레이튼 웰치 Tracer의 CTO이자 공동 창립자입니다. 트레이서 복잡한 데이터 세트를 구성, 관리 및 시각화하여 더 빠르고 실행 가능한 비즈니스 인텔리전스를 추진하는 AI 기반 도구입니다. Leighton은 Tracer의 최고 기술 책임자가 되기 전에 SocialCode의 소비자 통찰력 책임자와 VaynerMedia의 엔지니어링 부사장을 역임했습니다. 그는 광고 기술 생태계에서 선구적인 경력을 쌓았으며, 최초의 Snapchat 광고를 운영하고 세계 최대 플랫폼 중 일부의 상업용 API에 대한 컨설팅을 담당했습니다. Leighton은 2013년 하버드를 컴퓨터 과학 및 경제학 학위로 졸업했습니다.
귀하의 배경과 하버드, SocialCode, VaynerMedia에서의 경험이 Tracer를 공동 창립하는 데 어떤 영감을 주었는지 자세히 말씀해 주시겠습니까?
원래 아이디어는 10년 전에 떠올랐습니다. 어린 시절 친구가 금요일 밤에 전화를 걸어왔습니다. 그는 자신의 고객 중 한 명을 위해 다양한 소셜 플랫폼에서 데이터를 집계하는 데 어려움을 겪고 있었습니다. 그는 이것이 자동화될 수 있다고 생각했고, 저는 소프트웨어 엔지니어링 분야에서 배경을 가지고 있었기 때문에 제 도움을 요청했습니다. 그렇게 저는 현재 공동 창립자인 제프 니콜슨을 처음 만났습니다.
이것이 우리의 전구 순간이었습니다. 이러한 캠페인에 사용되는 돈의 양은 그 돈을 추적하는 소프트웨어의 품질을 훨씬 앞지르고 있었습니다. 그것은 데이터 과학에 많은 응용 프로그램이 있는 신생 시장이었습니다.
우리는 점점 더 방대하고 복잡해지는 미디어 캠페인의 요구를 충족할 수 있는 분석 소프트웨어를 계속 구축했습니다. 문제를 해결하면서, 우리는 이질적인 데이터를 수집하고 맥락화하는 명확한 단계인 프로세스를 개발했습니다. 우리는 우리가 구축하고 있는 프로세스가 광고뿐만 아니라 모든 데이터 세트에 적용될 수 있다는 것을 깨달았고, 그것이 바로 오늘날의 Tracer입니다. 복잡한 데이터 세트를 구성, 관리 및 시각화하여 더 빠르고 실행 가능한 비즈니스 인텔리전스를 추진하는 AI 기반 도구입니다.
우리는 기능 전반에 걸쳐 분산된 데이터 세트를 수집, 연결 및 구성하는 데 필요한 단계를 자동화하여 “데이터 중심” 조직이 되는 것이 무엇을 의미하는지 민주화하는 데 도움을 주고 있으며, 직관적인 보고 및 시각화를 통해 강력한 BI를 제공합니다. 이는 판매 데이터를 마케팅 CRM에 연결하고, HR 분석을 수익 추세에 연결하고, 무한한 추가 애플리케이션을 의미할 수 있습니다.
Tracer의 플랫폼이 어떻게 분석을 자동화하고 클라이언트를 위한 최신 데이터 스택을 혁신하는지 설명해 주시겠습니까?
단순화를 위해 분석을 소프트웨어를 통해 비즈니스 질문에 답하는 것으로 정의해 보겠습니다. 오늘날의 환경에서는 실제로 두 가지 접근 방식이 있습니다.
- 첫 번째는 수직 소프트웨어를 구매하는 것입니다. CFO의 경우 Netsuite가 될 수 있습니다. CRO의 경우 Salesforce가 될 수 있습니다. 수직 소프트웨어는 엔드투엔드이고, 매우 특화될 수 있으며, 바로 사용할 수 있기 때문에 좋습니다. 수직 소프트웨어의 한계는 수직이라는 것입니다. Netsuite가 Salesforce와 통신하기를 원한다면, 다시 제자리로 돌아가는 것입니다. 수직 소프트웨어는 완벽하지만, 유연하지 않습니다.
