Gautam Kanumuru, CEO & Co-Founder von Yogi – Interview-Serie

Sie haben zuvor an NLP und Cortana bei Microsoft gearbeitet und halfen bei Clarke.AI bei der Übernahme. Was hat Sie dazu motiviert, Yogi zu gründen, und wie hat Ihre Erfahrung die Mission des Unternehmens geprägt?

Was mich dazu gebracht hat, Yogi zu gründen, war das Potenzial der Natural Language Processing. Bei Microsoft und Clarke.AI habe ich gesehen, wie eine relativ kleine Verbesserung von NLP – sagen wir, eine 5-10-prozentige Leistungssteigerung – hunderte von Downstream-Anwendungsfällen freischalten kann. Aber ich habe auch eine Lücke zwischen dem gesehen, was in einer Demo beeindruckend aussah, und dem, was tatsächlich einen echten Wert für Kunden bot. Mit Yogi wollten wir diese Lücke schließen. Wir wollten etwas aufbauen, das einen greifbaren, sichtbaren Einfluss haben kann, wie Änderungen an einem Produkt auf einem Regal, die man auf Insights zurückführen kann, die von unserer Plattform generiert werden.

In den frühen Tagen von Yogi, was war das größte Hindernis, um Consumer-Marken dazu zu bringen, AI für etwas so Feines wie Kunden-Sentiment zu vertrauen?

Skepsis kam aus zwei Quellen: einerseits die Technologie selbst und andererseits wir als kleines Unternehmen, das mit großen Unternehmen sprach. Wir haben schnell gelernt, dass es nicht genug ist, über das zu sprechen, was Ihr Produkt kann, man muss es zeigen. Das bedeutete, dass wir bereit waren, Samples zu analysieren, bevor wir gefragt wurden, echte Geschäftsfragen auf der Stelle zu beantworten und immer Wert zu liefern, ab dem ersten Tag. Und wir haben auch klar gemacht, dass wir durch alle Probleme nach der Übernahme arbeiten würden. Diese Art von Zuverlässigkeit war wichtig.

Yogi verwendet KI und NLP, um Sentiment aus Produktbewertungen zu extrahieren. Können Sie uns durch die Art und Weise führen, wie Ihre Plattform rohe Shopper-Feedback in granulare, handhabbare Insights übersetzt?

Wir denken daran in drei Stufen: aggregieren, organisieren und analysieren. Zuerst aggregieren wir Kunden-Feedback aus mehreren Kanälen: Bewertungen, Umfragen, Support-Tickets und stellen sicher, dass es genau dem richtigen Produkt, SKU und Händler zugeordnet ist. Das ist schwieriger, als es klingt. Zum Beispiel kann das gleiche Produkt leicht unterschiedliche Listen auf mehreren Seiten haben.

Dann organisieren wir die Daten. Hier ist, wo unsere zweite Ebene von KI das Feedback liest, wie ein Mensch es tun würde. Sie identifiziert, welche Themen diskutiert werden, wie sie beschrieben werden und mit welchem Sentiment, ohne sich allein auf Schlüsselwörter zu verlassen.

Schließlich analysieren wir. Hier präsentieren wir Insights unseren Benutzern durch eine hochinteraktive Oberfläche. Unsere neuesten Tools ermöglichen es Benutzern sogar, komplexe Fragen wie “Wie habe ich mich im Vergleich zu meinen drei Wettbewerbern in den letzten zwölf Monaten geschlagen?” zu stellen und innerhalb von Sekunden eine Antwort zu erhalten.

Was unterscheidet Yogi’s KI-Modelle von generischen Sentiment-Analyse-Tools? Gibt es spezifische Techniken, die Ihnen helfen, Nuancen in Kunden-Feedback zu erfassen?

Yogi ist wie der PhD-Absolvent von Kunden-Feedback. Generische Modelle, sogar fortgeschrittene wie ChatGPT, sind wie sehr intelligente Studenten: sie wissen ein bisschen über alles. Wir haben unsere Modelle speziell für diesen Bereich feinjustiert, indem wir unsere eigene Datenbank und umfangreiche Vorverarbeitung verwendet haben. Da wir Schichten von Struktur hinzufügen, wie Sentiment, Themen und Produktzuordnung, bieten wir reichen Kontext um jeden Text, den das Modell auswertet.

Viele KI-Plattformen haben Schwierigkeiten mit Kontext oder Sarkasmus in Kundenbewertungen. Wie geht Yogi mit den Herausforderungen unstrukturierter, emotional komplexer Daten um?

