Anthony Deighton, CEO của Tamr – Loạt Phỏng Vấn

Anthony Deighton là CEO của Tamr. Ông có 20 năm kinh nghiệm xây dựng và phát triển các công ty phần mềm doanh nghiệp. Gần đây, ông đã dành hai năm làm Chief Marketing Officer tại Celonis, thiết lập sự lãnh đạo của họ trong lĩnh vực phần mềm Process Mining và tạo ra các chương trình tạo nhu cầu dẫn đến tăng trưởng ARR 130%. Trước đó, ông đã phục vụ hơn 10 năm tại Qlik, giúp công ty phát triển từ một công ty phần mềm Thụy Điển không rõ ràng thành một công ty đại chúng – trong các vai trò từ lãnh đạo sản phẩm, tiếp thị sản phẩm và cuối cùng là CTO. Ông bắt đầu sự nghiệp của mình tại Siebel Systems, nơi ông học cách xây dựng các công ty phần mềm doanh nghiệp trong nhiều vai trò sản phẩm khác nhau.

Bạn có thể chia sẻ một số cột mốc quan trọng từ hành trình của mình trong ngành phần mềm doanh nghiệp, đặc biệt là thời gian của bạn tại Qlik và Celonis?

Tôi bắt đầu sự nghiệp của mình trong lĩnh vực phần mềm doanh nghiệp tại Siebel Systems và đã học được rất nhiều về việc xây dựng và phát triển các công ty phần mềm doanh nghiệp từ đội ngũ lãnh đạo tại đó. Tôi đã tham gia Qlik khi nó là một công ty phần mềm nhỏ, không rõ ràng của Thụy Điển với 95% trong số 60 người trong đội nằm ở Lund, Thụy Điển. Tôi thường đùa rằng vì tôi không phải là một kỹ sư hoặc một người bán hàng, tôi đã được giao nhiệm vụ tiếp thị. Tôi đã xây dựng đội ngũ tiếp thị tại đó, nhưng theo thời gian, sự quan tâm và đóng góp của tôi đã chuyển hướng tới quản lý sản phẩm, và cuối cùng tôi đã trở thành Chief Product Officer. Chúng tôi đã đưa Qlik lên sàn chứng khoán vào năm 2010, và chúng tôi tiếp tục là một công ty đại chúng thành công. Sau đó, chúng tôi muốn thực hiện một số vụ mua lại, vì vậy tôi đã bắt đầu một đội M&A. Sau một thời gian dài và khá thành công làm công ty đại chúng, chúng tôi cuối cùng đã bán Qlik cho một công ty cổ phần tư nhân có tên là Thoma Bravo. Đó là, như tôi thường nói, toàn bộ vòng đời của một công ty phần mềm doanh nghiệp. Sau khi rời Qlik, tôi đã tham gia Celonis, một công ty phần mềm nhỏ của Đức đang cố gắng đạt được thành công khi bán hàng tại Hoa Kỳ. Một lần nữa, tôi đã điều hành tiếp thị dưới dạng CMO. Chúng tôi đã phát triển rất nhanh và xây dựng một chức năng tiếp thị toàn cầu rất thành công.

Cả Celonis và Qlik đều tập trung vào phía trước của thách thức phân tích dữ liệu – làm thế nào để tôi xem và hiểu dữ liệu? Trong trường hợp của Qlik, đó là bảng điều khiển; trong trường hợp của Celonis, đó là các quy trình kinh doanh. Nhưng một thách thức chung trên cả hai là dữ liệu đằng sau những hình ảnh hóa này. Nhiều khách hàng phàn nàn rằng dữ liệu là sai: bản ghi lặp lại, bản ghi không đầy đủ, silo dữ liệu bị thiếu. Đây là những gì đã thu hút tôi đến Tamr, nơi tôi cảm thấy rằng lần đầu tiên, chúng tôi có thể giải quyết thách thức của dữ liệu doanh nghiệp lộn xộn. 15 năm đầu tiên của sự nghiệp phần mềm doanh nghiệp của tôi đã dành để trực quan hóa dữ liệu, tôi hy vọng rằng 15 năm tiếp theo có thể dành để làm sạch dữ liệu đó.

