Wie ist Factor House entstanden und wer steht hinter der Gründung des Unternehmens?
Die ersten fünfzehn Jahre meiner Karriere entwickelte ich als technischer Berater Echtzeit-Datenplattformen für Finanzinstitute. Meine Kunden waren Investmentbanken, Versicherungsgesellschaften und Fintech-Start-ups. Ich war ihr Ansprechpartner, wenn Systeme benötigt wurden, die unter keinen Umständen ausfallen durften. Ich erinnere mich an Anrufe zu jeder Tages- und Nachtzeit von Händlern in Hongkong, die keine zusätzliche Latenz von auch nur einer Millisekunde bei ihren Transaktionen akzeptierten. Diese Erfahrung hat meine gesamte Herangehensweise an die Softwareentwicklung geprägt.
Meine Frau Kylie und ich haben Ende 2019 gemeinsam Factor House gegründet. Sie bringt über zwanzig Jahre operative Erfahrung in den Bereichen Technologie- und Kunstmanagement mit und war von Anfang an maßgeblich am Aufbau des Unternehmens beteiligt. 2020 kam unser Gründungsingenieur Tom Crowley hinzu. Die ersten Schritte des Unternehmens unternahmen wir tatsächlich während der Corona-Lockdowns in Melbourne von unserer Wohnung aus, neben dem Homeschooling unserer beiden kleinen Kinder. Es war eine intensive Zeit, aber wir hatten die unerschütterliche Überzeugung, dass wir etwas aufbauten, das Ingenieure wirklich brauchten.
Was war die ursprüngliche Idee und welches Problem in der Welt der Streaming Daten wollten Sie damit lösen?
Aufgrund unserer jahrelangen Erfahrung mit dem Aufbau von Datenplattformen in den Bereichen Banken, Versicherungen und Fintech haben wir die enorme Leistungsfähigkeit von Apache Kafka für die Verarbeitung von Echtzeitdaten in großem Maßstab entdeckt. Doch wir stellten auch eine riesige Lücke fest: Es gab keine unternehmensgerechten Werkzeuge, die Kafka für alltägliche Entwicklerteams praktisch nutzbar machten. Ingenieure waren auf die Kommandozeile angewiesen, kämpften mit der Komplexität und verbrachten Zeit mit operativen Aufgaben, anstatt die Systeme zu entwickeln, die ihre Unternehmen benötigten.
Wir machten uns daran, diese Lücke zu schließen. Unsere ursprüngliche Idee war einfach: Wir wollten Ingenieuren schöne, leistungsstarke und unternehmensreife Tools an die Hand geben, die die Arbeit mit Streaming-Daten intuitiv, schnell und sicher machen. Den Anfang machte Kpow, unser Toolset für Apache Kafka, das eine umfassende Benutzeroberfläche und eine API zur Überwachung, Verwaltung und Steuerung von Kafka-Clustern bietet. Die Resonanz der Ingenieure bestätigte unsere These sofort – sie sehnten sich nach solchen Tools.
Viele Unternehmen arbeiten heute mit Technologien wie Apache Kafka oder Apache Flink. Welche Rolle möchte Factor House in diesem Ökosystem langfristig spielen?
Wir sind ein Team aus Ingenieuren, das Produkte für Ingenieure entwickelt. Unsere Rolle in diesem Ökosystem ist klar: Wir erleichtern Ingenieuren das Leben, damit sie den wahren Wert ihrer Daten ausschöpfen können.
80 Prozent der Fortune-100-Unternehmen nutzen bereits Kafka. Die Verbreitung von Flink nimmt rapide zu. Doch die Tools, die Ingenieuren, die mit diesen Technologien arbeiten, zur Verfügung stehen, haben mit der Komplexität der von ihnen verwalteten Umgebungen nicht Schritt gehalten. Wir wollen der Standard dafür sein, wie Ingenieure mit ihrer Echtzeit-Dateninfrastruktur interagieren, diese überwachen und steuern. Mit unserer Factor Platform bauen wir die weltweit erste einheitliche Kommandozentrale für Kafka und Flink auf. Sie bietet Teams eine einzige, sichere und unternehmensgerechte Schnittstelle für ihr gesamtes Streaming-Ökosystem. Langfristig wird Factor House auch bei der Einführung neuer Streaming-Technologien präsent sein und diese einheitliche, zentrale Sicht auf den gesamten Datenweg bieten.
Zu unseren Kunden zählen Unternehmen, die in großem Umfang Echtzeitdaten generieren und verarbeiten. Dazu zählen Finanzinstitute, Einzelhändler, Transport- und Logistikunternehmen sowie Technologieunternehmen. Unsere Nutzer sind Plattform-Ingenieure, Dateningenieure und DevOps-Experten. Sie sind dafür verantwortlich, dass diese Streaming-Systeme zuverlässig und sicher laufen.
