turing Ödülü sahibi Michael Stonebraker’ın akademik liderliğinde, ekip “yüz binlerce kaynaktan ve milyonlarca kayıttan veri kayıtlarını bağlayabilir miyiz?” sorusunu araştırdı. Yüzeyde bu, binlerce kayıt ve kaynakla karşılaştırılmaları gereken kayıtların sayısıyla birlikte geometrik olarak artan bir sorun gibi görünüyor.

Geleneksel MDM sistemleri, bu sorunu kurallar ve büyük miktarlarda manuel veri kürasyonu ile çözmeye çalışırlar. Kurallar ölçeklenmez, çünkü her köşe durumu kapsayacak kadar yeterli kural yazamazsınız ve binlerce kuralı yönetmek teknik olarak imkansızdır. Manuel kürasyon çok pahalıdır, çünkü milyonlarca olası kayıt ve karşılaştırmaları çalıştırmak için insanlara güvenmektedir. Bunları birlikte alın, geleneksel MDM çözümlerinin piyasadaki zayıf benimsemesini açıklar. Açıkçası, kimse geleneksel MDM’yi sevmez.

Tamr’ın basit fikri, kaynak alımı, kayıt eşleştirmesi ve değer çözümü işini yapan bir AI eğitmekti. AI’nin harika şeyi, yemek, uyku veya tatil yapmaması ve yüksek oranda paralelleştirilebilir olmasıdır, böylece büyük veri hacmine karşı çalışabilir ve onu daha iyi hale getirmek için çaba sarf edebilir. Böylece, MDM eskiden imkansızken, şimdi temiz, konsolide ve güncel verilere ulaşmak mümkün.

Şirketlerin veri yönetiminde karşılaştıkları en büyük zorluklar nelerdir ve Tamr bu sorunları nasıl çözer?

İlk ve en önemli zorluk, iş kullanıcılarının ürettiği veriyi kullanmamasıdır. Ya da farklı bir şekilde söylersek, veri ekipleri, organizasyonlarının analitik soruları cevaplamak veya iş süreçlerini basitleştirmek için kullandıkları yüksek kaliteli veriyi üretmediği sürece, zaman ve para harcamaktadırlar. Tamr’ın birincil çıktısı, her varlık kaydı için (düşün: müşteri, ürün, parça vb.) bir 360 sayfa oluşturur, bu sayfa, iş kullanıcılarının veriyi görmesine ve geri bildirimde bulunmasına olanak tanır. Bu, varlık verisi için bir wiki gibidir. Bu 360 sayfa, ayrıca iş kullanıcılarının veriyle soru sormasına ve cevaplamasına olanak tanıyan bir sohbet arayüzünün girdisidir. Böylece, iş birincil görev, kullanıcıya veriyi sunmaktır.

Şirketlerin kullanıcılarına sevdikleri veriyi sunmasının neden bu kadar zor olduğunu açıklamak için, üç temel zor problem vardır: yeni bir kaynağı yüklemek, yeni kayıtları mevcut veriye eşleştirmek ve veri alanlarını/alan değerlerini düzeltmek. Tamr, AI’nin yeni veri kaynaklarını otomatik olarak tanımlanmış bir varlık şemasına eşleştirmesi sayesinde yeni veri kaynaklarını yüklemeyi kolaylaştırır. Bu, yeni bir veri kaynağının belirli bir alanı (örneğin, “cust_name”) doğru merkezi varlık tanımına (örneğin, “müşteri adı”) eşlenir anlamına gelir. Sonraki zorluk, kayıtları eşleştirmektir. Tamr’ın AI’si bunu yapar ve ayrıca ortak varlıkları (örneğin, şirketler ve insanlar) çözmek için dış 3. taraf kaynaklarını “temel gerçek” olarak kullanır. İyi bir örnek, birçok kaynaktaki “Dell Computer” kayıtlarını bağlamaktır. Son olarak, herhangi bir kayıt için alanlar boş veya yanlış olabilir. Tamr, iç ve 3. taraf kaynaklardan doğru alan değerlerini doldurabilir.

Tamr’ın bir şirketin veri yönetimini ve iş sonuçlarını önemli ölçüde iyileştirdiği bir başarı hikayesini paylaşabilir misiniz?

CHG Healthcare, sağlık personeli işe alma endüstrisinde önemli bir oyuncudur ve yetenekli sağlık profesyonellerini ihtiyaç duyan tesislerle bağlar. Geçici doktorlardan Locums, RNnetwork’den hemşirelere veya CHG itself aracılığıyla daha geniş çözümlere kadar, sağlık tesislerine özelleştirilmiş işe alma çözümleri sunar.

