GHOST INTERVIEW #37 | O Magnata do Big Data!!!!

Os dólares não mentem: 2019 está sendo o ano do Big Data. No começo do ano, o McDonalds comprou a Dynamic Yield, a Publicis adquiriu a Epsilon, a Salesforce comprou a Tableau e a Nike foi atrás da Celest.  No meio desse turbilhão, um novo bilionário, que veio do mundo dos dados, surgiu no mercado de tecnologia: o CEO e fundador da Alteryx, Dean Stoecker. E é com ele o Ghost Interview da semana.

Para quem não está familiarizado ao mundo dos dados, a Alteryx tem um software famoso no mundo de analytics e de criação de modelagens de dados; o programa deles é usado por companhias como Coca-Cola, Cisco e até a própria Tableau. Só neste ano, a empresa passou de valor de mercado de US$ 4,6 bilhões para algo perto de US$ 9 bilhões!  Vocês devem estar pensando que se trata de mais uma daquelas startups do Vale do Silício que chegam ao valor de bilhões em meses, mas não: na verdade, a Alteryx foi criada em 1998 quando Stoecker tinha 40 anos. Depois de 14 anos de funding próprio, a empresa foi atrás de investidores externos; e depois de 19 anos, abriu capital. E porque levou tanto tempo? Segue só: 

Data changes the world

Depois de me graduar na faculdade, eu fui trabalhar para a Dun & Bradstreet Nielsen, onde eu aprendi os desafios de monetizar os dados. As empresas tentavam ser boas em três competências core: dados, software e analytics. Eu percebi que, para se ter sucesso, você precisava apenas saber muito bem uma delas.

Aos 40 anos, eu decidi me aventurar sozinho. Um dia eu falei para a minha esposa que, das duas uma, ou eu iria comprar uma empresa ou eu iria me demitir. Às três e meia da tarde eu liguei para ela dizendo que eu tinha me demitido. Com três parceiros, em 1997 nós decidimos focar em analytics e num software SaaS [que dependia de assinatura]. Nós levantamos uma grana em 1998 de um cliente que queria que a gente se erguesse. Era a época das “ponto-com”, mas decidimos ficar afastados desse meio, para não precisar de investimento externo. Por 14 anos, nós estávamos crescendo a um passo de 20% a 25% anual, sem perder dinheiro, e sempre pagando nossas contas. 

Quando a empresa chegou a US$ 25 milhões [de receita], eu percebi que era o momento de abrir um pouco. Quando alcançamos US$ 40 milhões em receita, eu quis testar se poderíamos abrir o capital, ou se seríamos uma empresa privada de US$ 100 milhões. Muitas pessoas da empresa não aderiram à ideia de abrir capital, então, entre 2015 e 2017 eu substituí os líderes sêniores para realinhar.  

Quando chegou o momento de fazer o road show do IPO, três cavalheiros mais velhos que trabalhavam para um hedge fund olharam para mim e falaram “não é o jovem empreendedor do Vale do Silício que estamos acostumados’ e eu respondi ‘não seguimos o mesmo caminho que outras, mas somos uma daquelas empresas que vai voar’. 

(Entrevista à Inc. em 13 de março de 2018)

A Alteryx, para quem não conhece, é um software que oferece self service de data analytics de várias fontes e formatos. É um programa livre de códigos, para aqueles que não conhecem programação, mas que também tem espaço para quem sabe codificar. A nossa ideia é criar o cidadão cientista de dados, que não precisa, exatamente, saber usar Python para saber analisar dados.

Quando fomos levantar dinheiro pela primeira vez, não estava animado. Mas era uma necessidade, todo o trabalho duro tinha sido feito, por 14 anos nós “nos pagamos”, quando passamos de US$ 20 milhões em receita, o mercado de serviço de data science e analytics começou a se abrir, mudamos o nome da empresa e começamos a ir atrás de investidores. 

(Entrevista à Treehouse durante a SXSW 2019 em 16 de maio de 2019)

Basicamente, porque a gente teve que esperar o mercado perceber o Big Data como valor. Hoje em dia, eu acredito que a análise de dados é uma das habilidades que todo ser humano terá que ter se quiser sobreviver nessa próxima geração. 

