Metaplane 获得1300万美元投资，利用人工智能提升数据异常检测能力

波士顿的Metaplane获得1380万美元A轮融资，提升数据质量解决方案

Metaplane是一家位于波士顿的初创公司，专注于解决企业数据质量问题。该公司成功完成了一轮1380万美元的A轮融资，投资方包括Felicis、Khosla Ventures、Flybridge、Y Combinator、Stage 2 Capital、B37和SNR。

Metaplane计划利用这笔资金推动其AI驱动的数据可观察性平台的发展，力求打造“最强大、可配置且用户友好的可靠数据解决方案”。

数据可观察性市场的竞争

Metaplane由麻省理工学院毕业生胡凯文、前HubSpot工程师彼得·卡西内利和前Appcues开发者古鲁·马亨德兰创办，正与资金充足的竞争对手如Monte Carlo、Observe和Acceldata激烈竞争。过去一年，Metaplane的客户数量增长了三倍，现已与博世（Bose）、西格玛（Sigma）、克拉维约（Klaviyo）和ClickUp等品牌建立了合作关系。

数据监控的重要性

在当今以数据驱动的商业环境中，组织依赖数据分析来做出明智决策，并预见关键运营方面，例如重大事件的库存管理。生成性人工智能应用的兴起使得企业需要整合来自不同来源的数据以获取更大价值。然而，管理众多数据管道的复杂性使得质量监督变得困难。

Metaplane利用AI技术，帮助企业主动监控其生态系统中的数据事件。

与数据堆栈的集成

胡凯文表示：“我们的平台能与数据堆栈的各个组件无缝集成，包括数据摄取工具Fivetran、云数据仓库Snowflake和BigQuery、转换层如dbt和Airflow，以及商业智能工具Sigma和Tableau。值得注意的是，我们是唯一能够与Postgres和MySQL等事务性数据库集成的可观察性解决方案，即使在GitHub上的dbt Pull Request中也能识别问题。”

机器学习促进数据质量监控

一旦集成，用户只需约15分钟即可轻松配置监控器，以跟踪数据质量的关键指标，如新鲜度、行数、唯一性和空值。一旦配置完成，AI将开始自动工作。

该平台的机器学习模型能够根据数据特征，从历史元数据中学习，通常在一到两天内标记异常，包括架构变化。这一完全自动化的功能会直接向相关数据团队发送警报，确保通知的准确性和及时性。

胡凯文指出：“我们的模型利用丰富的历史数据，考虑季节性，最大程度地减少重复警报。我们理解每个企业的独特性，因此允许用户自定义模型，以过滤一次性异常或适应不断变化的趋势。”

Metaplane还提供领域特定的监控，能够精确识别数据问题，跟踪数据使用变化，并分析云仓库的支出。它的全面覆盖支持详细的列级谱系跟踪，提供有关问题下游影响及上游根本原因的深入洞察。

在数据质量管理方面取得显著成效

尽管资金较竞争对手少，Metaplane在数据可观察性领域仍取得重大进展。2023年，其年度经常性收入（ARR）增加六倍，客户超过100家，包括知名品牌Klaviyo、Bose、ClickUp和Census。到2024年1月，这些客户在超过4000万个资产上进行了5亿次数据质量检查，成功解决了8万个事件。

胡凯文强调：“每家公司都应该对其数据充满信心，因此我们提供免费的自助服务模型。这一做法促进了显著的自然增长，吸引了比其他可观察性工具更多的用户。”

未来提升数据可观察性的计划

展望未来，Metaplane计划将新一轮资金主要投入研发，以丰富其面向企业团队的可观察性平台。未来的增强功能将集中在自动化监控架构和扩展可观察指标、数据源及相互连接范围上。

胡凯文总结道：“我们的愿景是创建一个能根据每个客户的具体需求进行学习的平台，随着客户的演变，提供量身定制的监控和警报建议。我们旨在拓宽指标的范围，同时深化现有指标，确保我们的客户具备有效识别和解决数据质量问题所需的必要背景。”