Los sistemas de TI se están volviendo cada vez más complejos, debido al cambio masivo a la nube durante la pandemia. La pila de datos moderna consta de cientos de herramientas para el desarrollo de aplicaciones, la captura e integración de datos, la orquestación, el análisis y el almacenamiento. Y cada día es más grande y complicado. Según Productiv, una startup de administración de aplicaciones de software como servicio, la empresa promedio tenía 254 herramientas internas hasta septiembre pasado, y la mayoría de los departamentos discutían entre 40 y 60 cada uno.
Para abordar los crecientes desafíos, Kunal Agarwal y Shivnath Babu cofundaron Unravel Data, una plataforma diseñada para brindar a los equipos de desarrolladores visibilidad en las pilas de datos, solucionar problemas y optimizar las cargas de trabajo de datos y definir barandillas para controlar los costos. En una señal de que el negocio se está fortaleciendo, Unravel cerró hoy una ronda de financiación de la Serie D de $ 50 millones liderada por Third Point Ventures con la participación de Bridge Bank, Menlo Ventures, Point 72, GGV Capital y Harmony Capital, elevando su total recaudado a $ 107 millones.
“Independientemente de la industria en la que compita una empresa, lo único que tienen en común entre sí es la comprensión de que poder transformar datos sin procesar en información procesable es directamente proporcional a su capacidad para ofrecer nuevas innovaciones al mercado”, dijo Agarwal. TechCrunch en una entrevista por correo electrónico. “Por esa razón, a pesar de la incertidumbre económica provocada por la pandemia, hemos visto un interés fuerte y sostenido tanto en el [observability] metodología en general y la plataforma Unravel en particular.”
Agarwal y Babu se conocieron en la Universidad de Duke, donde Shivnath era un profesor titular que investigaba cómo hacer que los sistemas informáticos con uso intensivo de datos fueran más fáciles de administrar. Agarwal estuvo anteriormente en Sun Microsystems, donde fue especialista en grid computing y miembro del equipo de ventas. Los dos dicen que vieron la oportunidad de crear una plataforma que toma todas las diferentes granularidades de la carga de trabajo de big data en una organización y las presenta en un solo panel.
Unravel intenta correlacionar detalles de una pila de datos, luego aplica inteligencia artificial y aprendizaje automático para brindar recomendaciones e información sobre cómo, en palabras de Agarwal, «mejorar las cosas». Por ejemplo, la plataforma implementa automáticamente medidas de seguridad para cosas como sobrecostos y errores, y envía alertas cuando algo sale mal.
El panel de monitoreo de datos basado en la web de Unravel Data en acción.
“Debido a que capturamos y correlacionamos detalles a un nivel altamente granular (configuración, recursos, contenedores, código, conjuntos de datos, linaje y dependencias) hasta el usuario o trabajo individual o subpartes del procesamiento de trabajos en paralelo, los motores de IA de Unravel establecen líneas de base dinámicas. a través de múltiples dimensiones, detecte anomalías con conocimiento contextual y brinde inteligencia procesable a través de recomendaciones e información”, dijo Agarwal. “Por ejemplo, si un trabajo que suele tardar tres minutos en ejecutarse de repente tarda diez minutos, ¿se debió a que el tamaño de los datos que se procesan se duplicó y ahora tenemos problemas de falta de memoria? Si es así, ¿por qué hay tantos más datos ahora? ¿De dónde provino ese conjunto de datos? ¿Quién duplicó su tamaño? ¿Es eso intencional? ¿Qué y cómo afecta eso a otros trabajos dependientes aguas abajo?
Unravel es fundamentalmente una plataforma de observación de datos, una tecnología por la que los inversores parecen tener un apetito insaciable. En el lapso de una semana en junio pasado, tres nuevas empresas de observabilidad de datos, Cribl, Monte Carlo y Coralogix, recaudaron más de $ 400 millones en capital de riesgo. Otros grandes jugadores en el espacio incluyen el desarrollador de herramientas de gestión del rendimiento Observe, la plataforma de procesamiento de flujo Edge Delta, la plataforma de linaje de datos Manta y la plataforma abierta de observabilidad Grafana Labs.
Agarwal no ve mucha superposición entre Unravel y las soluciones de monitoreo de aplicaciones como Datadog, Dynatrace y New Relic, que considera que abordan un problema de orquestación de datos muy diferente. En cuanto a los proveedores de observabilidad como el mencionado Monte Carlo, afirma que solo resuelven piezas del rompecabezas de la pila de datos y carecen de las capacidades de modelado del producto de Unravel.
“Las nuevas tecnologías en la nube brindan mayor agilidad e innovación, pero tienen el costo de una mayor complejidad. Cada vez es más difícil para los líderes asegurarse de que realmente obtienen valor y retorno de su inversión”, dijo Agarwal. “Muchas organizaciones están viendo que sus migraciones de datos se estancan debido a los excesos presupuestarios y los costos en espiral. Y a medida que la pila de datos se vuelve más compleja, se vuelve más difícil desenredar los cables para descubrir qué salió mal y cómo solucionarlo. Unravel facilita que los diferentes miembros de los equipos de datos, con diferentes conjuntos de habilidades y niveles de experiencia, realicen una mayor optimización y solución de problemas de autoservicio”.
Agarwal se negó a revelar los ingresos de Unravel o el tamaño de la base de clientes de la empresa. Pero sí dijo que Adobe y Deutsche Bank se encuentran entre sus clientes, así como la subsidiaria de análisis de datos 84.51° de la cadena de supermercados Kroger.
Con la vista puesta en el horizonte, Agarwal dijo que las ganancias de la Serie D se destinarán a escalar las operaciones de Unravel, crear API para ingerir datos de una mayor cantidad de aplicaciones y «duplicar» el tamaño del equipo de ingeniería de Unravel. No se comprometió con los planes de contratación a corto plazo, pero señaló que Unravel, que actualmente tiene más de 100 empleados en EE. UU., Europa e India, está contratando para funciones técnicas y operativas.