Temel değer önerileri, doğru sağlık sağlayıcılarını doğru tesise doğru zamanda bağlamaktır. Sorunları, ağındaki tüm sağlayıcılar için doğru ve birleşik bir görünümün olmamasıydı. Ölçekleri (7,5M+ sağlayıcı) nedeniyle, miras, kurallara dayalı yaklaşımlarla verilerini doğru tutmak imkansızdı ve insan küratörler üzerinde para harcamak zorunda kalacaklardı. Ayrıca, bunu görmezden gelemezlerdi, çünkü işe alma kararları buna bağlıydı. Kötü veri, bir sağlayıcının fazla vardiya almasına ve yanmasına neden olabilirdi.

Tamr’ın gelişmiş AI/ML yeteneklerini kullanarak, CHG Healthcare, yinelenen doktor kayıtlarını %45 azalttı ve veri hazırlama için kullanılan nadir veri ve analitik kaynaklarını neredeyse tamamen ortadan kaldırdı. Ve en önemlisi, güvenilir ve doğru bir sağlayıcı görünümü sayesinde, CHG, işe almayı optimize edebiliyor ve böylece daha iyi bir müşteri deneyimi sunabiliyor.

Veri yönetiminde şirketlerin karşılaştığı en büyük zorluklar nelerdir ve Tamr bu sorunları nasıl çözer?

İlk ve en önemli zorluk, iş kullanıcılarının ürettiği veriyi kullanmamasıdır. Ya da farklı bir şekilde söylersek, veri ekipleri, organizasyonlarının analitik soruları cevaplamak veya iş süreçlerini basitleştirmek için kullandıkları yüksek kaliteli veriyi üretmediği sürece, zaman ve para harcamaktadırlar. Tamr’ın birincil çıktısı, her varlık kaydı için (düşün: müşteri, ürün, parça vb.) bir 360 sayfa oluşturur, bu sayfa, iş kullanıcılarının veriyi görmesine ve geri bildirimde bulunmasına olanak tanır. Bu, varlık verisi için bir wiki gibidir. Bu 360 sayfa, ayrıca iş kullanıcılarının veriyle soru sormasına ve cevaplamasına olanak tanıyan bir sohbet arayüzünün girdisidir. Böylece, iş birincil görev, kullanıcıya veriyi sunmaktır.

Şirketlerin kullanıcılarına sevdikleri veriyi sunmasının neden bu kadar zor olduğunu açıklamak için, üç temel zor problem vardır: yeni bir kaynağı yüklemek, yeni kayıtları mevcut veriye eşleştirmek ve veri alanlarını/alan değerlerini düzeltmek. Tamr, AI’nin yeni veri kaynaklarını otomatik olarak tanımlanmış bir varlık şemasına eşleştirmesi sayesinde yeni veri kaynaklarını yüklemeyi kolaylaştırır. Bu, yeni bir veri kaynağının belirli bir alanı (örneğin, “cust_name”) doğru merkezi varlık tanımına (örneğin, “müşteri adı”) eşlenir anlamına gelir. Sonraki zorluk, kayıtları eşleştirmektir. Tamr’ın AI’si bunu yapar ve ayrıca ortak varlıkları (örneğin, şirketler ve insanlar) çözmek için dış 3. taraf kaynaklarını “temel gerçek” olarak kullanır. İyi bir örnek, birçok kaynaktaki “Dell Computer” kayıtlarını bağlamaktır. Son olarak, herhangi bir kayıt için alanlar boş veya yanlış olabilir. Tamr, iç ve 3. taraf kaynaklardan doğru alan değerlerini doldurabilir.

AI yerli veri yönetimi ve zenginleştirmesinde büyük dil modellerinin (LLM’ler) rolü nedir?

İlk olarak, LLM’lerin neye iyi olduğunu açıklamak önemlidir. Temel olarak, LLM’ler dil hakkında konuşur. Anlam ifade eden metin dizileri üretirler ve size verilen metnin anlamını “anlayabilirler”. Böylece, LLM’lerin dil makineleri olduğunu söyleyebilirsiniz. Tamr’da, dil önemli olduğunda, LLM’leri kullanıyoruz. Bir örnek, varlık verisi üzerine kurulu sohbet arayüzümüze benzer sanal bir CDO’muz var. Gerçek bir CDO ile konuştuğunuzda, sizi anlar ve sizin anlayacağınız dilde cevap verir. Bu, LLM’lerin kullanılmasıyla tam olarak böyle olur. Tamr’da değerli olan şey, bu sohbet için varlık verisini bağlam olarak kullanmamızdır. Bu, gerçek bir CDO’nuzun, size cevap verirken tüm en iyi şirket verisine sahip olduğu gibidir – bunu harika bulmaz mısınız?