Wir gehen damit um, indem wir kontinuierlich trainieren und Benutzereingaben verwenden. Unser Modell verbessert sich, indem es kontinuierlich Beispiele von Sarkasmus, Mehrdeutigkeit oder sich entwickelnder Umgangssprache aufnimmt. Wir ermöglichen es Benutzern auch, problematische Interpretationen zu markieren, die wir dann in unseren Trainingsprozess einfließen lassen können. Diese Feinjustierung erfordert nicht Millionen von Beispielen, nur ein paar gezielte können die Leistung erheblich verbessern.

Wie hilft Yogi Unternehmen, Produkt-Levels-Probleme zu erkennen, Sentiment-Änderungen zu verfolgen und in Echtzeit zu reagieren? Können Sie eine Erfolgsgeschichte teilen?

Absolut. Im Großen und Ganzen sehen wir eine Vielzahl von Anwendungsfällen, aber drei häufige Kategorien. Erstens Produktinnovation: Unternehmen verwenden uns, um neue Kategorien zu erkunden und ungedeckte Bedürfnisse zu identifizieren, bevor sie ein neues Produkt auf den Markt bringen. Wir haben Kunden, die zwei Jahre vor der Markteinführung eines Produkts mit Yogi begonnen haben, um alles von der Formulierung bis zur Verpackung zu gestalten.

Zweitens Produktqualität: Wenn ein Team ein Komponenten ändert – sagen wir, ein Teil in einer Kaffeemaschine – können sie die Nach-Veröffentlichung-Sentiment verfolgen, um zu sehen, ob sich Beschwerden erhöhen. Dies gilt für verschiedene Branchen, einschließlich Schönheit, Lebensmittel und Elektronik.

Drittens strategische Analyse: Wir haben Marken gesehen, die Yogi verwenden, um potenzielle Übernahmen zu bewerten, indem sie Kunden-Feedback auf Ziel-Produkte analysieren. Es ist eine Ebene von Due Diligence, die sie zuvor nicht hatten.

Yogi wird jetzt verwendet, um PDPs zu optimieren, Marketing-Messaging auszurichten und sogar Lieferprobleme zu verfolgen. Wie hat sich das Produkt entwickelt, um so viele Workflows zu unterstützen?

Es ist alles kundengetrieben. Wir glauben, dass Kunden-Feedback für jedes Team in einem Unternehmen relevant ist, von Produkt bis Vertrieb bis Support. Wenn wir also sehen, dass unsere Benutzer Insights für einen neuen Zweck ziehen, fragen wir: Kann Yogi sich anpassen, um diesen Anwendungsfall nativ zu unterstützen? So sind wir gewachsen. Wir haben ursprünglich nicht für Marketing oder Lieferkette gebaut, aber diese Teams haben Wert gesehen und um Funktionen gebeten. Wir haben zugehört.

Wie helfen Sie Unternehmen, Wettbewerber zu überwachen und Disruptoren zu erkennen, bevor sie zu Bedrohungen werden?

Wir nutzen öffentliche Quellen wie Bewertungen und Ratings, um konkurrierende Produkte in Echtzeit zu verfolgen. Unsere Plattform verwendet Warnungen und einen “Insights-Feed”, um zu signalisieren, wenn etwas Ungewöhnliches passiert, wie ein Anstieg von positivem Sentiment für ein Wettbewerbs-Produkt. Unsere Kunden müssen nicht alles manuell überwachen. Yogi scannet kontinuierlich und wird alles Bedeutende ohne Aufforderung anzeigen.

Wohin sehen Sie die Zukunft von KI-getriebenen Kunden-Insights in den nächsten 3 bis 5 Jahren, und welche Rolle wird Yogi in diesem Landschaftsbild spielen?

Zwei wichtige Verschiebungen sind im Kommen. Erstens ist die Automatisierung. Aufgaben, die einmal Wochen dauerten, wie die Zusammenstellung eines Wettbewerbsvergleichs, werden auf Stunden oder sogar Minuten reduziert. Bald könnte ein Benutzer Yogi eine Frage stellen und innerhalb von Sekunden einen vollständig formatierten Bericht oder eine Präsentation erhalten.

Zweitens ist die Entstehung neuer Arten von Analysen. KI wird es ermöglichen, schnelle, iterative Untersuchungen durchzuführen, die zuvor zu teuer oder zeitaufwändig waren, wie ad-hoc-Fokusgruppen-ähnliche Insights aus öffentlichen Daten. Wir glauben, dass Yogi gut positioniert ist, um auf beiden Fronten zu führen: Forschung zu beschleunigen und völlig neue Workflows zu ermöglichen.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Yogi besuchen: Yogi.