Data Hero Summit Keynote: Data Empowerment | How Data Heroes Unleash the Power of Data

What is a data hero? Watch Microsoft's Karthik Ravindran describe lessons learned from his journey as he led their data transformation journey.

In this session, Microsoft’s Karthik Ravindran describes lessons learned from his journey as General Manager of Enterprise Data as he led their data transformation journey. Karthik also outlines the tools and support Microsoft is providing to enable Data Heroes as they plan their own journey to Data Empowerment.

Get ready to be part of the excitement at the upcoming 2024 Data Hero Summit. Register now to secure your spot and be part of this historic, jam-packed day 👉

Video Transcript:


Welcome to our second keynote session here. This one is with Karthikrivendron, general manager of enterprise data, at Microsoft.

Kartik, I think, is an excellent, a very topical speaker for us today for two reasons.

First, he was in fact a in his role as as a leader of data transformation at Microsoft. I did hear himself.

Spent eight of his twenty four years at Microsoft working on that. And so he’ll be able to to talk to us a little bit about what it was like to be a data hero leading that effort. And secondly, he’s currently responsible for key product in Microsoft’s enterprise data governance and analytics platform. So I’m also gonna ask him, about those product tools and strategies that he can that he is now helping bring to market that are there to help data heroes. So On both fronts, I think we’re got a lot of insights from this session. So, welcome, Kartik.

Thank you, Martin. It’s great to be here. Okay. So first question, probably a little bit of a softball for you, but, this is the Data Hero Summit.

What do you think of the idea of data heroes like the kind of the concept?

Does that resonate with you? Why is it so hard to manage enterprise data and, why does it take a hero to to to leave those, initiatives?

A hundred percent. Yeah. The concept resonates a ton. And, I would preface it by starting out with just sort of drawing out attention to the fact that data today is like a core and fundamental asset to any kind of transformation that gets talked about on an industry, whether it’s digital transformation, cybersecurity, machine learning, generated AI, The core of every one of these opportunities that organizations have across all industries and verticals is rooted in data.

And in my mind, there are two broad categories of data heroes that organizations should really think about fostering and and growing. And one of those categories is what I broadly speak to as the data enablers, and the other category is the data pliers.

The reality is data is a team sport. It’s a federated team sport where you need to activate entire organization to get behind the opportunities of both enabling sort of data as well as being able to apply data for the growth outcomes.

And the opportunities for us to grow sort of talent and functions within an enterprise organization to be able to not just apply the data for innovative purposes, but to also be able to manage data in a responsible manner while still being able to democratize the data assets so that functions and organizations can apply them broadly for their growth perspectives and opportunities is is a phenomenal opportunity.

So this certainly is in my mind the the the age of the rise of the data heroes, and the opportunity for data is limitless. Really looking forward to sort of unpacking more on this topic with you today. Perfect. Alright.

So let’s start by talking a little bit more about your own personal journey as, the my self data transformation, leader. Can you tell us a little bit about, what that project was like? You know, how big it was, what what it involved in terms of data, some of the process and some of the outcomes you guys were looking for just to kind of as a way of introducing yourself and what you did. Great.

Yeah. So, I spent my last twenty four years at Microsoft, and eight of those last twenty four years have been very focused on leading several data transformation investments within Microsoft.

I had the opportunity to build out the the data platforms and data applications and product teams like Microsoft Office as well as content experiences for Microsoft Edge. And then very recently had the opportunity to spend, like, roughly about four to five years building out Microsoft’s own internal data office as a part of our broader digital transformation investments.

And that was a wonderful journey of learning on several several fronts. I think the key takeaway for me if I have to summarize it would be the following. One is, like, very often people look at data journeys of the outset as being like a technical or a systems undertaking.

And and I kind of had that same perception when I first started these journeys. Only to soon realize that it was way more than that. I mean, data journeys to really be successful are at the core, cultural transformations, practice transformations enabled by technology.

And there’s a tremendous opportunity to appreciate the balance that needs to be accomplished and achieved between these sort of, like, complementary dimensions. Where approaching a data transformation journey just as a technical endeavor, while could result in really good platforms and technologies, may not lead to the, the business outcomes and the value outcomes that the organization is looking to accomplish through those investments. And to accomplish those value outcomes and business outcomes, it’s also really crucial to recognize that the notion of sort of essential excellence for data, which is often described using the acronym COE should be expanded to more located as a champion of enablement, sort of culture and philosophy, where data offices and organizations that are accountable for managing and enterprises data state should increasingly, in my opinion, think about opportunities to evolve from being just centers of excellence to do it all to becoming champions of enablement.

Who can activate the data culture and data applications across the broader organization and providing the mechanisms to be able to responsibly do that.

And that I would say in in many ways was the core and crux of my journeys and all the three different sort of like facets that I described over the last eight years, both in product teams as well as sort of like building out the within our own sort of, like, IT organization where the realization of the importance of being able to activate data as free flowing and that can be responsibly democratized and applied by domain wide functions. And then putting in place the the solutions and the and the data literacy programs maturity models to help the organization sort of ramp up on the skills to be able to do that is, I would say, front and center to my core learnings and takeaways from the journey.

Okay. So let’s dive a little bit more into that and get into some of the the, you know, that data hero journey that you’re on there as as I like to think of it at least.

And and and and talk about some of the things you learned and observed and and accumulated to in that journey. So first of all, what what do you think are the keys to being successful in that role?

Are are they mostly technical? Are they managerial? Are they organizational?

How do you know if you’re being successful, as a data leader, and and what are the most challenging capabilities to put in place?

Yeah. And what I could this back to, I would say, the the two broad categories of data heroes that I introduced when we first started this, talk today. Know, one of which is the data enablers and the other is the data pliers, right? So I’ll sort of speak to both of them.

On the data enablement side, you know, typically this is like the data offices and organizations or commonly also referred to as a central data functions within larger enterprises.

My recommendation would be to focus more on becoming champions of enablement. Where the focus is on establishing great practices that help organizations and teams across the organizations to be able to apply data. The fullest and richest ways for the business value outcomes.

And putting in place, not just platforms and solutions that help the organization do that. Also putting in place sort of literacy programs and maturity models and guiding teams across the organization through their sort of data maturity, sort of curves to get to the place. Where teams across can be effectively applying data for organization wide growth outcomes and impact. And there’s a tremendous opportunity there for, the data enablers to sort of elevate to being heroes who can truly sort of, like, drive that responsible democratization of data across an enterprise.

And here, I would say the, the skill sets are largely focused on number one organizational change management, which is very, very crucial. Like really being able to gravitate and navigate an entire organization through sort of what it truly means to be data driven. What does it truly mean to practice and apply data culture?

And essentially being able to be the glue that connects the potential that data has for organization to the actual business impact and value outcomes. That it can enable.

And, and this is kind of where, even internally at Microsoft, we started out our journey when we were first the data enablement function with a very heavy focus on platform and technology. And we soon realize that we need to look beyond that to truly become enablers where, while we do enable and deliver solutions to help teams across the enterprise be productive with their data investments. The core of our focus increasingly shifted towards the the cultural transformation, the change management, the maturity models, and the data literacy aspects. And that was a fantastic learning and journey for us in terms of bringing together, like, various functions across business up engineering teams in the company to gravitate towards a common data culture.

On the data applier spectrum, on the apply data spectrum, Here too, there’s a there’s a very fine mix of business applied business sort of like skills and strengths combined with technology skills and strengths to enable the business outcomes.

It is really crucial to think about data not just as an after the fact sort of like asset that you look at to understand sort of like what is happening, but to really instead look at it as sort of like a core asset that you can apply deeply to define not just the the what, but also to deeply sort of like introspect and define the purpose, the why. You know, the the how and the what. And there’s a tremendous opportunity here to really drive data literacy or trust functions, you know, to, to rethink opportunities for applying data and intelligence and insights from data in terms of how they can truly impact that topic bottom lines in terms of value outcomes.

And then there’s the technology sort of aspects, which is developing the proficiencies and skills in the facets of data management, data stewardship, well as the more commonly known applied functions around data engineering analytics and data science and bridging all of this together to sort of build out the data competencies needed to realize those value outcomes. And here, the one point that I will emphasize is the importance of really focusing on data management and data stewardship as much as sort of teams focus on, I would say, the more hard technical aspects of data engineering analytics and data science, because it’s that combination of those skills and practices that are truly going to help elevate data maturity and value outcomes.

Okay. So you mentioned quite a few few things there about organizational considerations. We’ll talk about technology in a moment, but let’s focus just a little bit more around organizational stuff.

From your perspective and from what you’ve seen speaking to others, is this a job that evolves, bottom up, or is this something that needs to be a top down mandate top down mandate? I did, you know, satya wake up one morning and call you up and say, hey, Kartik, I need you to do this, or I mean, how how did that come about?

Does it matter the title? That it’s given, chief data officer.

There’s a question in the chat there about, do you think of it as governance or enablement? Can you just talk a little bit about how that, from an organizational perspective, what do you think are the right prerequisites to to start getting it right? And how do you get if there are any skeptics, which I imagine, there might be in any organization. How do you get the skeptics on board with the, the initiative?

That’s a fantastic question. So, yeah, I mean, in a company like Microsoft, everything happens bottoms up inorganically. There’s nothing that gets pushed down, like, top down. So, our journey in in on the data transformation side was very much I would say a bottoms up groundsville sort of movement. Now we did have an anchor. The anchor for sort of the impetus for us to rethink how we approached and thought about data was our broader sort of late digital transformation initiative.

Where, the the IT organization of Microsoft was evolved to become a digital office with a primary goal of helping business and operations functions across the company.

Capitalized on the digital transformation opportunities that they could realize for each of the areas.

And and that function was set up to be of a champion of enablement versus the center of excellence in the context of really being able to bring in digital competencies and expertise while not doing it all for all of the teams, but really being able to foster the culture. Of digital and helping our teams across the organization be successful in doing it. And the way the data embedded started was as we navigated that journey with each of our business partners across the company and started to sort of write down and prioritize what are the number one and number two through number ten plus sort of like transformation scenarios that we wanted to go after.

A couple of things became very evident to us. The first thing that became evident to us was that almost every one of the scenarios that we were defining needed us to connect data across the enterprise of Microsoft in ways that we’ve never done in the past. Prior to our digital transformation journeys, like each functional business unit would run-in silos with some limited data sharing and and connected data and connected insights and analytics and privileges was kind of like more an afterthought versus a fourth thought versus as we set out and started looking at our scenarios, it became very obvious to that we’re going to have to connect data in ways that we’ve never done in the past.

To give you an example, a function like marketing, which in the past was very focused on sort of one size per dollar, a highly segmented marketing communications through email. Was now bringing to the table scenarios that were truly about hyper personalized omnichannel communications.

Not just marketing campaigns, but always on communications that are highly relevant and contextual to each individual customer users within the customers delivered through the best the channels to sort of connect with a customer, including not just emails, but online sort of properties and product channels, and, of course, the classic marketing channels.

If you think about that for a moment, to really be able to achieve such communications, it’s not it’s no longer just looking at marketing campaigns data. You need to be able to connect marketing data with product consumption data, with sales data, with finance data, and bringing all of that connected data set together was not something that they’d actually sort of solve for, even within Microsoft.

So the connected data was one of the biggest embarrasses. The second thing that became very clear to us is the applied innovation, the domain knowledge and expertise that is needed to land that applied innovation is pronounced. And that expertise sits at the edges. It sits in each of the business functions and domains across the company. Most of whom are starting to invest and grow sort of technical and data talent within their own specific sort of functions. And not being able to capitalize on the talent and empower the talent to responsibly apply data for their, edge innovations would would would not have been the most effective approach pick.

So, bringing these two together, bringing one and two together. Really what this comes down to is recognizing that, yes, you won’t enable agility at the edge. But you also to do to do that in a responsible manner. You also have to have some what we call the core responsible foundations. And the core responsible foundations really comes down to two sort of macro investments. One is around sort of a data governance foundation, a data governance foundation, where governance is not just about putting locks around the data as stated and just being focused on just the defense guardrails, but instead taking a slightly different pivot and thinking about how can you use strength in defense essentials as the enabler of responsible offense? As an enabler of responsibly democratizing data and then to help the business teams and functions play the offense game in terms of converting the data and the digital assets into sort of value outcomes and impact.

Right. So that’s one core part. And the other core part of the foundation that we had to set up was the connected data foundation, which is the analytics foundation. So for those of you familiar with some of the architectural patterns, which gets spoken about all the time, the data match, the data fabric, the data hub.

The question I often get asked often is, like, which is the best pattern and my answer is, I think my personal opinion, is that all of those three are relevant patterns. The mesh is all about federating value creation and innovation. Which needs to be enabled by fabrics for governance and connected analytics. And there are certain capabilities that you gotta run-in a common way and a standardized way for the company, which makes up the hub sort of capabilities.

And then that is sort of the innovation, the applied innovation that you fed raised to the edges in the mesh. Right. So, from an enablement perspective, we spent a lot of time putting in place those foundations to sort of like help teams across the organizations build on on those foundations. And then from an applied aspect, it was about driving the data literacy programs training programs, maturity models to help different teams across the organization, sort of like mature and their data skills, and then to take full advantage of the foundations and driving their growth outcomes.

Fantastic. So you mentioned they’re remote responsibly democratizing data, which is a phrase I’ve heard you use before. So let’s try and unpack that a little bit and Have you explained to everybody what what that meant to you? What what’s the democratized part? And who owns the data? Who owns the data products that you create?

How do you manage the process? How do you bring in data stewardship from presumably multiple parts of the organization?

And how long did you take trying to set that up? When you think about the ownership and the, you know, the stakeholders, discussing your data requirements, your data governance rules, and how they’re gonna be implemented How much time do you take kind of getting, commonality among the stakeholders before you even, jumped in with the the the technical work?

Yeah. Great. So the the overarching pattern was one that was based on the notion of a responsible core that powers sort of the the responsible edge agility. And the code itself makes up as I earlier described by governance foundation and analytics foundation. Right? Two core platforms that were built in a way such that teams across the enterprise could onboard onto foundations and could apply them for their individual domain purposes.

And the democratization aspects It’s not just about applying the data. It’s also about promoting the culture where the management and the governance of domain specific data estates can also be owned by each of the domain teams as opposed needing to be done centrally.

Barding common enterprise sort of data assets, which makes sense to sort of like government and manage in a common and consistent fashion.

The domain sort of data estates that sort of sit on top of utilize and extend an augment, the shared sort of data estate are best managed and stewarded by the domain functions who have the deepest expertise in the domain context and the policies from those domain contexts.

Core and central to our approach to governance was to make sure that governance was not just sort of a guardrail process, that only a central data office within sort of ID is accountable for doing on behalf of everyone, but it’s actually sort of a team sport where the same notion of how analytics today being a team sport is is widely recognized in practice. But governance being a team sport not as much. But the opportunity that that we sort of like saw and went after was recognizing that to truly excel. Truly excel in a data mesh.

You need to have the domain teams take ownership also of their respective data estates, but still providing the providing them the common guardrails and services for capabilities that do not have to be duplicated. Like for instance, your compliance capabilities around GDPR, around CCPA, around EU DB. You know, there’s a set of capabilities, core capabilities, which every domain team should not have go and sort of reinvent the wheelock. So providing those services more as platform capabilities, the team can sort of leverage and not have to sort of reinvent the wheelock.

But instead focusing on taking ownership of their respective data, data, product estates, owning their data products, as well as sort of, like, not just the implementation, but also the governance in the policy. How those products can be applied for business purposes and shared across teams and and with partners for broader use cases. So you asked a really interesting question about sort of titles and rules and everything a previous sort of, like, question which I did not get to. And this is a good place to actually bridge that back in.

Right? Because a lot of people ask me, like, hey, is data like a single CTO’s sort of accountability? You know, are there multiple data leaders? What should be the right title for sort of, like, data leaders?

And and and in my context, it’s like, when I started on the data journey, guess what my title was, it was principal engineering manager. That’s what it was. Right?

And that function was buried somewhere so deep into sort of like the the the the weeds of an older IT organization. Where it was when we started our digital transformation journey that the recognition of elevating data to sort of like a front line function surface. And even that surfaced through the opportunities that we recognized as needing to go after and solve for. And even then when I got you sort of like that deleting and running the data office, it was still engineering leader, right?

And then over time, as we started to sort of take a iterative approach to apply sort this federated model and bring it to life. It became very clear that there are more deeper competencies and the importance of data being a sister function to software engineering, a sister function to sort like IT operations as opposed to being listed somewhere within those functions started to come to bear as we organically navigated the journey. And we took a very incremental approach to do that. Right?

So you asked a really key question. Like, how do you do this? Did you go out at all at once? Was it incremental?

No. It was totally incremental.

And I’d like to speak to the approach of this being a cup of data at a time. What do I mean by a cup of data? Right. So the cup really just stands for compliant usable data products.

Right. So have a set of prioritized scenarios. Know what you’re going after. Do not try to boil the ocean.

At least that would be my recommendation. Like pick a few scenarios where you really need to bring data together across the estate and adopt a couple approach, right, identify the key domain teams who are best positioned to own those data products and apply data investments. Bring them into the loop, navigate the cultural transformation and the data literacy curve with those domain teams. In our case, we already had domain have the talent, it was just that we had to sort of like train them and orient them to the best practices around how you do this in a way that can actually sort of be used across the enterprise.

And then increase the teams to take a very iterative approach where they take a scenario at a time. They look at their estate. They conform and make the estate that is needed to serve the scenario compliant. They make it really usable for the target personas who have to be able to use those scenarios and implement those scenarios.

And then they really bring in the product thinking culture around how not to just teach data investments as data projects, but to truly trade data investments as data products, which brings in a whole different level of rigor around things like quality, around things like governance, around things like performance and scalability, usability, there’s a whole bunch of sort of attributes that one tends to associate with a product versus just a time box project. So when you start empowering the teams to take this approach, owning the data estates, building the data products, and the data, the cup of data, the data itself is democratize your data products, apply your data products, transform, and amplify your learnings.

And your learnings would be both great learnings as well as they could be learnings of things to improve. Like, one of the number one learnings that we got as we went through this cup of data approach is how much data we had accumulated over the years that were no longer required. It was a tremendous opportunity for us to shape that data and sort of bring it down into a set of most highly impactful data products. And in the also let go of a bunch of data that we had accumulated, which was no longer needed.

And that was a great practice that we started amplifying as we started taking future vibrations, always looking for ways to really bring the data estate down to what was really needed to run the company. Right? So, that’s kind of the approach that we took. And we had data leaders spread across all of the functions.

We have, like, data leaders in marketing and sales and finance and our engineering teams. So truly is a very federated ecosystem, you know, where we have this core enabling the, enabling the edges.

Excellent. So that’s really interesting to hear from, you know, when when outsiders look at Microsoft are very sophisticated and, a progressive organization to hear a little bit about on the insight how that evolution took place from technical to all the organizational and everything. So excellent insight there. So let’s pivot a little bit now to, you were you’re working the the the data hero path transforming Microsoft and the insight, but now you’re, you own products and you’re, helping Microsoft to develop the tools and deliver the tools to market that can help all the rest of us, and, everybody I’m sure is very well aware that prophecy is is closely allied with, with Microsoft and some of these things. So let’s let’s talk about some of the product that you’re bringing to market for, to to help all of us. What do you think are the products or initiatives that are gonna be most impactful for, the the data here is out there, the chief data officers.

There’s gonna be a session on data fabric a little bit later on. So I’m sure you’ll talk a little bit about that as well per view, which is I know very close to your heart. So tell us a little bit about what Microsoft is doing here to help the world. A hundred percent.

So I would I would anchor this to the concept of the the data mesh fabric and hub that I had spoken about earlier, right, which is the at the core, what we fundamentally believe in Microsoft is the database where in nature is a federated team sport. That’s the core sort of principle that drives all of our product directions and investments and that we’re going in terms of enabling our customers. And we also believe that there is no one right architecture pattern that that is that brings that to life. It truly is a mix of the mesh, the fabric, and the hub as as I explained earlier.

And if you took the core components that make up sort of this notion of enabling responsible data democratization use, it comes down to those those two core sort of capabilities around a really strong governance foundation to enable the responsible democratization of data and a really strong connected data foundation with great tools and modalities that help sort of teams across an organization sort of like apply the data for their growth purposes.

So mapping those two sort of investments to our two flag app here, I would say, product initiatives.

The connected data analytics foundation is Microsoft fabric, which you’ll hear about later in the day. And the governance foundation, enabling the responsible democratization to accelerate the responsible sort of offense and applications of data is what purview is all about. So when I made a governance story, we focused on a few key pillars the pillars being, data management, data discovery, and data understanding.

Data management entails everything from data quality management to master data management to data access management, to data sharing, all the capabilities that are essential and core and foundational to being able to enable the responsible sort of democratization of data. And it also includes data curation, which is a very, very crucial practice that you simply cannot ignore because without great curated data, It’s like the catalogs that you exposed to enterprise wide users, and that could be very sort of easy to discover and understand. Then that’s the data discovery and the understanding capabilities, which is all about providing experiences that can help enterprise wide users be self sufficient and productive and being able to discover the data assets.

That are most relevant to their purposes as well as to be able to understand those assets and gain access to those assets in a responsible manner while still staying completely compliant with all of the enterprise and regulatory policies.

And so that’s kind of how we think about our data governance at a at a at a macro level, you know, where we really pushing the needle on forward, on not just focusing on the defense play, but making the defense sort of like seamlessly abstracted to the point where organizations can really start making the connection between the value of data governance and business outcomes. And, and promoting sort of capabilities that make it more and more easy for organizations to scale how they manage the data estates and make the data estates discoverable, understandable, and accessible, front and center to all of this to both fabric and to sort of like purview is the notion of applying the many, many great innovations that we are now making in the AI and the generator AI space. Where, one of the huge opportunities for AI as I see it is, what I’d like to speak to as AI for data governance and data governance for AI.

AI for data governance is how you can apply AI to really scale the practices of data management and data governance versus data governance for AI is about a very simple concept your AI at the end of the day is only as good as your data. If you don’t have your data in a really great well managed quality state, your AI is not gonna be great. These two complementary facets in bringing them to life across Perview and fabric is where we are headed, as a company. And, of course, with with great partnerships, be high with partners like yourself and others to bring the whole equation and sort of like opportunity to life.

Perfect. Alright. Couple of quick questions. We’re almost out of time. Where do you see MDM fitting in with, with your vision there?

Is is the first?

A hundred percent. So MDM to me is a very, very crucial data management capability I’ve mentioned it as one of the core pillars of what we are looking at when we talk about data management. And MDM is super important because at least Salk, our learning as we traverse our own internal data quality journey was that at least sixty percent of our data quality challenges were rooted in how we managed our master data.

And being able to get a really strong angle on mastering data in a responsible manner, as well as ensuring that the right approach to master data management is sort of applied contextual to each of the the data domains and business entities. It’s a very crucial fundamental to get right. And there’s always the classic industry debate about traditional MDM, one MDM to rule them all analytical MB, which is more about dealing with sort of distributed data sources and accepting that to be the fact of a norm, and then still figuring out how do you bring in the rigors of good mass data management?

So we in Microsoft sort of, like, look at it contextually. Like, we’ve got sort of businesses like the supply chain where master data put an end to, like logistics providers and and and and materials are fairly sort of like managed in a single, I would say, a traditional Indian type system like SAPMDG. And then we’ve got business entities like customers and employees and other such, you know, while there is no such thing as a single master, while the master data sort of flows in from multiple systems distributed across the company, that we still have to unify into golden records truth to enable consistent downstream applications.

And that’s kind of why the analytical MDM sort of angle needs to kick in. Right? Because if you try to solve an analytical MDM sort like scenario applying traditional MDN, you’ll probably never get started on the business value creation. Right.

So, ideally, the MDM solution needs to have a mix of those two sort of like facets. You know, where, based on the business, operational context and the entities pertinent to those contexts, you can, you can sort of apply the right tool for the right choice, but it’s, again, not just about tooling as I’ve mentioned earlier. This is as much about, practice, culture, and everything else that needs to kick into how you manage data. So I’m really excited to hear about the the work that we’re all collectively doing into sort of helping customers get better at MDM, thereby, get better at data quality management, and thereby get better at the quality of all of their applied data investments.


So just in thirty seconds before we’re pulled off the stage Do you have any final thoughts, words of wisdom for the data heroes out there having been one and now serving them, by delivering products? I would say this is a great time to be data heroes. Of your ask health in terms of where you fit, data enabler or data applier or perhaps both.

And that’s a great question to get asked off do I know I’m successful as a data hero, especially when I’m in the data enablement site? My onset of that is very simple.

Just when you think that you’re probably working yourself out of a job and there are people across the entire company who think that what you’re doing is the most important thing in enabling them. That’s a great signal of knowing that you’re truly succeeding as a data enabler hero, right, where it is truly not about being a center of excellence, but it’s about being a champion of enablement. So take that away as food for that, and, really excited to continue this conversation offline. Yeah.

Perfect. Perfect. Thank you so much for your time. Move on to the next session now.

Thank you. Great. Fantastic. Thank you all so much.


Complete the form below to request your spot at Profisee’s happy hour and dinner at Il Mulino in the Swan Hotel on Tuesday, March 21 at 6:30pm.


MDM vs. MDS graphic
The Profisee website uses cookies to help ensure you have the best experience possible.  Learn more