Антоні Дейтон, CEO компанії Tamr – Інтерв’ю Серія

Антоні Дейтон є CEO компанії Tamr. Він має 20 років досвіду будівництва та розширення підприємств програмного забезпечення. Останнім часом він провів два роки на посаді головного маркетингового директора в Celonis, встановивши лідерство компанії в категорії програмного забезпечення Process Mining та створюючи програми генерації попиту, які призвели до зростання ARR на 130%. До цього він служив понад 10 років в Qlik, зростаючи її з невідомої шведської компанії програмного забезпечення до публічної компанії – на посадах від керівництва продуктом, маркетингу продукту та, нарешті, технічного директора. Він розпочав свою кар’єру в Siebel Systems, навчаючись тому, як будувати підприємства програмного забезпечення в різних ролях продукту.

Чи можете ви поділитися деякими ключовими віхами з вашого шляху в галузі підприємств програмного забезпечення, особливо вашого часу в Qlik і Celonis?

Я розпочав свою кар’єру в галузі підприємств програмного забезпечення в Siebel Systems і багато чого навчився про будівництво та розширення підприємств програмного забезпечення від команди керівників там. Я приєднався до Qlik, коли це була мала, невідома шведська компанія програмного забезпечення з 95% малої 60-особової команди, розташованої в Лунді, Швеція. Я жартую, що оскільки я не був інженером чи продажником, мене поставили на чолі маркетингу. Я побудував маркетингову команду там, але з часом мій інтерес і внесок перейшли до управління продуктом, і врешті-решт я став головним офіцером з управління продуктом. Ми вивели Qlik на біржу в 2010 році, і ми продовжили як успішна публічна компанія. Після цього ми хотіли зробити einige придбання, тому я створив команду з питань злиття та поглинання. Після довгого та досить успішного періоду як публічної компанії ми, нарешті, продали Qlik приватній інвестиційній фірмі під назвою Thoma Bravo. Це було, як я люблю казати, повний життєвий цикл підприємства програмного забезпечення. Після виходу з Qlik я приєднався до Celonis, малої німецької компанії програмного забезпечення, яка намагалася досягти успіху на ринку США. Знову я керував маркетингом як головний маркетинговий директор. Ми дуже швидко росли і побудували дуже успішну глобальну маркетингову функцію.

Обидві компанії Celonis і Qlik були орієнтовані на передню частину виклику даних аналітики – як я бачу і розумію дані? У випадку Qlik це були панелі управління; у випадку Celonis це були бізнес-процеси. Але спільним викликом для обох було те, що дані за цими візуалізаціями були неправильними: дублікатні записи, неповні записи, відсутні сховища даних. Це те, що привабило мене до Tamr, де я відчув, що вперше ми можемо вирішити проблему нечітких підприємств даних. Перші 15 років моєї кар’єри в галузі підприємств програмного забезпечення були присвячені візуалізації даних, і я сподіваюся, що наступні 15 років можуть бути присвячені очищенню цих даних.

Як ваші перші досвіди сформували ваш підхід до будівництва та розширення підприємств програмного забезпечення?

Одним із важливих уроків, який я вивчив під час переходу від Siebel до Qlik, була сила простоти. Siebel була дуже потужною програмою, але вона була вбита на ринку компанією Salesforce.com, яка створила CRM з багатьма меншими функціями (“іграшку” Siebel називав її), але клієнти могли швидко її розгорнути, оскільки вона була доставлена як рішення SaaS. Це здається очевидним сьогодні, але на той час мудрість полягала в тому, що клієнти купують функції, але те, що ми дізналися, полягає в тому, що клієнти інвестують у рішення для вирішення своїх бізнес-проблем. Тому якщо ваше програмне забезпечення вирішує їхню проблему швидше, ви перемагаєте. Qlik була простим рішенням проблеми даних аналітики, але це було радикально простіше. Як результат, ми могли перемогти конкурентів з більшою кількістю функцій, таких як Business Objects і Cognos.