Ayrıca, veri değerlerini temizlerken veya eksik değerleri doldururken, giriş değerlerinin dil tabanlı yorumunu kullanarak eksik bir değeri bulmak veya düzeltmek için LLM’leri kullanıyoruz. Örneğin, “5mm topak balığı” metninden parça boyutunu sorabilirsiniz ve bir LLM (veya bir insan) doğru olarak “5mm” cevabını verir.

Son olarak, LLM’lerin altında yatan gömme modelleri, dil anlamını tokenlere (düşün: kelimeler) kodlar. Bu, dilbilimsel karşılaştırmaları hesaplamak için çok yararlı olur. Böylece, “5” ve “beş” karakter olarak aynı olmasa da, dilbilimsel anlam olarak çok yakındırlar. Bu bilgiyi, kayıtları birbirine bağlamak için kullanabiliriz.

Veri yönetiminde geleceği, özellikle AI ve makine öğrenimi alanındaki gelişmelerle birlikte, nasıl görüyorsunuz?

“Big Data” dönemi, 2000’lerin başlarında, aslında “Küçük Veri” dönemi olarak hatırlanmalıdır. Son 20+ yıl içinde çok fazla veri oluşturulmasına rağmen, depolama ve hesaplamanın ucuzlamasıyla birlikte, şirketlerde etkili olan veri çoğunlukla küçük ölçekli – temel satış ve müşteri raporları, pazarlama analitiği ve panellerde kolayca gösterilebilecek diğer veri setleri. Sonuç olarak, veri yönetiminde kullanılan araçlar ve süreçler, “küçük veri” için optimize edilmiştir, bu nedenle kurallara dayalı mantık, insan kürasyonu ile desteklenmektedir.

AI ve makine öğrenimi alanındaki gelişmelerle birlikte, şirketlerin verilerini kullanma şekli temel olarak değişmektedir. “AI ajanları”nın, bir kişinin işinin önemli bir kısmını otomatik olarak gerçekleştirebileceği fikri, ajanların ihtiyaç duydukları verilere sahip olmaları durumunda çalışır. Müşteri desteğinin ön saflarında AI ajanları bekliyorsanız, ancak CRM’de “Dell Computer” için beş farklı temsilasyonunuz varsa ve bu, ERP’deki ürün bilgileriyle bağlantılı değilse, Dell’den jemand tarafından ulaşıldığında nasıl yüksek kaliteli hizmet sunabilirsiniz?

Bu, veri yönetim araçlarımızın ve süreçlerimizin, ölçeklendirilmesi gereken büyük miktarda veriyi işleyebilecek şekilde evrimleşmesi gerektiği anlamına gelir. İnsanlar, işin denetlenmesinde önemli bir rol oynamaya devam edecek, ancak temel olarak, veri temizleme faaliyetlerinin daha fazlasını makinelerin yapmasını istemek zorundayız, böylece sadece bir paneldaki veriler doğru ve eksiksiz değil, şirketin büyük çoğunluğundaki veriler de öyle.

Şirketler için verilerini daha etkili bir şekilde kullanma konusundaki en büyük fırsatlar nelerdir?

Verileri tüketmek için insanların sayısını artırmak. Veri görselleştirme araçlarındaki gelişmelerin, verilerin şirket genelinde daha erişilebilir hale gelmesini sağladığından kuşku yoktur. Şimdi, veri ve analitik liderleri, değeri veriyle sunmanın yollarını, panellerin ötesine bakmalıdır. İç 360 sayfaları, bilgi grafikleri ve sohbet asistanları gibi arayüzler, yeni teknolojilerle mümkün hale gelmektedir ve potansiyel veri tüketicilerine, günlük iş akışlarında verilerini kullanma olanağı sunar. Bu, insanların zaten kullandığı sistemlere (örneğin, CRM ve ERP) gömüldüğünde özellikle güçlüdür. Veriden daha fazla değer yaratmanın en hızlı yolu, veriyi kullanabilecek insanlara getirmektir.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Tamr sitesini ziyaret edebilirler.