莱顿·韦尔奇，Tracer 的首席技术官和联合创始人 – 采访系列

莱顿·韦尔奇 是 Tracer 的首席技术官和联合创始人。 Tracer 是一个人工智能驱动的工具，用于组织、管理和可视化复杂的数据集，以推动更快、更有行动性的商业智能。 在成为 Tracer 的首席技术官之前，莱顿曾是 SocialCode 的消费者洞察总监和 VaynerMedia 的工程副总裁。 他在广告技术生态系统中开创了先河，运行了第一个 Snapchat 广告，并为世界上一些最大的平台咨询商业 API。 莱顿于 2013 年毕业于哈佛大学，获得计算机科学和经济学学位。

您能告诉我们更多关于您的背景和您在哈佛、SocialCode 和 VaynerMedia 的经历如何激发您联合创立 Tracer 的灵感吗？

最初的想法是在十年前。 我的一个儿时朋友在星期五晚上给我打电话。 他正在为一个客户在各种社交平台上聚合数据时遇到困难。 他认为这可以被自动化，所以他让我帮忙，因为我有软件工程背景。 这就是我第一次遇到我的现在联合创始人杰夫·尼科尔森的机会。

这是我们的灵感时刻：这些活动花费的金额远远超过了跟踪这些美元的软件质量。 这是一个初生的市场，具有大量的数据科学应用。

我们继续构建能够满足越来越大和复杂的媒体活动需求的分析软件。 当我们解决这个问题时，我们开发了一个过程——从获取和上下文化不同数据开始。 我们意识到我们正在构建的过程可以应用于任何数据集——不仅仅是广告——这就是 Tracer 今天的样子：一个人工智能驱动的工具，用于组织、管理和可视化复杂的数据集，以推动更快、更有行动性的商业智能。

我们正在帮助使“数据驱动”的组织概念更加民主化，通过自动化跨功能连接和组织不同数据集的步骤，提供直观的报告和可视化。 这可能意味着将销售数据连接到您的营销 CRM，将人力资源分析连接到收入趋势，等等。

您能解释一下 Tracer 的平台如何自动化分析并革新其客户的现代数据堆栈吗？

为了简单起见，让我们将分析定义为通过软件回答商业问题。 在今天的环境中，有两种方法。

• 第一种方法是购买垂直软件。 对于 CFO 来说，这可能是 Netsuite。 对于 CRO 来说，这可能是 Salesforce。 垂直软件很好，因为它是端到端的，可以非常专业，并且应该可以直接使用。 但是垂直软件的局限性在于它是垂直的：如果您想让 Netsuite 与 Salesforce 通信，您又回到了起点。 垂直软件是完整的，但它不灵活。
• 第二种方法是购买水平软件。 这可能是一种用于数据摄取的软件，另一种用于存储，第三种用于分析。 水平软件很好，因为它可以处理几乎所有事情。 您可以通过这种管道摄取、存储和分析 Salesforce 和 Netsuite 数据。 但是水平软件的局限性在于它需要被组装、维护，并且没有什么是“开箱即用”的。 水平软件是灵活的，但它不完整。

我们提供了一种第三种方法，通过创建一个结合必要技术的平台来报告任何内容，使其足够简单，可以直接使用，而无需任何工程资源或技术开销。 它是灵活的和完整的。 Tracer 是市场上最强大的平台，它既是应用程序无关又是端到端的。

Tracer 上个月处理了大约 10 佩字节的数据。 Tracer 如何高效地处理如此大量的数据？

在我们的世界中，规模至关重要，并且一直是 Tracer 的首要任务，即使在早期。为了处理这种数据量，我们利用了许多最先进的技术，并避免在不需要的地方重新发明轮子。我们为自己构建的基础设施感到非常自豪，我们也非常开放。事实上，我们的架构计划在我们的网站上有详细说明。

我们告诉合作伙伴的是：您的内部工程团队不应该构建我们已经构建的东西。我们为您组装了现代数据堆栈的组件。框架是高效的、经过实战考验的，并且可以随着环境的变化而动态演化。