Die Herausforderungen, denen sie gegenüberstehen, sind erheblich. Diese Teams verwalten oft Tausende von Datenströmen über mehrere Cluster, Cloud-Umgebungen und Teams hinweg. Bei Störungen müssen sie bestimmte Nachrichten in Milliarden von Datensätzen finden. Sie müssen kontrollieren, welche der Hunderte oder sogar Tausende von Ingenieuren auf sensible Daten zugreifen dürfen. All dies müssen sie tun, ohne das Entwicklungstempo zu verlangsamen. Genau diese operative Belastung lösen wir.
Wie helfen Ihre Lösungen dabei, komplexe Streaming Dateninfrastrukturen transparenter und besser steuerbar zu machen?
Es gibt drei Dinge, die besonders hervorstechen. Erstens bieten wir Ingenieuren eine leistungsfähige und intuitive Benutzeroberfläche. Dadurch können sie sich von der Befehlszeile lösen und auf eine deutlich intuitivere und visuell ansprechendere Art mit ihren Daten interagieren. Das allein verändert die tägliche Arbeitsweise von Teams.
Zweitens ermöglichen wir die blitzschnelle Suche in riesigen Datenmengen. Wenn Sie eine Bank sind und eine fehlende Transaktion in Milliarden von Nachrichten finden müssen, um den Fehler zu beheben, ist Geschwindigkeit entscheidend. Diese Anforderungen erfüllt unsere Plattform zuverlässig.
Drittens ist Komplexität für uns kein Problem. Wir arbeiten mit einigen der weltweit größten Unternehmen zusammen, das heißt mit Organisationen, die Zehntausende Ingenieure beschäftigen und bei denen viele Teams Zugriff auf Daten benötigen. Unser System bewältigt die Maskierung sensibler Daten und eine fein abgestufte Zugriffskontrolle nahtlos und in einem Umfang, den sonst niemand bieten kann. Kombiniert man diese drei Fähigkeiten, erhält man eine Plattform, die eine früher undurchsichtige und schwer zu verwaltende Infrastruktur transparent, durchsuchbar und kontrollierbar macht.
Einige Dinge. Wir sind völlig herstellerunabhängig. Ganz gleich, ob Sie selbstbetriebenes Kafka, AWS MSK, Confluent Cloud, Redpanda, Aiven oder einen anderen Anbieter nutzen – Factor House bietet Ihnen eine zentrale Übersicht über all diese Lösungen. Da viele unserer Kunden mehrere Anbieter gleichzeitig einsetzen, sind wir das einzige Tool, das diese Erfahrung vereinheitlicht.
Ein weiteres wesentliches Unterscheidungsmerkmal ist unsere Leistungsfähigkeit bei hoher Skalierung. Unsere Benutzeroberfläche kann mühelos Milliarden von Nachrichten verarbeiten. Einige unserer Wettbewerber haben Probleme mit großen Umgebungen, doch Factor House wurde von Grund auf für diese entwickelt.
Und letztlich wurde Factor House von Ingenieuren für Ingenieure entwickelt. Wir verstehen die alltägliche Realität der Arbeit mit diesen Systemen, und das zeigt sich in jeder unserer Designentscheidungen. Wie einer unserer Kunden von Airwallex es formulierte, ist Factor House mehr als ein Produkt: Es ist eine Philosophie, die von Ingenieuren für Ingenieure mit einer tiefen Wertschätzung für ihr Handwerk entwickelt wurde.
Welche Herausforderungen begegnen Factor House beim Aufbau eines Unternehmens rund um hochspezialisierte Technologien wie Kafka oder Flink?
Technologien entwickeln sich kontinuierlich weiter. Wenn man ein Unternehmen auf spezifischen Technologien aufbaut, muss man sich deshalb gut überlegen, wie man sich langfristig positioniert. Wir haben gelernt, uns an neue Technologien anzupassen, und diese Anpassungsfähigkeit ist zu einer unserer größten Stärken geworden. Deshalb unterstützt unsere Plattform sowohl Kafka als auch Flink, statt auf eine einzige Technologie zu setzen. Zudem ist unsere einheitliche Factor-Plattform so konzipiert, dass sie auch die Streaming-Technologien von morgen unterstützt.
Eine weitere Herausforderung besteht darin, dass es sich um hochtechnische Produkte handelt, die an anspruchsvolle Käufer verkauft werden. Man kann sich in Gesprächen mit leitenden Ingenieuren eines Fortune-500-Unternehmens nicht durch oberflächliche Argumente behaupten. Die Messlatte für Qualität, Leistung und Zuverlässigkeit liegt extrem hoch. Hier kommt uns unsere technische Tradition zugute, denn wir sprechen dieselbe Sprache wie unsere Kunden, da wir selbst schon in ihrer Lage waren.
Welche Rückmeldungen erhalten Sie von Entwicklerteams und Data Engineers, die mit Lösungen von Factor House arbeiten?