Làm thế nào những kinh nghiệm đầu tiên của bạn đã định hình cách tiếp cận của bạn trong việc xây dựng và phát triển các công ty phần mềm doanh nghiệp?

Một bài học quan trọng mà tôi đã học được trong quá trình chuyển đổi từ Siebel sang Qlik là sức mạnh của sự đơn giản. Siebel là phần mềm rất mạnh mẽ, nhưng nó đã bị giết trong thị trường bởi Salesforce.com, đã tạo ra một CRM với ít tính năng hơn (“một món đồ chơi” Siebel từng gọi nó), nhưng khách hàng có thể đưa nó lên và chạy nhanh chóng vì nó được cung cấp dưới dạng giải pháp SaaS. Điều này dường như rõ ràng ngày nay, nhưng vào thời điểm đó, sự khôn ngoan là khách hàng mua tính năng, nhưng những gì chúng tôi đã học được là khách hàng đầu tư vào các giải pháp để giải quyết các vấn đề kinh doanh của họ. Vì vậy, nếu phần mềm của bạn giải quyết vấn đề của họ nhanh hơn, bạn sẽ thắng. Qlik là một giải pháp đơn giản cho vấn đề phân tích dữ liệu, nhưng nó đơn giản hơn nhiều. Kết quả là, chúng tôi có thể đánh bại các đối thủ cạnh tranh có tính năng phong phú hơn như Business Objects và Cognos.

Bài học quan trọng thứ hai mà tôi đã học được là trong quá trình chuyển đổi sự nghiệp của tôi từ tiếp thị sang sản phẩm. Chúng tôi nghĩ về các lĩnh vực này là riêng biệt. Trong sự nghiệp của tôi, tôi đã tìm thấy rằng tôi di chuyển linh hoạt giữa sản phẩm và tiếp thị. Có một liên kết thân mật giữa sản phẩm bạn xây dựng và cách bạn mô tả nó cho khách hàng tiềm năng. Và có một liên kết quan trọng như nhau giữa những gì khách hàng tiềm năng yêu cầu và sản phẩm chúng tôi nên xây dựng. Khả năng di chuyển giữa những cuộc trò chuyện này là một yếu tố thành công quan trọng cho bất kỳ công ty phần mềm doanh nghiệp nào. Một lý do phổ biến cho sự thất bại của một công ty khởi nghiệp là tin rằng “nếu bạn xây dựng nó, họ sẽ đến”. Đây là niềm tin phổ biến rằng nếu bạn chỉ xây dựng phần mềm cool, mọi người sẽ xếp hàng để mua nó. Điều này không bao giờ hoạt động, và giải pháp là một quy trình tiếp thị mạnh mẽ kết nối với quy trình phát triển phần mềm của bạn.

Ý tưởng cuối cùng mà tôi sẽ chia sẻ liên kết công việc học thuật của tôi với công việc chuyên môn của tôi. Tôi đã có cơ hội tại trường kinh doanh để tham gia một lớp về lý thuyết đổi mới phá vỡ của Clay Christensen. Trong công việc chuyên môn của tôi, tôi đã có cơ hội trải nghiệm cả việc trở thành người phá vỡ và bị phá vỡ. Bài học quan trọng mà tôi đã học được là bất kỳ đổi mới phá vỡ nào đều là kết quả của một sự thay đổi nền tảng bên ngoài khiến điều không thể cuối cùng trở nên có thể. Trong trường hợp của Qlik, đó là sự sẵn có của các máy chủ bộ nhớ lớn cho phép Qlik phá vỡ báo cáo dựa trên cube truyền thống. Tại Tamr, sự sẵn có của nền tảng học máy theo quy mô cho phép chúng tôi phá vỡ MDM dựa trên quy tắc thủ công ủng hộ một cách tiếp cận dựa trên AI. Điều quan trọng là phải luôn tìm ra sự thay đổi nền tảng nào đang thúc đẩy sự phá vỡ của bạn.