很多合作伙伴会来找我们，希望解放工程资源，以专注于更大的战略计划。他们使用 Tracer 的架构作为手段。拥有数据库并不能回答商业问题。拥有 ETL 管道并不能回答商业问题。真正重要的是您在基础设施组装完成后可以用它做什么。这就是我们构建 Tracer 的原因——我们是您获取答案的捷径。

您为什么认为结构化数据对于人工智能至关重要，以及它相对于非结构化数据有什么优势？

结构化数据对于人工智能至关重要，因为它允许进行人工交互，我们认为这是有效输出的必备组件。话虽如此，在今天的生态系统中，我们比以往任何时候都更具能力，能够利用非结构化数据和以前难以访问的格式（文档、图像、视频等）中的见解。

因此，对于我们来说，这是关于提供一个平台，通过该平台可以将来自最熟悉底层数据集的人的额外上下文纳入其中，一旦数据变得可访问。换句话说，这是非结构化数据 → 结构化数据 → Tracer 的上下文引擎 → 人工智能驱动的输出。我们处于中间位置，并允许更有效的反馈循环，并在必要时允许手动干预。

公司在处理非结构化数据时面临哪些挑战，Tracer 如何帮助克服这些挑战以提高数据质量？

没有像 Tracer 这样的平台，非结构化数据的挑战就是控制权。您将数据输入模型，模型输出答案，您对黑盒子内部发生的事情几乎没有机会优化。

例如，如果您想确定媒体活动中最有影响力的内容，Tracer 可能会使用人工智能来提供有关在广告中运行的所有内容的元数据。它还可能使用人工智能来提供从高度结构化的数据集到答案的最后一英里分析。

但是我们之间，平台允许用户在媒体数据和结果数据集之间绘制连接，更细致地定义“影响力”，并清理人工智能进行的分类。基本上，我们抽象和产品化了步骤，以消除黑盒。没有人工智能，Tracer 中需要更多的人工工作。但是没有 Tracer，人工智能无法达到相同的答案质量。

Tracer 使用哪些基于人工智能的关键技术来增强其数据智能平台？

您可以将 Tracer 分为三个核心产品类别：源、内容和输出。

• 源是一个用于自动化不同数据摄取、监控和质量保证的工具。
• 上下文是一个用于数据摄取后组织数据的拖放语义层。
• 输出是您可以在上下文化数据上回答商业问题的地方。

在 Tracer，我们不认为人工智能是任何一步的替代品；相反，我们认为人工智能是所有三个类别都可以利用来扩展自动化内容的技术。

例如：

• 源：利用人工智能帮助构建新的 API 连接器，以连接通过我们的合作伙伴目录不可用的长尾数据源。
• 上下文：利用人工智能清理元数据，然后运行标签规则。例如，清理每种语言中出版物名称的变体。
• 输出：利用人工智能作为固定 KPI 报表的替代品，在商业用例是探索性而不是固定的 KPI 报表时。
• 人工智能使我们能够以简单和易用的方式实现这些应用。

Tracer 在数据智能领域的未来发展和创新计划是什么？

Tracer 是聚合器的聚合器。我们的合作伙伴将依赖我们来满足团队和职能内的特定应用需求，或者用于跨职能商业智能。 Tracer 的美妙之处在于，无论您是使用我们来更好地决策您的媒体支出和创意，还是构建仪表板来连接从供应链到销售等各个指标，构建块都是相同的。

我们看到组织从以前仅在业务的一个领域（例如媒体和营销）依赖我们，扩展到业务的其他领域。因此，我们的主要客户不再仅仅是高级媒体高管或代理合作伙伴，而是与 CIO、CTO、数据科学家和业务分析师合作。我们继续开发我们的工具，以适应越来越多的应用和用户，同时确保核心技术对于非技术用户来说是可扩展的、灵活的和易于访问的。

感谢这次精彩的采访，希望了解更多的读者请访问 Tracer。