Другим важливим уроком, який я вивчив під час переходу від маркетингу до управління продуктом, було те, що ці області не є окремими. У моєму житті я рухаюся вільно між продуктом і маркетингом. Є інтимний зв’язок між тим, який продукт ви будуєте, і тим, як ви описуєте його потенційним клієнтам. І є рівноцінний зв’язок між тим, чого вимагають клієнти, і тим, який продукт ви повинні будувати. Здатність рухатися між цими розмовами є критичним фактором успіху будь-якої компанії програмного забезпечення. Поширена причина невдачі стартапу полягає в тому, що вони вірять у те, що “якщо ви побудуєте це, вони прийдуть”. Це поширене переконання полягає в тому, що якщо ви просто побудуєте круте програмне забезпечення, люди будуть стояти в черзі, щоб його купити. Це ніколи не працює, а рішення полягає в потужному маркетинговому процесі, пов’язаному з процесом розробки програмного забезпечення.

Остання ідея, яку я хочу поділитися, пов’язана з моїм академічним досвідом з моїм професійним досвідом. У мене була можливість відвідувати заняття про теорію Клея Крістенсена про інновації, що руйнують все. У моєму професійному житті я мав можливість пережити як руйнівну інновацію, так і бути руйнованим. Ключовим уроком, який я вивчив, полягає в тому, що будь-яка інновація, що руйнує все, є результатом зовнішньої зміни платформи, яка робить неможливе, нарешті, можливим. У випадку Qlik це була платформа великих серверів пам’яті, яка дозволила Qlik руйнувати традиційну звітність на основі кубів. У Tamr платформа машинного навчання у великому масштабі дозволяє нам руйнувати ручне управління MDM за допомогою підходу на основі штучного інтелекту. Це важливо завжди визначати, яка зміна платформи рухає вашу руйнівну інновацію.

Що спонукало розвиток AI-родного управління майстер-даними (MDM), і як воно відрізняється від традиційних рішень MDM?

Розробка Tamr виникла з академічної роботи в MIT (Массачусетському технологічному інституті) щодо розв’язання сутностей. Під академічним керівництвом лауреата премії Тюрінга Майкла Стоунбрейкера команда досліджувала питання “чи можемо ми зв’язати записи даних через сотні тисяч джерел і мільйони записів”. З першого погляду це здається непереборною проблемою, оскільки чим більше записів і джерел, тим більше порівнянь потрібно для кожного можливого співпадіння. Комп’ютерні вчені називають це “проблемою n-квадрата”, оскільки проблема зростає геометрично з масштабом.

Традиційні системи MDM намагаються вирішити цю проблему за допомогою правил і великої кількості ручної кураторії даних. Правила не масштабуються, оскільки ви ніколи не можете написати достатньо правил, щоб покрити кожен кутовий випадок, а управління тисячами правил є технічною неможливістю. Ручна кураторія дуже дорога, оскільки вона залежить від людей, які намагаються працювати через мільйони можливих записів і порівнянь. Разом це пояснює погане прийняття традиційних рішень MDM (Управління майстер-даними) на ринку. Чесно кажучи, ніхто не любить традиційне MDM.

Проста ідея Tamr полягала в тому, щоб навчити штучний інтелект виконувати роботу джерела інгестії, запису співпадіння та розв’язання значень. Велика річ про штучний інтелект полягає в тому, що він не їсть, не спить і не бере відпустку; він також високопаралельний, тому може займатися величезними обсягами даних і перемелювати їх, щоб зробити їх кращими. Тому де раніше MDM було неможливим, тепер воно нарешті можливе досягти чистих, консолідованих і актуальних даних (див. вище).

Які найбільші виклики стоять перед компаніями з управлінням їхніми даними, і як Tamr вирішує ці проблеми?