- 두 번째 접근 방식은 수평 소프트웨어를 구매하는 것입니다. 이는 데이터 수집을 위한 소프트웨어, 저장을 위한 소프트웨어, 그리고 분석을 위한 소프트웨어일 수 있습니다. 수평 소프트웨어는 거의 모든 것을 처리할 수 있기 때문에 훌륭합니다. 이 파이프라인을 통해 Salesforce와 Netsuite 데이터를 모두 수집, 저장 및 분석할 수 있습니다. 한계는 조립, 유지 관리가 필요하고 “상자에서 꺼내자마자” 아무것도 작동하지 않는다는 것입니다. 수평 소프트웨어는 유연하지만 완벽하지는 않습니다.
우리는 모든 것에 대한 보고에 필요한 기술을 결합한 플랫폼을 만들어 세 번째 접근 방식을 제공하며, 엔지니어링 리소스나 기술적 오버헤드 없이도 바로 사용할 수 있을 만큼 접근성이 뛰어납니다. 유연하고 완벽합니다. Tracer는 애플리케이션에 독립적이며 엔드투엔드인 시장에서 가장 강력한 플랫폼입니다.
Tracer는 지난달 10페타바이트의 데이터를 처리했습니다. Tracer는 어떻게 이렇게 방대한 양의 데이터를 효율적으로 처리할 수 있을까요?
규모는 우리 세상에서 엄청나게 중요하며, Tracer에서는 처음부터 항상 우선순위였습니다. 이 방대한 양의 데이터를 처리하기 위해 우리는 동급 최고의 기술을 많이 활용하고 필요 없는 곳에서 바퀴를 다시 발명하지 않습니다. 우리는 우리가 구축한 인프라에 대해 엄청나게 자랑스러워하지만, 그것에 대해서도 매우 개방적입니다. 사실, 우리의 아키텍처 프로그램은 웹사이트에 설명되어 있습니다.
파트너에게 우리가 말하는 것은 이렇습니다. 귀사의 사내 엔지니어링 팀이 우리가 만든 것을 만들 능력이 없다는 것이 아니라, 그럴 필요가 없다는 것입니다. 우리는 귀사를 위해 최신 데이터 스택의 일부를 조립했습니다. 이 프레임워크는 효율적이고, 실전에서 검증되었으며, 우리가 환경에 맞춰 동적으로 진화할 수 있도록 모듈화되어 있습니다.
많은 파트너가 더 큰 전략적 이니셔티브에 집중하기 위해 엔지니어링 리소스를 확보하고자 우리에게 찾아옵니다. 그들은 Tracer의 아키텍처를 목적을 달성하기 위한 수단으로 사용합니다. 데이터베이스가 있다고 해서 비즈니스 질문에 답할 수 없습니다. ETL 파이프라인이 있다고 해서 비즈니스 질문에 답할 수 없습니다. 정말 중요한 것은 인프라를 구축한 후 무엇을 할 수 있느냐는 것입니다. 그래서 Tracer를 구축한 것입니다. 우리는 여러분이 답을 얻는 지름길입니다.
구조화된 데이터가 AI에 중요하다고 생각하는 이유는 무엇이며, 구조화된 데이터는 비구조화된 데이터보다 어떤 이점을 제공합니까?
구조화된 데이터는 AI에 매우 중요한데, 이는 수동적인 인간 상호작용을 허용하기 때문이며, 이는 효과적인 산출물에 필수적인 구성 요소라고 생각합니다. 즉, 오늘날의 생태계에서 우리는 구조화되지 않은 데이터와 이전에는 접근하기 어려웠던 형식(문서, 이미지, 비디오 등)의 통찰력을 활용할 수 있는 능력이 그 어느 때보다 더 뛰어납니다.
따라서 저희는 기본 데이터 세트에 가장 익숙한 사람들로부터 추가 컨텍스트를 통합할 수 있는 플랫폼을 제공하는 것이 목표입니다. 즉, 구조화되지 않은 데이터 → 구조화된 데이터 → Tracer의 컨텍스트 엔진 → AI 기반 출력입니다. 저희는 그 사이에 앉아 더 효과적인 피드백 루프를 허용하고 필요한 경우 수동 개입을 허용합니다.
기업은 비정형 데이터로 인해 어떤 어려움을 겪고 있으며, Tracer는 이런 어려움을 극복하여 데이터 품질을 개선하는 데 어떻게 도움이 됩니까?
Tracer와 같은 플랫폼이 없다면, 비정형 데이터에 대한 과제는 모두 제어에 관한 것입니다. 모델에 데이터를 입력하고, 모델은 답을 내뱉고, 블랙박스 내부에서 일어나는 일을 최적화할 수 있는 기회는 거의 없습니다.