Cái gì đã truyền cảm hứng cho sự phát triển của Quản lý Dữ liệu Master (MDM) bản địa AI, và nó khác như thế nào so với các giải pháp MDM truyền thống?

Sự phát triển của Tamr xuất phát từ công việc học thuật tại MIT (Massachusetts Institute of Technology) về giải quyết thực thể. Dưới sự lãnh đạo học thuật của người đoạt giải Turing Michael Stonebraker, câu hỏi mà nhóm đang điều tra là “chúng ta có thể liên kết các bản ghi dữ liệu trên hàng trăm nghìn nguồn và hàng triệu bản ghi không?” Trên bề mặt, đây là một thách thức không thể vượt qua vì càng có nhiều bản ghi và nguồn, càng có nhiều bản ghi mỗi bản ghi có thể khớp cần phải được so sánh. Các nhà khoa học máy tính gọi đây là một vấn đề “n-squared” vì vấn đề tăng lên theo hình học với quy mô.

Các hệ thống MDM truyền thống cố gắng giải quyết vấn đề này bằng các quy tắc và lượng lớn dữ liệu được chăm sóc thủ công. Các quy tắc không thể mở rộng quy mô vì bạn không bao giờ có thể viết đủ quy tắc để bao phủ mọi trường hợp góc và quản lý hàng nghìn quy tắc là một điều không thể về mặt kỹ thuật. Việc chăm sóc dữ liệu thủ công cực kỳ tốn kém vì nó phụ thuộc vào con người để cố gắng làm việc thông qua hàng triệu bản ghi và so sánh có thể. Cùng nhau, điều này giải thích sự采用 thị trường nghèo nàn của các giải pháp MDM truyền thống (Quản lý Dữ liệu Master). Thật lòng nói, không ai thích MDM truyền thống.

Ý tưởng đơn giản của Tamr là đào tạo một AI để thực hiện công việc của việc nhập nguồn, khớp bản ghi và giải quyết giá trị. Điều tuyệt vời về AI là nó không ăn, không ngủ, không nghỉ phép; nó cũng có thể song song hóa cao, vì vậy nó có thể xử lý lượng lớn dữ liệu và liên tục cải thiện nó. Vì vậy, nơi MDM trước đây là không thể, nó cuối cùng đã có thể đạt được dữ liệu sạch, hợp nhất và cập nhật (xem trên).

Các công ty đang đối mặt với những thách thức lớn nhất nào khi quản lý dữ liệu của họ, và Tamr giải quyết những vấn đề này như thế nào?

Thách thức đầu tiên, và có thể là quan trọng nhất, mà các công ty đối mặt trong quản lý dữ liệu là người dùng kinh doanh của họ không sử dụng dữ liệu mà họ tạo ra. Hoặc nói cách khác, nếu các đội dữ liệu không tạo ra dữ liệu chất lượng cao mà tổ chức của họ sử dụng để trả lời các câu hỏi phân tích hoặc tối ưu hóa quy trình kinh doanh, thì họ đang lãng phí thời gian và tiền bạc. Một đầu ra chính của Tamr là một trang 360 cho mỗi bản ghi thực thể (tưởng tượng: khách hàng, sản phẩm, bộ phận, v.v.) kết hợp tất cả dữ liệu cơ bản và dữ liệu của bên thứ ba để người dùng kinh doanh có thể xem và cung cấp phản hồi về dữ liệu. Giống như một wiki cho dữ liệu thực thể của bạn. Trang 360 này cũng là đầu vào cho một giao diện đối thoại cho phép người dùng kinh doanh hỏi và trả lời các câu hỏi với dữ liệu. Vì vậy, công việc đầu tiên là cung cấp cho người dùng dữ liệu.

Tại sao lại khó khăn cho các công ty để cung cấp cho người dùng dữ liệu mà họ yêu thích? Bởi vì có ba vấn đề khó khăn chính đằng sau mục tiêu đó: tải một nguồn mới, khớp các bản ghi mới vào dữ liệu hiện có và sửa các giá trị/trường trong dữ liệu. Tamr giúp dễ dàng tải các nguồn dữ liệu mới vì AI của nó tự động ánh xạ các trường mới vào một lược đồ thực thể được xác định. Điều này có nghĩa là bất kể một nguồn dữ liệu mới gọi một trường cụ thể nào (ví dụ: cust_name), nó sẽ được ánh xạ đến định nghĩa trung tâm đúng của thực thể đó (ví dụ: “tên khách hàng”). Thách thức tiếp theo là liên kết các bản ghi lặp lại. Lặp lại trong ngữ cảnh này có nghĩa là các bản ghi thực sự là cùng một thực thể thế giới thực. AI của Tamr thực hiện việc này và thậm chí sử dụng các nguồn bên thứ ba làm “đất thực” để giải quyết các thực thể phổ biến như công ty và người. Một ví dụ tốt về điều này sẽ là liên kết tất cả các bản ghi trên nhiều nguồn cho một khách hàng quan trọng như “Dell Computer”. Cuối cùng, đối với bất kỳ bản ghi nào, có thể có các trường trống hoặc không chính xác. Tamr có thể suy luận các giá trị trường chính xác từ các nguồn nội bộ và bên thứ ba.

Bạn có thể chia sẻ một câu chuyện thành công nơi Tamr đã cải thiện đáng kể quản lý dữ liệu và kết quả kinh doanh của một công ty?

CHG Healthcare là một người chơi chính trong ngành nhân sự y tế, kết nối các chuyên gia y tế có kỹ năng với các cơ sở cần thiết. Cho dù đó là bác sĩ tạm thời thông qua Locums, y tá với RNnetwork, hay các giải pháp rộng hơn thông qua CHG chính nó, họ cung cấp các giải pháp nhân sự tùy chỉnh để giúp các cơ sở y tế hoạt động trơn tru và cung cấp dịch vụ chăm sóc chất lượng cho bệnh nhân.

Giá trị cơ bản của họ là kết nối đúng nhà cung cấp y tế với đúng cơ sở vào đúng thời điểm. Thách thức của họ là họ không có một cái nhìn thống nhất và chính xác về tất cả các nhà cung cấp trong mạng của họ. Với quy mô của họ (7,5 triệu nhà cung cấp +), điều đó là không thể để giữ dữ liệu của họ chính xác với các phương pháp truyền thống dựa trên quy tắc mà không làm vỡ ngân hàng về các nhà kiểm duyệt dữ liệu khan hiếm. Họ cũng không thể bỏ qua vấn đề này vì quyết định nhân sự của họ phụ thuộc vào nó. Dữ liệu xấu đối với họ có thể có nghĩa là một nhà cung cấp nhận được nhiều ca hơn họ có thể xử lý, dẫn đến kiệt sức.

Sử dụng các khả năng AI/ML tiên tiến của Tamr, CHG Healthcare đã giảm các bản ghi lặp lại của bác sĩ xuống 45% và gần như loại bỏ hoàn toàn việc chuẩn bị dữ liệu thủ công được thực hiện bởi các nguồn lực phân tích và dữ liệu khan hiếm. Và quan trọng nhất, bằng cách có một cái nhìn đáng tin cậy và chính xác về các nhà cung cấp, CHG có thể tối ưu hóa nhân sự, cho phép họ cung cấp trải nghiệm khách hàng tốt hơn.

Các quan niệm sai lầm phổ biến nhất về AI trong quản lý dữ liệu là gì và Tamr giúp xóa bỏ những huyền thoại này như thế nào?