Перший, і, можливо, найважливіший виклик, з яким компанії стикаються в управлінні даними, полягає в тому, що їхні бізнес-користувачі не використовують дані, які вони генерують. Інакше кажучи, якщо команди даних не виробляють високоякісні дані, які їхні організації використовують для відповіді на аналітичні питання або оптимізації бізнес-процесів, то вони марнують час і гроші. Основним виходом Tamr є сторінка 360 для кожного запису сутності (підумайте: клієнт, продукт, деталь тощо), яка поєднує всі основні дані першої та третьої сторін, щоб бізнес-користувачі могли бачити і надавати відгуки про дані. Як вікіпедія для ваших даних сутностей. Ця сторінка 360 також є входом для розмовного інтерфейсу, який дозволяє бізнес-користувачам ставити і відповідати на питання з даними. Тому робота номер один – дати користувачеві дані.

Чи можете ви поділитися історією успіху, де Tamr суттєво покращив управління даними компанії та бізнес-результати?

CHG Healthcare – великий гравець в галузі охорони здоров’я, який підключає кваліфікованих фахівців охорони здоров’я з установами, які їм потрібні. Чи це тимчасові лікарі через Locums, медсестри з RNnetwork або широкі рішення через CHG самі по собі, вони надають індивідуальні рішення з персоналу, щоб допомогти закладам охорони здоров’я працювати гладко і надавати якісну допомогу пацієнтам.

Їхній фундаментальний цінностний пропозиція полягає в тому, щоб підключити правильних фахівців охорони здоров’я з правильною установою в правильний час. Їхнім викликом було те, що вони не мали точного, єдиного погляду на всіх фахівців у своїй мережі. Враховуючи їхній масштаб (7,5 млн+ фахівців), було неможливо зберегти їхні дані точними за допомогою спадкових, керованих правил підходів без розорення на людських кураторах. Вони також не могли ігнорувати проблему, оскільки їхні рішення з персоналу залежали від цього. Погані дані для них могли означати, що фахівець отримує більше змін, ніж він може обробити, що призводить до вихлопу.

За допомогою передових можливостей AI/ML Tamr компанія CHG Healthcare зменшила кількість дублікатних записів лікарів на 45% і майже повністю ліквідувала ручну підготовку даних, яку виконували рідкісні ресурси даних та аналітики. І, що найважливіше, маючи довірчу і точну картину постачальників, CHG може оптимізувати персонал, що дозволяє їм надавати кращий досвід клієнта.

Які поширені міфи про штучний інтелект у управлінні даними, і як Tamr допомагає розсіяти ці міфи?

Поширений міф полягає в тому, що штучний інтелект повинен бути “ідеальним” або що правила і ручна кураторія є досконалими в порівнянні з штучним інтелектом. Реальність полягає в тому, що правила часто не працюють. І, що більш важно, коли правила не працюють, єдиним рішенням є ще більше правил. Тому у вас є неуправлявана сума правил. А ручна кураторія також не досконала. Люди можуть мати добрі наміри (хоча не завжди), але вони не завжди праві. Що гірше, деякі людські куратори можуть бути кращими за інших або просто можуть приймати різні рішення, ніж інші. Штучний інтелект, навпаки, є ймовірнісним за своєю природою. Ми можемо перевірити статистично, наскільки точними є ці техніки, і коли ми це робимо, ми знаходимо, що штучний інтелект є менш дорогим і більш точним, ніж будь-яка конкуруюча альтернатива.

Tamr поєднує штучний інтелект з людською розвитком для точності даних. Чи можете ви розповісти, як це поєднання працює на практиці?

Люди надають щось винятково важливе для штучного інтелекту – вони надають навчання. Штучний інтелект насправді полягає в масштабуванні людських зусиль. Те, чого Tamr очікує від людей, – це невелика кількість прикладів (“етикетки навчання”), які машина може використовувати для встановлення параметрів моделі. На практиці це виглядає так: люди витрачають невелику кількість часу на роботу з даними, надаючи Tamr приклади помилок і помилок у даних, а штучний інтелект запускає ці уроки через весь набір даних. Крім того, коли додаються нові дані або дані змінюються, штучний інтелект може виділити випадки, у яких йому важко приймати рішення з високою впевненістю (“низькі співпадіння”), і попросити людину про вхід. Це вхід, звичайно, йде на уточнення і оновлення моделей.

