Актёр из «Рассказа служанки» сыграет агента ФБР в новом триллере Netflix
24.04.2026 01:44:58
В 2018 году вице-президент Gainsight Барр Мозес стояла перед советом директоров, объясняя, почему ключевые метрики компании выглядели катастрофически. Проблема была не в бизнесе — проблема была в данных. Неточная информация дискредитировала ее команду и подрывала доверие руководства. В тот момент она поняла: в мире, где данные становятся основой всех решений, отсутствие надежности данных — это не техническая проблема, а экзистенциальная угроза. Четыре года спустя она создала компанию стоимостью 1,6 миллиарда долларов, которая определила целую категорию и изменила отношение индустрии к качеству данных.
История Барр началась не в Кремниевой долине, а в израильских военных. После окончания школы она поступила на службу в Военно-воздушные силы Израиля, где стала командиром подразделения аналитиков разведывательных данных. Это был не офисный анализ — это была работа с критически важной информацией, где ошибка в данных могла стоить жизней.
В армии Барр впервые столкнулась с проблемой, которая будет преследовать ее всю карьеру: как можно доверять данным, когда они поступают из множественных, часто ненадежных источников? Как убедиться, что информация, на основе которой принимаются жизненно важные решения, точна и актуальна? Военная дисциплина научила ее не только анализировать данные, но и создавать системы для проверки их качества.
"В армии ты понимаешь, что автоматизация — это не роскошь, а необходимость", — вспоминала она позже. Этот опыт заложил фундамент ее будущего подхода к решению проблем: не просто находить ошибки, но создавать системы, которые предотвращают их появление.
После армии Барр поступила в Стэнфордский университет на программу математических и вычислительных наук. Это был идеальный выбор для человека, который видел в данных не просто числа, а фундаментальную основу для принятия решений.
В Стэнфорде она не только изучала математику — она работала на кафедре статистики, где познакомилась с академической стороной науки о данных. Здесь она встретила Лиора Гавиша, студента MBA, который позже станет ее соучредителем. Их дружба началась с общего понимания силы данных и разочарования существующими инструментами для работы с ними.
Университетские годы научили Барр думать системно. Математическое образование дало ей понимание того, как работают статистические модели, а вычислительная наука — как реализовать эти модели в масштабе. Но самое главное — Стэнфорд научил ее задавать правильные вопросы.
После окончания университета Барр присоединилась к Bain & Company — одной из ведущих мировых консалтинговых фирм. Здесь она научилась видеть бизнес глазами топ-менеджеров, понимать, как данные влияют на стратегические решения.
В Bain каждый проект был новой индустрией, новой компанией, новой проблемой. Барр работала с финансовыми учреждениями, технологическими стартапами, розничными сетями. Везде она видела одну и ту же проблему: компании инвестировали миллионы в сбор данных, но не могли быть уверены в их качестве.
"В консалтинге ты быстро понимаешь: неважно, насколько умен твой анализ, если данные неправильные", — объясняла она. Опыт в Bain научил ее переводить технические проблемы на язык бизнеса, что впоследствии станет ключевым навыком при создании Monte Carlo.
В 2012 году Барр присоединилась к Gainsight — стартапу, который создавал новую категорию Customer Success. Это была компания на раннем этапе, которая быстро росла и сталкивалась с типичными проблемами масштабирования. Барр начала как менеджер по операциям и постепенно выросла до вице-президента.
В Gainsight она управляла всеми данными компании — от дашбордов для CEO до стратегии снижения оттока клиентов. Это было время, когда она каждый день видела, как плохие данные влияют на реальные бизнес-решения.
Самый болезненный опыт случился во время презентации совету директоров. Барр представляла ключевые метрики компании, основанные на данных, которые казались точными. Но в середине презентации стало ясно, что цифры неверны — в пайплайне данных произошел сбой, который никто не заметил.
"Я буквально потела, стоя перед советом директоров и объясняя, почему наши данные неправильные", — вспоминала она. Это был момент, когда она поняла: проблема не в том, что данные иногда ломаются — проблема в том, что мы узнаем об этом слишком поздно.
За семь лет в Gainsight Барр помогла компании вырасти в 10 раз по выручке и работала с сотнями клиентов. Но главное — она стала экспертом в области надежности данных на практике, а не в теории.
Каждую неделю ее команда сталкивалась с проблемами качества данных: изменения в схемах ломали пайплайны, дублированные записи искажали отчеты, данные исчезали из дашбордов без видимых причин. На исправление этих проблем уходило огромное количество времени — время, которое можно было потратить на анализ и инсайты.
Barr начала замечать паттерн: чем больше компания полагалась на данные, тем больше времени тратила на их исправление. Парадокс цифровой трансформации заключался в том, что успех в использовании данных приводил к еще большим проблемам с данными.