Một quan niệm sai lầm phổ biến là AI phải là “hoàn hảo” hoặc các quy tắc và chăm sóc dữ liệu thủ công là hoàn hảo so với AI. Thực tế là các quy tắc thất bại tất cả thời gian. Và quan trọng hơn, khi các quy tắc thất bại, giải pháp duy nhất là nhiều quy tắc hơn. Vì vậy, bạn có một mớ hỗn độn không thể quản lý được của các quy tắc. Việc chăm sóc dữ liệu thủ công cũng có thể sai. Con người có thể có ý định tốt (mặc dù không phải lúc nào), nhưng họ không phải lúc nào cũng đúng. Điều tồi tệ hơn, một số người chăm sóc dữ liệu tốt hơn những người khác, hoặc đơn giản là có thể đưa ra quyết định khác với những người khác. AI, ngược lại, là xác suất theo bản chất. Chúng tôi có thể xác thực thông qua thống kê về mức độ chính xác của bất kỳ kỹ thuật nào trong số này và khi chúng tôi làm như vậy, chúng tôi phát hiện ra rằng AI ít tốn kém hơn và chính xác hơn bất kỳ giải pháp thay thế nào.

Tamr kết hợp AI với tinh chỉnh của con người để đảm bảo độ chính xác của dữ liệu. Bạn có thể giải thích rõ hơn về cách kết hợp này hoạt động trong thực tế?

Con người cung cấp điều gì đó đặc biệt quan trọng cho AI – họ cung cấp đào tạo. AI thực sự là về việc mở rộng nỗ lực của con người. Điều mà Tamr tìm kiếm ở con người là một số lượng nhỏ các ví dụ (“nhãn đào tạo”) mà máy có thể sử dụng để đặt các tham số mô hình. Trong thực tế, điều này trông giống như con người dành một chút thời gian với dữ liệu, cung cấp cho Tamr các ví dụ về lỗi và sai sót trong dữ liệu và AI chạy các bài học đó trên toàn bộ tập dữ liệu. Ngoài ra, khi dữ liệu mới được thêm vào hoặc dữ liệu thay đổi, AI có thể hiển thị các trường hợp mà nó gặp khó khăn trong việc đưa ra quyết định tự tin (“khớp thấp”) và yêu cầu đầu vào từ con người. Đầu vào này, tất nhiên, sẽ tinh chỉnh và cập nhật các mô hình.

Vai trò của các mô hình ngôn ngữ lớn (LLM) trong các quy trình chất lượng và làm giàu dữ liệu của Tamr là gì?

Trước hết, điều quan trọng là phải rõ ràng về những gì LLM tốt. Về cơ bản, LLM là về ngôn ngữ. Chúng tạo ra các chuỗi văn bản có nghĩa và chúng có thể “hiểu” ý nghĩa của văn bản được đưa cho chúng. Vì vậy, bạn có thể nói rằng chúng là máy ngôn ngữ. Vì vậy, đối với Tamr, nơi ngôn ngữ quan trọng, chúng tôi sử dụng LLM. Một ví dụ rõ ràng là trong giao diện đối thoại của chúng tôi, nằm trên dữ liệu thực thể của chúng tôi, mà chúng tôi gọi là CDO ảo của mình. Khi bạn nói chuyện với CDO thực của mình, họ hiểu bạn và họ phản hồi bằng ngôn ngữ bạn hiểu. Điều này chính xác là những gì chúng tôi mong đợi từ một LLM và đó chính xác là cách chúng tôi sử dụng nó trong phần mềm của mình. Điều có giá trị về Tamr trong ngữ cảnh này là chúng tôi sử dụng dữ liệu thực thể làm ngữ cảnh cho cuộc trò chuyện với CDO ảo của chúng tôi. Nó giống như CDO thực của bạn có tất cả dữ liệu doanh nghiệp tốt nhất của bạn trong tầm tay khi họ phản hồi các câu hỏi của bạn – điều đó có tốt không!