Яка роль великих мовних моделей (LLM) грає в процесах якості і збагачення даних Tamr?

По-перше, важливо бути чітким щодо того, у чому хороші LLM. Засадnicько, LLM – це мова. Вони генерують рядки тексту, які означають щось, і вони можуть “розуміти” значення тексту, який їм дають. Тому можна сказати, що вони є мовними машинами. Тому для Tamr, де мова важлива, ми використовуємо LLM. Одним із очевидних прикладів є наш розмовний інтерфейс, який сидить на наших даних сутностей, який ми ласкаво називаємо нашим виртуальним CDO. Коли ви розмовляєте зі своїм реальним CDO, вони розуміють вас і відповідають мовою, яку ви розумієте. Це саме те, чого ми очікуємо від LLM, і це саме те, як ми використовуємо його в цій частині нашого програмного забезпечення. Що корисно в Tamr у цьому контексті, так це те, що ми використовуємо дані сутностей як контекст для розмови з нашим vCDO. Це як ваш реальний CDO має всі ваші найкращі підприємства дані у своїх руках, коли він відповідає на ваші питання – не було б це чудово?

Як ви бачите майбутнє управління даними, особливо з урахуванням досягнень у сфері штучного інтелекту та машинного навчання?

Ера “Біг Дейта” на початку 2000-х років повинна бути запам’ятована як ера “Малого Дейта”. Хоча за останні 20+ років було створено багато даних, завдяки комерціалізації зберігання та обчислювальної техніки, більша частина даних, яка мала вплив на підприємства, відносно мала за масштабом – базові звіти про продажі та клієнтів, маркетингову аналітику та інші набори даних, які можна легко зобразити на панелі. Результатом є те, що багато інструментів і процесів, використовуваних у управлінні даними, оптимізовані для “малого даних”, тому логіка, заснована на правилах, доповнена ручною кураторією, все ще дуже поширена в управлінні даними.

Тепер люди хочуть використовувати дані фундаментально інакше з досягненнями у сфері штучного інтелекту та машинного навчання. Ідея “агентів штучного інтелекту”, які можуть автономно виконувати значну частину роботи людини, працює лише в тому випадку, якщо ці агенти мають дані, які їм потрібні. Якщо ви очікуєте, що агент штучного інтелекту буде служити на передовій лінії підтримки клієнтів, але у вас є п’ять представлень “Dell Computer” у вашій CRM і воно не пов’язано з інформацією про продукти у вашому ERP, як ви можете очікувати, що вони нададуть високоякісну службу, коли хтось з Dell звернеться?

Враження від цього полягає в тому, що наше інструментування та процеси управління даними повинні еволюціонувати, щоб обробляти масштаб, що означає прийняття штучного інтелекту та машинного навчання для автоматизації більшої кількості діяльності з очищення даних. Люди все ще будуть грати велику роль у нагляді за процесом, але фундаментально нам потрібно просити машини робити більше, щоб не тільки дані в одному панелі були точними та повними, а й більшість даних у підприємства були точними та повними.

Які найбільші можливості для підприємств сьогодні, коли мова йде про більш ефективне використання своїх даних?

Збільшення кількості способів, nhờ яких люди можуть споживати дані. Не залишається сумніву, що покращення інструментів візуалізації даних зробило дані значно більш доступними по всьому підприємству. Тепер лідери даних та аналітики повинні шукати способи доставити цінність з даними за межами панелі. Інтерфейси, такі як внутрішні сторінки 360, графічні знання та розмовні помічники, стають можливими завдяки новим технологіям і дають потенційним споживачам даних більше способів використовувати дані у своїй щоденній роботі. Це особливо потужно, коли вони вбудовані в системи, які люди вже використовують, такі як CRM і ERP. Найшвидший спосіб створити більше цінності з даних полягає в тому, щоб привести дані до людей, які можуть ними користуватися.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Tamr.