예를 들어 미디어 캠페인에서 가장 영향력 있는 콘텐츠를 결정하고 싶다고 가정해 보겠습니다. Tracer는 AI를 사용하여 광고에서 실행된 모든 콘텐츠에 대한 메타데이터를 제공할 수 있습니다. 또한 AI를 사용하여 고도로 구조화된 데이터 세트에서 해당 답변으로 이동하는 마지막 마일 분석을 제공할 수도 있습니다.
하지만 그 사이에, 저희 플랫폼은 사용자가 미디어 데이터와 결과가 존재하는 데이터 세트 간의 연결을 그릴 수 있게 하고, “영향력 있는” 것을 더 세부적으로 정의하고, AI가 한 분류를 정리할 수 있게 합니다. 기본적으로, 저희는 블랙박스를 제거하기 위해 단계를 추상화하고 상품화했습니다. AI가 없다면 Tracer에서 인간이 해야 할 일이 훨씬 더 많습니다. 하지만 Tracer가 없다면 AI는 동일한 품질의 답변을 얻을 수 없습니다.
Tracer가 데이터 인텔리전스 플랫폼을 강화하기 위해 사용하는 주요 AI 기반 기술로는 무엇이 있나요?
Tracer는 소스, 콘텐츠, 출력이라는 세 가지 핵심 제품 범주로 나눌 수 있습니다.
- 소스는 다양한 데이터의 수집, 모니터링 및 QA를 자동화하는 데 사용되는 도구입니다.
- 컨텍스트는 데이터가 수집된 후 이를 정리하기 위한 드래그 앤 드롭 방식의 의미 계층입니다.
- 출력은 상황에 맞는 데이터를 기반으로 비즈니스 질문에 답할 수 있는 곳입니다.
Tracer에서는 AI를 이러한 단계를 대체할 수 있는 것으로 보지 않습니다. 대신, AI는 세 가지 범주 모두에서 자동화 가능성을 확장하는 데 활용할 수 있는 또 다른 형태의 기술로 봅니다.
예를 들어:
- 출처: 파트너 카탈로그를 통해 제공되지 않는 롱테일 데이터 소스에 대한 새로운 API 커넥터를 구축하는 데 AI를 활용합니다.
- 맥락: 태그 규칙을 실행하기 전에 메타데이터를 정리하기 위해 AI 활용. 예를 들어, 모든 언어의 출판물 이름의 변형을 정리합니다.
- 산출물: 반복적으로 보고해야 하는 고정된 KPI 세트가 아닌, 비즈니스 사용 사례가 탐색적인 대시보드를 대체하는 드롭인 방식으로 AI를 활용합니다.
- AI를 사용하면 이러한 유형의 응용 프로그램을 간단하고 접근하기 쉬운 방식으로 구현할 수 있습니다.
Tracer는 향후 데이터 인텔리전스 분야에서 어떤 개발 및 혁신을 계획하고 있나요?
Tracer는 애그리게이터의 애그리게이터입니다. 파트너는 팀 및 기능 내의 특정 애플리케이션이나 교차 기능적 비즈니스 인텔리전스에 사용하기 위해 우리에게 의지할 것입니다. Tracer의 장점은 미디어 지출과 크리에이티브에 대한 더 나은 결정을 내리기 위해 우리를 활용하든, 공급망에서 판매에 이르기까지 다양한 지표를 연결하기 위한 대시보드를 구축하든, 빌딩 블록이 일관적이라는 것입니다.
우리는 한 사업 영역(예: 미디어 및 마케팅)에서 공식적으로 우리에게 의존했던 조직들이 다른 사업 영역으로 애플리케이션을 확장하는 것을 보고 있습니다. 따라서 우리의 주요 고객이 이전에는 고위 미디어 임원이나 에이전시 파트너였지만, 요즘은 CIO, CTO, 데이터 과학자, 비즈니스 분석가와 협력하여 조직 전체에서 일합니다. 우리는 점점 더 많은 애플리케이션과 페르소나를 수용할 수 있도록 도구를 계속 구축하고 있으며, 핵심 기술이 확장 가능하고 유연하며 비기술적 사용자에게도 접근 가능하도록 보장합니다.
훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶은 독자는 다음을 방문하세요. 트레이서.
게시물 Leighton Welch, Tracer의 CTO 겸 공동 창립자 – 인터뷰 시리즈 처음 등장 유나이트.AI.