(Entrevista à revista Forbes em 29 de agosto de 2019)

Dados são o novo petróleo, e as pessoas estão acordando para ver isso. O analytics se tornou mainstream e a transformação digital entrou na lista de prioridades da maioria dos C’levels. 

Nesse sentido, dá para entender porque estamos crescendo quase 60% ano a ano, há demanda do mercado. 

(Entrevista ao Mad Money da CNBC em 4 de março de 2019)

Quase toda indústria, de bancos a varejistas, está olhando para a modelação de dados. Sugiro que quem não estiver desenvolvendo uma cultura de data a analytics em sua empresa, comece a se preocupar, porque usar bem os dados é o que vai fazer a diferença entre os ganhadores e perdedores, principalmente quando falamos de um mundo com machine learning e inteligência artificial.

(Entrevista ao podcast Bloomberg Markets em 3 de agosto de 2017)

A nossa ideia sempre foi democratizar a análise de dados. Pensar que alguns milhões de PhD em estatística vão resolver os problemas do mundo é desonesto. Nós precisaríamos de um exército de cientistas de dados para, de fato, resolver todos os problemas que dependem de dados.

De maneira geral, não há fronteiras para a ciência de dados. Todos os países e empresas têm necessidade de domar os dados, de construir processos de análise e de previsão. E isso vale para todos os segmentos também. Nossa plataforma é usada para bancos criarem modelagem de derivativos e de precificação de equity, varejistas usam para analisar supply chain, para otimizar as redes de loja e para compreender o marketing hiperlocalizado. Até os Green Bay Packers [time de futebol norte-americano que compete na NFL] utiliza o nosso software, tanto para analisar o que acontece em campo, como para entender o que ocorre nos estádios.

Aeroportos e companhias aéreas utilizam o software para prever lotação de voos e uso de combustível.  Companhias de petróleo usam o programa para prever quando ou não fechar as plataformas de petróleo para reparo. 

(Bate-Papo em “Fireside Chat” da H20.Ai em 5 de fevereiro de 2019)

A tendência de maneira geral é que existam tecnologias “livres de código”, que abram espaço para usuários analisarem os dados da maneira que queiram. 

Ser capaz de enxergar insights que não apenas trazem prazer ao mundo pessoal e ao trabalho, mas também aumentam a eficiência operacional de seus empregadores. Vimos milhares de analistas que se conectam a este produto, eles estão vivendo em uma tabela complexa de excel ou se interessando um pouco pela codificação SQL, mas no século 21, você não deveria escrever códigos sequenciais mesmo sabendo como escrever uma sequência e você não precisa converter seu conjunto de dados em um estatístico ou em ferramentas usadas na década de 1970 como o SPSS. Os usuários querem ter suas vidas de volta; eles querem assumir o controle.

A TI fica um pouco confusa com isso porque gastou milhões de dólares ao longo dos anos nas ferramentas corporativas criadas especificamente para TI, gerenciada por TI, comprada por TI, mas a linha de negócios nunca conseguiu o que queria. Estamos vendo uma mudança radical nessa transição geracional e muito disso veio por conta de uma tecnologia como a nossa, que reduz o atrito entre homem e máquina, facilitando que as pessoas se tornem cidadãos cientistas de dados.

Eu acho que isso está mudando o trabalhador de dados da nova era, as pessoas não precisam mais frequentar os 4 anos de universidade, não é necessário ter um diploma em análise de negócios. Estamos mudando a noção de que existem apenas poucos cientistas de dados no mundo.

(…)

Eu tenho um membro do conselho que foi executivo de investimento em tecnologia bancária do Morgan Stanley. Ele começou a participar do conselho no começo de 2016, e ele falou uma coisa sobre o software para mim que eu continuo falando para as pessoas. Ele falou ‘eu entendi, Dean, você libera os analistas na linha de negócios e quer dar uma ferramenta para todo funcionário que trabalha com dados descobrir um tipo de lucro marginal’. Ele está certo, por exemplo, a Ford Motors, uma empresa de 110 anos que modernizou a indústria automobilística com os robôs disse uma vez “nós fomos dormir como um gigante industrial, e acordamos como uma empresa de análise de dados”. 

(Entrevista ao site Techseen em 30 de dezembro de 2016)