Gautam Kanumuru, CEO y Co-Fundador de Yogi – Serie de Entrevistas

Anteriormente trabajaste en NLP y Cortana en Microsoft, luego ayudaste a liderar Clarke.AI a través de una adquisición. ¿Qué te motivó a empezar Yogi, y cómo influyó tu experiencia en la misión de la empresa?

Lo que me llevó a empezar Yogi fue realmente el potencial del procesamiento de lenguaje natural. En Microsoft y Clarke.AI, vi de primera mano cómo una mejora relativamente pequeña en NLP, digamos un 5-10% de aumento en el rendimiento, podría desbloquear cientos de casos de uso downstream. Pero también noté un vacío entre lo que parecía impresionante en una demostración y lo que realmente entregaba valor real a los clientes. Con Yogi, nos propusimos cerrar ese vacío. Queríamos construir algo que pudiera tener un impacto tangible y visible, como cambios en un producto en una estantería que se puedan rastrear hasta las ideas generadas por nuestra plataforma.

En los primeros días de Yogi, ¿cuál fue el mayor obstáculo para que las marcas de consumo confiaran en la IA para algo tan sutil como el sentimiento del cliente?

La escepticidad provenía de dos lugares: uno era la tecnología en sí, y el otro era que éramos una pequeña empresa hablando con grandes empresas. Aprendimos rápidamente que no es suficiente hablar sobre lo que puede hacer tu producto, debes demostrarlo. Eso significaba ofrecer analizar muestras antes de ser solicitado, responder a preguntas de negocios reales al instante y siempre entregar valor desde el primer día. Y también hicimos claro que trabajaríamos a través de cualquier problema después de la adopción. Ese tipo de confiabilidad importaba.

Yogi utiliza IA y NLP para extraer sentimiento de reseñas de productos. ¿Puedes explicarnos cómo tu plataforma traduce comentarios brutos de compradores en insights granulares y accionables?

Lo pensamos en tres etapas: agregar, organizar y analizar. Primero, agregamos comentarios de clientes de múltiples canales: reseñas, encuestas, tickets de soporte y aseguramos que estén vinculados con precisión al producto, SKU y minorista correctos. Eso es más difícil de lo que suena. Por ejemplo, el mismo producto podría tener listados ligeramente diferentes en múltiples sitios.

Luego organizamos los datos. Aquí es donde nuestra segunda capa de IA lee los comentarios de la manera que un humano lo haría. Identifica qué temas se están discutiendo, cómo se están describiendo y con qué sentimiento sin depender únicamente de palabras clave.

Finalmente, analizamos. Esto es donde presentamos insights a nuestros usuarios a través de una interfaz altamente interactiva. Nuestras últimas herramientas incluso permiten a los usuarios escribir preguntas complejas como “¿Cómo he estado desempeñándome contra mis tres competidores en el último año?” y obtener una respuesta en cuestión de segundos.

¿Qué diferencia los modelos de IA de Yogi de las herramientas de análisis de sentimiento genéricas? ¿Hay técnicas específicas que ayudan a capturar matices en los comentarios de los consumidores?

Yogi es como el graduado de doctorado de comentarios de clientes. Los modelos genéricos, incluso los avanzados como ChatGPT, son como estudiantes universitarios inteligentes: saben un poco sobre todo. Hemos afinado nuestros modelos específicamente para este espacio, utilizando nuestro propio conjunto de datos y un procesamiento previo extensivo. Debido a que agregamos capas de estructura, como sentimiento, temas y mapeo de productos, proporcionamos un contexto rico alrededor de cada pieza de texto que el modelo evalúa.

Muchas plataformas de IA luchan con el contexto o el sarcasmo en las reseñas de los clientes. ¿Cómo aborda Yogi los desafíos de los datos no estructurados y emocionalmente complejos?

Lo abordamos a través de un entrenamiento continuo y la entrada del usuario. Nuestro modelo mejora al ingerir continuamente ejemplos de sarcasmo, ambigüedad o jerga en constante evolución. También permitimos a los usuarios marcar interpretaciones problemáticas, que podemos retroalimentar en nuestro proceso de entrenamiento. Esta afinación no requiere millones de ejemplos, solo un puñado de ejemplos dirigidos puede mejorar significativamente el rendimiento.

¿Cómo ayuda Yogi a las empresas a detectar problemas a nivel de producto, rastrear cambios de sentimiento y reaccionar en tiempo real? ¿Puedes compartir una historia de éxito?

Absolutamente. En general, vemos una multitud de casos de uso, pero hay tres categorías comunes. Primero, innovación de productos: las empresas nos utilizan para explorar nuevas categorías e identificar necesidades no satisfechas antes de lanzar un nuevo producto. Hemos tenido clientes que comenzaron a utilizar Yogi dos años antes del lanzamiento de un producto para dar forma a todo, desde la formulación hasta el empaque.

Segundo, calidad del producto: si un equipo cambia un componente, digamos una parte en una máquina de café, pueden rastrear el sentimiento posterior al lanzamiento para ver si las quejas aumentan. Esto se aplica en todos los sectores, incluyendo belleza, alimentos y electrónica.

Tercero, análisis estratégico: hemos visto a marcas utilizar Yogi para evaluar posibles adquisiciones analizando comentarios de consumidores sobre productos objetivo. Es una capa de diligencia debida que no tenían acceso antes.

Yogi ahora se utiliza para optimizar PDP, alinear mensajes de marketing y incluso rastrear problemas de envío. ¿Cómo ha evolucionado el producto para respaldar tantos flujos de trabajo?

Es impulsado por el cliente. Creemos que los comentarios de los consumidores son relevantes para todos los equipos de una empresa, desde productos hasta ventas y soporte. Así que cuando vemos a nuestros usuarios extrayendo insights para un nuevo propósito, preguntamos: ¿puede Yogi adaptarse para respaldar ese caso de uso de forma nativa? Esa es la forma en que hemos crecido. No construimos para marketing o cadena de suministro originalmente, pero esos equipos vieron valor y solicitaron características. Escuchamos.

¿Cómo ayudan a las empresas a monitorear a los competidores y detectar disruptores antes de que se conviertan en amenazas?

Utilizamos fuentes públicas como reseñas y calificaciones para rastrear productos competidores en tiempo real. Nuestra plataforma utiliza alertas y un “flujo de insights” para marcar cuando algo inusual sucede, como un aumento en el sentimiento positivo para un producto de un competidor. Nuestros clientes no necesitan monitorear todo manualmente. Yogi está escaneando constantemente y presentará cualquier cosa notable sin ser solicitado.

¿Hacia dónde crees que se dirige el futuro de las insights de consumidor impulsadas por IA en los próximos 3 a 5 años, y qué papel desempeñará Yogi en ese paisaje?

Hay dos cambios clave que se avecinan. Primero es la automatización. Tareas que antes tomaban semanas, como compilar una comparación de competidores, se están reduciendo a horas o incluso minutos. Pronto, un usuario podría hacer una pregunta a Yogi y obtener un informe o presentación completamente formateado como respuesta.

Segundo es el surgimiento de nuevos tipos de análisis. La IA habilitará investigaciones rápidas e iterativas que antes eran demasiado costosas o consumían demasiado tiempo, como insights de grupos focales estilo ad-hoc a partir de datos públicos. Creemos que Yogi está bien posicionada para liderar en ambos frentes: acelerar la investigación y habilitar flujos de trabajo completamente nuevos.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Yogi.