Metaplane 獲得 1300 萬美元投資，以利用人工智慧進行數據異常檢測

波士頓的 Metaplane 獲得 1380 萬美元 A 輪融資以提升數據質量解決方案

波士頓初創公司 Metaplane 專注於解決企業的數據質量問題，已成功在 A 輪融資中籌集到 1380 萬美元。此次投資由 Felicis 主導，並獲得 Khosla Ventures、Flybridge、Y Combinator、Stage 2 Capital、B37 和 SNR 的參與。

該公司計劃利用這筆資金推進其人工智能驅動的數據可觀測性平台，致力於創建“最強大、可配置且用戶友好的可靠數據解決方案”。

競爭激烈的數據可觀測性市場

Metaplane 由麻省理工學院畢業生 Kevin Hu、前 HubSpot 工程師 Peter Casinelli 和前 Appcues 開發者 Guru Mahendran 共同創立，正在與像 Monte Carlo、Observe 和 Acceldata 等資金雄厚的競爭對手競爭。過去一年其客戶基數增加了三倍，Bose、Sigma、Klaviyo 和 ClickUp 等品牌為其客戶。

數據監控的重要性

在當今數據驅動的商業環境中，組織依賴數據分析進行明智決策，預見關鍵運營方面，例如重點事件的庫存管理。生成式 AI 應用的興起迫使企業整合來自多個來源的數據以提高價值。然而，管理大量數據管道的複雜性使維持質量監控變得具有挑戰性。

Metaplane 利用 AI 使企業能夠主動監控其生態系統內的數據事件。

與數據堆棧的集成

“我們的平台無縫集成各種數據堆棧組件，包括 Fivetran 等數據攝取工具、Snowflake 和 BigQuery 等雲數據倉庫、dbt 和 Airflow 等轉換層，以及 Sigma 和 Tableau 等 BI 工具。值得注意的是，我們是唯一一個可以與 Postgres 和 MySQL 等事務性數據庫集成的可觀測性解決方案，能在 GitHub 的 dbt pull requests 中檢測問題，”Hu 形容道。

用於數據質量監控的機器學習

一旦集成，用戶可以輕鬆配置監控工具，以追踪重要數據質量指標，如新鮮度、行數、唯一性和空值。該設置大約需時 15 分鐘，隨後 AI 開始運行。

該平台的機器學習模型從數據特徵中學習，利用歷史元數據在一到兩天內標記異常，包括模式變更。這一完全自動化的功能會直接向相關數據團隊發送警報，確保準確及時的通知。

“我們的模型利用大量歷史數據來考慮季節性並減少重複警報。我們了解每個企業的獨特性，因此允許用戶自定義模型以過濾一次性異常或適應不斷變化的趨勢，”Hu 說。

Metaplane 還提供特定領域的監控，能夠檢測數據問題、追蹤數據使用變化並分析雲數據倉庫的支出。其全面的覆蓋範圍可詳細追踪列級別的數據傳承，提供問題的下游影響及上游根本原因的見解。

在數據質量管理上取得顯著成果

儘管與競爭對手相比資金較少，Metaplane 在數據可觀測性領域已取得重大進展。2023 年，其年度經常性收入（ARR）增長了六倍，客戶基礎超過 100 家企業，包括 Klaviyo、Bose、ClickUp 和 Census 等知名品牌。到 2024 年 1 月，這些客戶在超過 4000 萬個資產上進行了 5 億次數據質量檢查，成功解決 8 萬起事件。

“每家公司都應對其數據有信心，因此我們提供免費自助服務模式。這一策略帶來了顯著的有機增長，吸引了比其他可觀測性工具更多的用戶，”Hu 強調。

未來增強數據可觀測性的發展

展望未來，Metaplane 計劃將新融資主要用於研究和開發，以豐富其企業團隊的可觀測性平台。即將推出的增強功能將專注於自動化監控架構，擴展可觀測指標、數據來源和互連範圍。

“我們的願景是創建一個從每位客戶的具體需求中學習的平台，隨著其發展提供量身定制的監控和警報結構建議。我們旨在擴大我們的指標，同時加深現有指標，確保客戶擁有識別和解決數據質量問題所需的上下文，”Hu 總結道。