"Мы инвестировали в лучшие хранилища данных, лучшие ETL, лучшие BI-инструменты, но у нас не было способа убедиться, что данные, которые мы анализируем, корректны", — размышляла она.
В 2018 году Барр начала систематически изучать проблему. Она провела сотни интервью с лидерами данных в различных компаниях, задавая один простой вопрос: "Что не дает вам спать по ночам?"
Ответ был удивительно последовательным. Люди говорили о понедельных утрах, когда они боялись открыть отчеты. О презентациях, во время которых они молились, чтобы цифры оказались правильными. О том, как недоверие к данным подрывало их авторитет и влияние в компании.
Барр поняла, что отрасль нуждается в новом термине для описания этой проблемы. Так родилось понятие "data downtime" — периоды времени, когда данные отсутствуют, неточны или иным образом неправильны.
Аналогия была очевидной: если в мире приложений есть "uptime" и "downtime", то в мире данных должно быть то же самое. Но в отличие от серверов, которые либо работают, либо не работают, данные могли быть "наполовину сломанными" — технически доступными, но содержательно неверными.
В 2018 году Барр снова встретилась с Лиором Гавишем, своим старым другом из Стэнфорда. Лиор к тому времени уже был опытным предпринимателем — он основал и продал Sookasa, компанию по облачной безопасности, компании Barracuda.
Их встреча произошла в кофейне в Пало-Альто. Барр рассказала Лиору о своих исследованиях проблемы data downtime. Лиор сразу понял масштаб возможности — он видел ту же проблему во время работы над Sookasa и в своих консультациях с различными компаниями.
"Мы поняли, что существует огромный разрыв между инвестициями в инфраструктуру данных и инвестициями в надежность данных", — вспоминал Лиор. В мире приложений никто не запускал код без мониторинга, но в мире данных компании постоянно принимали решения на основе непроверенной информации.
Вместо того чтобы сразу создавать компанию, Барр решила протестировать спрос на рынке. Она работала над тремя различными стартап-идеями параллельно, чтобы увидеть, какая из них получит наибольшую поддержку клиентов.
Одной из этих идей была Monte Carlo — решение для мониторинга надежности данных. Барр начала писать блог-посты о проблеме data downtime еще до того, как официально создала компанию. Ее первый пост назывался "Rise of Data Downtime".
Реакция была мгновенной и мощной. Люди начали делиться постом, комментировать, связываться с ней напрямую. "Наконец-то кто-то назвал эту проблему по имени", — писали они. Это было первое подтверждение того, что market-fit существует.
В 2019 году Барр и Лиор официально основали Monte Carlo. Название пришло неожиданно — Барр листала книги по статистике в своем офисе и наткнулась на метод Монте-Карло, математический подход к решению проблем через случайную выборку.
"Метод Монте-Карло использует статистическое моделирование для решения сложных проблем — именно то, что мы хотели делать с данными", — объясняла она выбор названия.
Но главной задачей было не просто создать продукт, а создать категорию. Барр понимала: чтобы изменить индустрию, нужно изменить язык, которым она пользуется. Термин "data observability" стал их ответом.
Аналогия с DevOps была намеренной. Так же, как Datadog и New Relic создали категорию Application Performance Monitoring для разработчиков, Monte Carlo хотела создать категорию Data Observability для инженеров данных.
Первые месяцы были посвящены интенсивной работе с design partners — компаниями, которые соглашались тестировать продукт бесплатно в обмен на обратную связь. Барр и Лиор работали рука об руку с этими клиентами, иногда практически живя в их офисах.
"Мы не брали денег с первых клиентов, но они сами предложили заплатить, потому что видели реальную ценность", — вспоминала Барр. Это был момент, когда стало ясно: product-market fit достигнут.
Первый платящий клиент был готов подписать контракт уже через несколько месяцев. Команда была настолько сосредоточена на продукте, что даже не подготовила презентацию для продаж. "Наша первая презентация была ужасной", — смеялась Барр, — "но клиент подписался, потому что проблема была настолько болезненной".
Monte Carlo ввела уникальную метрику успеха — "Hell Yeah Moments". Это моменты, когда клиенты так взволнованы результатами, что не могут сдержать эмоций.
"Hell Yeah Moment — это когда инженер данных получает алерт от Monte Carlo в 2 часа ночи, исправляет проблему до того, как кто-то заметит, и на следующий день выглядит как герой перед CEO", — объясняла Барр.
Эта метрика стала основой их стратегии роста. Вместо фокуса на традиционных KPI вроде количества лидов или конверсии, команда концентрировалась на создании моментов восторга у клиентов.
Барр поняла: чтобы создать категорию, нужно стать ее ведущим мыслителем. Она начала агрессивную контент-стратегию, выступая на 1-3 конференциях каждую неделю в течение трех с половиной лет.
"Создание категории — это не только создание продукта, это создание языка, создание сообщества, создание движения", — объясняла она. Monte Carlo публиковала исследования, организовывала конференции, писала книги.