Das Feedback, das wir erhalten, dreht sich durchweg um die Zeitersparnis und die Fähigkeit, Komplexität im großem Maßstab zu bewältigen. Unsere Fallstudie mit der NORD/LB, einer deutschen Bank, zeigt beispielsweise, wie Kpow den Zeitaufwand der Teams für Kafka-Operationen deutlich, und zwar um 30 Prozent, reduziert hat. Dadurch gewinnen sie jede Woche Stunden zurück, die sie für wertschöpfendere Aufgaben nutzen können.
Ein weiteres gutes Beispiel ist ein globales Bekleidungsunternehmen mit rund vierhundert Ingenieurteams, die über die ganze Welt verteilt sind. Zuvor hatten sie eine Wettbewerbslösung genutzt, entschieden sich aber aufgrund unserer Fähigkeit, Komplexität in großem Maßstab zu bewältigen, für einen Wechsel zu Factor House. Die Einführung schlossen sie innerhalb eines einzigen Monats ab. Wenn ein Unternehmen dieser Größe mit so vielen Teams unser Produkt innerhalb von dreißig Tagen weltweit bereitstellen kann, spricht das für die Qualität und Einfachheit des Produkts.
Das schönste Feedback ist jedoch, wenn Ingenieure uns sagen, dass Kpow eines der besten Tools ist, das sie in ihrer Karriere je verwendet haben. Darauf optimieren wir.
Welche Vision verfolgt Factor House für die Zukunft und welche Rolle werden Echtzeitdaten dabei spielen?
Die Menge an Echtzeitdaten wird weiter zunehmen. Jede Interaktion, jede Transaktion, jeder Sensorwert: Die Welt generiert mehr Streaming-Daten als je zuvor – und dieser Trend beschleunigt sich. Unternehmen, die sich auf den Weg der KI begeben, stellen fest, dass sie schnellen, sicheren und kontrollierten Zugriff auf ihre Echtzeitdaten benötigen, um Mehrwert zu schaffen. Dabei helfen wir.
Unsere Vision ist es, dass Factor House mit der Weiterentwicklung dieser Technologien und dem Aufkommen neuer Technologien eine einheitliche, zentrale Übersicht über den gesamten Datenpfad bietet. Wir wollen die Plattform sein, der Ingenieure und Unternehmen vertrauen, um ihre Echtzeitdaten zu verstehen, zu kontrollieren und darauf zu reagieren – unabhängig von den zugrunde liegenden Technologien. Die Zukunft gehört Unternehmen, die Entscheidungen in Echtzeit treffen können – und wir entwickeln die entsprechenden Tools.
Wir entwickeln derzeit einige spannende Funktionen zur Datenherkunft (Lineage). Diese werden einen noch umfassenderen Kontext zu den von einem Unternehmen generierten Daten liefern. Die Datenherkunft gibt Aufschluss darüber, woher die Daten stammen, wie sie transformiert wurden und wohin sie gelangen. Dies wird für Unternehmen von entscheidender Bedeutung sein, um ihre Daten für KI-Projekte, zur Einhaltung gesetzlicher Vorschriften und für die Systemzuverlässigkeit vollständig zu verstehen und zu nutzen.
Darüber hinaus vertiefen wir durch unsere weltweit einzigartige Factor Platform eine einheitliche Nutzererfahrung über Kafka und Flink hinweg. Zudem investieren wir stark in unsere API, damit Teams die Funktionen von Factor House direkt in ihre eigenen Tools und Workflows integrieren können. Unser Ziel ist dabei stets dasselbe: Ingenieuren dabei zu helfen, mit Echtzeitdaten ihre beste Arbeit zu leisten.
Erstens: Bringen Sie Ihr Produkt so schnell wie möglich zu den Entwicklern. In unserem Bereich hängt die Akzeptanz davon ab, dass Ingenieure die Tools auswählen, die sie nutzen möchten. Sie können die beste Strategie der Welt haben, aber wenn die Ingenieure Ihr Produkt nicht nutzen, ist alles andere irrelevant. Wir hatten das Glück, dass unsere ersten Kunden ganz natürlich zu uns kamen, weil unser Produkt ein echtes Problem löste.
Zweitens: Hören Sie Ihren Kunden zu. Hören Sie wirklich zu. Das Feedback von Ingenieuren ist direkt und ehrlich. Wenn Sie genau hinhören, werden sie Ihnen sagen, was Sie als Nächstes entwickeln sollten. Einige unserer besten Funktionen sind direkt aus Gesprächen mit Nutzern entstanden, die uns mitteilten, was sie benötigten.
Drittens: Konzentrieren Sie sich auf das Kernproblem. Gerade in der Anfangsphase ist die Versuchung groß, in alle Richtungen zu expandieren. Wir haben Jahre damit verbracht, uns darauf zu konzentrieren, ein Problem außergewöhnlich gut zu lösen: nämlich Kafka für Enterprise-Engineering-Teams praxistauglich zu machen. Diese Disziplin hat es uns ermöglicht, ein Produkt zu entwickeln, das von den Nutzern lobend beschrieben wird. Tiefe schlägt Breite, besonders am Anfang.
Bildcredits/Fotograf: Factor House
Wir bedanken uns bei Derek Troy-West für das Interview
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder
