Gautam Kanumuru, administrerende direktør og medstifter af Yogi – Intervieuserie

I før havde du arbejdet med NLP og Cortana i Microsoft, og derefter hjalp du med at lede Clarke.AI gennem en opkøb. Hvad motiverede dig til at starte Yogi, og hvordan har din baggrund formet virksomhedens mission?

Det, der fik mig til at starte Yogi, var virkelig potentialet i naturlig sprogbehandling. I Microsoft og Clarke.AI så jeg førstehånds, hvordan en relativt lille forbedring af NLP – sagen, en 5-10% forbedring i ydeevne – kunne låse op for hundredvis af nedstrømsbrugssager. Men jeg lagde også mærke til en åbning mellem, hvad der så imponerende ud i en demo, og hvad der faktisk leverede reel værdi til kunderne. Med Yogi satte vi os for at lukke denne åbning. Vi ville bygge noget, der kunne have en synlig, reel indvirkning, som fx ændringer i et produkt på en butikshylde, som man kan spore tilbage til indsigt genereret af vores platform.

I de tidlige dage af Yogi, hvilket var det største hinder for at få forbrugerbrands til at stole på kunstig intelligens til noget så nuanceret som kundesentiment?

Skepticisme kom fra to steder: det ene var teknologien selv, og det andet var os som et lille firma, der talte til store virksomheder. Vi lærte hurtigt, at det ikke er nok at tale om, hvad dit produkt kan gøre, du må vise det. Det betød, at vi tilbød at analysere prøver, før vi blev bedt om det, svarede på virkelige forretningsspørgsmål på stedet og altid leverede værdi fra dag én. Og vi gjorde det også klart, at vi ville arbejde igennem eventuelle problemer efter implementeringen. Den slags pålidelighed betød noget.

Yogi bruger kunstig intelligens og NLP til at udtrække sentiment fra produktanmeldelser. Kan du forklare, hvordan jeres platform oversætter rå kundefeedback til detaljerede, handlebare indsigt?

Vi tænker på det i tre faser: aggregat, organisér og analyser. Først samler vi kundefeedback fra multiple kanaler: anmeldelser, undersøgelser, supportsøknader og sikrer, at det er knyttet korrekt til det rigtige produkt, varenummer og detailhandler. Det er sværere, end det lyder. For eksempel kan samme produkt have lidt forskellige listinger på tværs af multiple sites.

Derefter organiserer vi data. Her er vores anden lag af kunstig intelligens, der læser feedback, som en menneske ville. Den identificerer, hvilke emner der diskuteres, hvordan de beskrives og med hvilket sentiment uden at afhænge kun af nøgleord.

Til sidst analyserer vi. Her præsenterer vi indsigt for vores brugere gennem en meget interaktiv interface. Vores nyeste værktøjer låter brugerne stille komplekse spørgsmål som “Hvordan har jeg klaret mig i forhold til mine tre konkurrenter over de sidste år?” og få et svar inden for sekunder.

Hvad adskiller Yogi’s kunstig intelligens-modeller fra generiske sentiment-analyseværktøjer? Er der specifikke teknikker, der hjælper jer med at fange nuancer i kundefeedback?

Yogi er som en ph.d.-uddannet i kundefeedback. Generiske modeller, selv avancerede som ChatGPT, er som meget intelligente studenter: de ved noget om alt. Vi har finjusteret vores modeller specifikt til dette område ved hjælp af vores egen dataset og omfattende forarbejdning. Fordi vi tilføjer lag af struktur, som sentiment, emner og produkt-mapping, giver vi rig kontekst omkring hver enkelt tekst, som modellen vurderer.

Mange kunstig intelligens-platforme kæmper med kontekst eller sarkasme i kunde-anmeldelser. Hvordan løser Yogi udfordringerne med ustruktureret, følelsesmæssigt kompleks data?

Vi løser det gennem fortsat træning og brugerinput. Vores model forbedres ved at indtage eksempler på sarkasme, tvetydighed eller udviklende slang. Vi tillader også brugerne at markere problematiske fortolkninger, som vi derefter kan føre tilbage i vores træningsproces. Denne finjustering kræver ikke millioner af eksempler, kun en håndfuld målrettede kan betydeligt forbedre ydeevnen.

Hvordan hjælper Yogi virksomheder med at opdage produkt-niveau-problemer, spore sentiment-ændringer og reagere i realtid? Kan du dele en succes-historie?

Absolut. I bred forstand ser vi en mængde brugssager, men tre almindelige kategorier. Først er produkt-innovation: virksomheder bruger os til at udforske nye kategorier og identificere uopfyldte behov, før de lancerer et nyt produkt. Vi har haft kunder, der begyndte at bruge Yogi to år før produktlanceringen for at forme alt fra formulering til emballage.

Anden er produkt-kvalitet: hvis et team ændrer en komponent – fx en del i en kaffemaskine – kan de spore post-lanceringssentiment for at se, om klagerne stiger. Dette gælder på tværs af sektorer, herunder skønhed, mad og elektronik.

Tredje er strategisk analyse: vi har set brands bruge Yogi til at evaluere potentielle opkøb ved at analysere kunde-feedback på mål-produkter. Det er et lag af due diligence, de ikke havde adgang til før.

Yogi bliver nu brugt til at optimere PDP’er, tilpasse markedsføringsbeskeder og endda spore leveringsproblemer. Hvordan er produktet udviklet for at støtte så mange arbejdsgange?

Det er helt kunde-drevet. Vi tror, at kunde-feedback er relevant for hvert team i en virksomhed, fra produkt til salg til support. Så når vi ser vores brugere trække indsigt for et nyt formål, spørger vi: kan Yogi tilpasse sig for at støtte denne brugssag på naturlig vis? Det er, hvordan vi er vokset. Vi byggede ikke til markedsføring eller forsyningskæde oprindeligt, men disse teams så værdi og bad om funktioner. Vi lyttede.

Hvordan hjælper I virksomheder med at overvåge konkurrenter og opdage disruptorer, før de bliver trusler?

Vi udnytter offentlige kilder som anmeldelser og vurderinger til at spore konkurrerende produkter i realtid. Vores platform bruger alerts og en “indsigt-feed” til at markere, når noget usædvanligt sker, som en stigning i positivt sentiment for en konkurrents produkt. Vores kunder behøver ikke at overvåge alt manuelt. Yogi scanner konstant og vil fremhæve noget bemærkelsesværdigt uden at blive bedt om det.

Hvor ser du fremtiden for kunstig intelligens-drevne kunde-insights hen i de næste 3 til 5 år, og hvilken rolle vil Yogi spille i det landskab?

To nøgle-ændringer er på vej. Først er automatisering. Opgaver, der tidligere tog uger, som fx at samle en konkurrent-sammenligning, reduceres til timer eller endda minutter. Snart kan en bruger spørge Yogi et spørgsmål og få et fuldt formateret rapport eller slide-deck tilbage.

Anden er opkomsten af nye typer af analyse. Kunstig intelligens vil muliggøre hurtige, iterative undersøgelser, der tidligere var for dyre eller tidskrævende, som fx ad-hoc fokus-gruppe-insights fra offentlige data. Vi tror, at Yogi er godt positioneret til at lede på begge fronter: hurtigere forskning og muliggørelse af helt nye arbejdsgange. Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Yogi.