В 2022 году Барр и ее команда опубликовали "Data Quality Fundamentals" с O'Reilly Media — первую книгу издательства о качестве данных и наблюдаемости. Это было признанием того, что data observability стала полноценной дисциплиной.
За четыре года Monte Carlo привлекла более $230 миллионов инвестиций в четырех раундах. Серия D в размере $135 миллионов в 2022 году оценила компанию в $1.6 миллиарда, сделав ее первым "единорогом" в категории data observability.
Рост был взрывным: с 20 до 120 сотрудников за 20 месяцев, 100% рост выручки год к году, более 350 клиентов, включая Dell, American Airlines, Fox, CNN, JetBlue, DraftKings.
"Мы стали единорогом не потому, что создали лучший продукт, а потому, что решили реальную проблему, которая становилась все более острой", — размышляла Барр о своем успехе.
С приходом генеративного ИИ проблема качества данных стала еще более критичной. Неточные данные в традиционных системах приводили к неправильным отчетам. Неточные данные в ИИ-системах могут привести к халлюцинациям, предвзятости, потере доверия к технологии.
"ИИ не делает плохие данные лучше — он делает плохие данные более опасными", — предупреждала Барр. Monte Carlo быстро адаптировалась к этому вызову, создав Trusted Data for AI (TDAI) Advisory Council и добавив специальные возможности для мониторинга данных, используемых в машинном обучении.
Подход Барр к лидерству формировался под влиянием ее разнообразного опыта. От армии она взяла дисциплину и фокус на миссии. От консалтинга — умение быстро понимать сложные проблемы. От стартапов — готовность экспериментировать и принимать риски.
"Я медитирую 10 минут каждое утро", — делилась она своей рутиной. "Моя мама — инструктор йоги и учитель медитации, она привила мне важность осознанности с раннего возраста. Как CEO и соучредитель, эти 10 минут критически важны для сохранения равновесия и перспективы".
Monte Carlo построила культуру вокруг трех основных ценностей: скорость, фокус и воздействие на клиентов. "Customer Impact" первоначально казалась Барр клише, но команда убедила ее, что нет ничего важнее клиентов.
"Все должно отражать наших клиентов — наш продукт, наша команда, наш бренд. Действительно нет ничего другого, что имеет значение", — объясняла философию компании.
Эта клиентоориентированность проявлялась во всем: от еженедельных обзоров инцидентов с JetBlue до прямых линий связи с CEO для любого клиента.
Несмотря на интенсивность стартапной жизни, Барр удавалось поддерживать относительный баланс. Утренняя медитация стала нерушимой традицией. Она также находила время для размышлений о более широких этических вопросах технологии.
"GenAI — это этическая трясина. Какую ответственность несут лидеры данных за навигацию в ней?" — писала она в одной из статей. Для Барр вопросы этики данных и этики ИИ неразделимы.
Monte Carlo не просто создала продукт — она создала экосистему. Компания стала премиум-партнером Snowflake, интегрировалась с Databricks, dbt Labs, Looker, Tableau, Airflow и десятками других инструментов.
"Мы не хотим заменить существующий стек данных — мы хотим сделать его надежным", — объясняла стратегию партнерств. Эта философия открытой платформы помогла Monte Carlo стать центральным звеном современного стека данных.
К 2024 году Барр видела, как data observability становится стандартом индустрии. По данным dbt Labs, 80% организаций увеличивают или поддерживают инвестиции в наблюдаемость данных и качество данных.
"Когда мы начинали Monte Carlo в 2019 году, мы заметили пробел в индустрии. У нас есть инструменты для мониторинга приложений, но что насчет данных?" — размышляла она. "Теперь, когда все цифры подведены и вехи отмечены, я не могла быть более взволнована будущим наблюдаемости данных".
История Барр Мозес — это история о том, как один человек может определить целую категорию и изменить способ мышления индустрии. От командира разведки в израильской армии до CEO компании-единорога, ее путь показывает силу настойчивости, customer obsession и готовности решать сложные проблемы.
Но главное наследие Барр не в финансовых метриках или технических достижениях. Это изменение культуры — от мира, где "данные иногда ломаются, и это нормально" к миру, где надежность данных является фундаментальным требованием.
"Мы не существовали бы без клиентов, которые каждый день рискуют работать с нами, и мы заслуживаем право работать с нашими клиентами каждый день", — говорила она. В эпоху, когда данные становятся основой всех решений — от медицинской диагностики до финансовых рекомендаций — Барр Мозес создала фундамент для доверия в цифровом мире.
Ее история продолжается, но уже сейчас ясно: в мире, где данные правят всем, Барр Мозес стала архитектором доверия, которое делает эту власть безопасной и надежной.
Барр Мозес - фотография из архивов сайта
Посмотреть фото