Bạn nhìn thấy tương lai của quản lý dữ liệu sẽ phát triển như thế nào, đặc biệt là với những tiến bộ trong AI và học máy?

Kỷ nguyên “Dữ liệu Lớn” vào đầu những năm 2000 nên được nhớ đến như kỷ nguyên “Dữ liệu Nhỏ”. Mặc dù đã tạo ra rất nhiều dữ liệu trong hơn 20 năm qua, được kích hoạt bởi sự phổ biến của lưu trữ và tính toán, nhưng phần lớn dữ liệu đã có tác động trong doanh nghiệp là tương đối nhỏ – các báo cáo bán hàng và khách hàng cơ bản, phân tích tiếp thị và các tập dữ liệu khác có thể dễ dàng được mô tả trong một bảng điều khiển. Kết quả là nhiều công cụ và quy trình được sử dụng trong quản lý dữ liệu được tối ưu hóa cho “dữ liệu nhỏ”, đó là lý do tại sao logic dựa trên quy tắc, được bổ sung bởi chăm sóc dữ liệu thủ công, vẫn còn phổ biến trong quản lý dữ liệu.

Cách mọi người muốn sử dụng dữ liệu đang thay đổi cơ bản với những tiến bộ trong AI và học máy. Ý tưởng về các “đại lý AI” có thể thực hiện một phần quan trọng của công việc của một người chỉ hoạt động nếu các đại lý đó có dữ liệu họ cần. Nếu bạn mong đợi một đại lý AI phục vụ ở tiền tuyến của hỗ trợ khách hàng, nhưng bạn có năm bản ghi của “Dell Computer” trong CRM của mình và nó không được kết nối với thông tin sản phẩm trong ERP của bạn, làm thế nào bạn có thể mong đợi họ cung cấp dịch vụ chất lượng cao khi ai đó từ Dell liên hệ?

Điều này ngụ ý rằng công cụ và quy trình quản lý dữ liệu của chúng tôi sẽ cần phải phát triển để xử lý quy mô, điều này có nghĩa là phải chấp nhận AI và học máy để tự động hóa nhiều hoạt động làm sạch dữ liệu hơn. Con người vẫn sẽ đóng một vai trò quan trọng trong việc giám sát quy trình, nhưng về cơ bản, chúng tôi cần phải yêu cầu máy móc làm nhiều hơn để không chỉ dữ liệu trong một bảng điều khiển duy nhất là chính xác và đầy đủ, mà là đa số dữ liệu trong doanh nghiệp.

Các cơ hội lớn nhất cho các doanh nghiệp ngày nay khi nói đến việc tận dụng dữ liệu của họ một cách hiệu quả hơn là gì?

Tăng số lượng cách mà mọi người có thể tiêu thụ dữ liệu. Không có nghi ngờ nào rằng các cải tiến trong công cụ trực quan hóa dữ liệu đã làm cho dữ liệu trở nên dễ tiếp cận hơn trên toàn doanh nghiệp. Bây giờ, các nhà lãnh đạo dữ liệu và phân tích cần phải tìm ra các cách để cung cấp giá trị bằng dữ liệu ngoài bảng điều khiển. Các giao diện như trang 360 nội bộ, đồ thị kiến thức và trợ lý đối thoại được kích hoạt bởi các công nghệ mới và cung cấp cho người tiêu thụ dữ liệu tiềm năng nhiều cách hơn để sử dụng dữ liệu trong luồng công việc hàng ngày của họ. Nó đặc biệt mạnh mẽ khi những thứ này được nhúng trong các hệ thống mà mọi người đã sử dụng, chẳng hạn như CRM và ERP. Cách nhanh nhất để tạo ra nhiều giá trị hơn từ dữ liệu là đưa dữ liệu đến những người có thể sử dụng nó.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Tamr.