Haastattelut
Gautam Kanumuru, Yogi:n CEO ja Co-Perustaja – Haastattelusarja
Gautam Kanumuru, on Yogi:n CEO ja Co-Perustaja. Ennen Yogi:n perustamista Gautam työskenteli Microsoftissa ohjelmistopäällikkönä, jossa hän työskenteli luonnollisen kielen prosessoinnissa ja Cortanassa Microsoftin tuotteiden parissa. Myöhemmin hän siirtyi Clarke.AI:hin, jossa hän toimi teknisen johtajan virassa, kunnes yhtiö myytiin edistyneiden puhetta ja tekstiä analysoivien algoritmien vuoksi. Gautam on valmistunut Virginian yliopistosta, jossa hän suoritti tietokoneen insinööritieteen ja taloustieteen tutkinnot, ja hän on Forbesin 30 alle 30 -listalla yritysohjelmisto- ja tekoälytyöstään.
Yogi on tekoälypohjainen asiakasäänen analyysi- ja palvelualusta, joka analysoi arvosteluita, tukipyyntöjä ja muuta palautetta, jotta se voi paljastaa tuotetasolla olevat mielipiteet ja trendit. Se auttaa yrityksiä parantamaan tuotekehitystä, markkinointia ja muunnoskertoimia käyttämällä reaaliaikaisia, kysymysten perusteella saatavia näkemyksiä sen “Kysy Yogi” -ominaisuuden kautta.
Aikaisemmin työskentelit NLP:ssä ja Cortanassa Microsoftissa, ja avustit Clarke.AI:n myyntiä. Mikä motivoi sinua perustamaan Yogi:n, ja miten taustasi muovasi yrityksen tehtävää?
Se, mikä sai minut perustamaan Yogi:n, oli luonnollisen kielen prosessoinnin potentiaali. Microsoftissa ja Clarke.AI:ssa näin ensimmäisen kerran, miten suhteellisen pieni parannus NLP:ssä – esimerkiksi 5-10 prosentin parannus – voisi avata satoja alihankkeita. Mutta huomasin myös, että siinä, mitä näytti vaikuttavalta demoissa, ja siinä, mitä tosiasiallisesti tarjosi asiakkaille arvoa, oli kuilu. Yogi:ssä halusimme rakentaa jotain, joka voisi tehdä konkreettisen, näkyvän vaikutuksen, kuten muutoksia tuotteeseen, jonka voisi jäljittää takaisin Yogi:n analyysiin perustuviin näkemyksiin.
Yogi:n alkuvaiheessa mikä oli suurin este saada kuluttajabrändit luottamaan tekoälyyn asiakasäänen analyysiin?
Epäily syntyi kahdesta paikasta: yksi oli itse teknologia, ja toinen oli se, että olimme pieni yritys, joka puhui suurten yritysten kanssa. Opimme nopeasti, että ei riitä puhua siitä, mitä tuotteesi voi tehdä, sinun on näytettävä se. Tämä tarkoitti sitä, että tarjosimme analyysiä ennen kuin sitä pyydettiin, vastasimme todellisiin liiketoimintakysymyksiin paikalla, ja toimimme aina arvon tarjoajana ensimmäisestä päivästä lähtien. Ja selvimme myös, että meidän on työskenneltävä läpi kaikki ongelmat asiakkaan kanssa. Tuo luotettavuus oli tärkeää.
Yogi käyttää tekoälyä ja NLP:ää asiakasäänen analyysiin. Voitko kertoa, miten teidän alustanne muuttaa raakaa ostajan palautetta hienostuneisiin, toimintoihin perustuvien näkemyksiin?
Ajattelemme sitä kolmessa vaiheessa: kerääminen, järjestäminen ja analyysi. Ensinnäkin keräämme asiakaspalautetta useista kanavista: arvosteluita, kyselyitä, tukipyyntöjä, ja varmistamme, että se on sidottu oikein oikeaan tuotteeseen, tuotekoodiin ja jälleenmyyjään. Se on vaikeampaa kuin mitä se kuulostaa.
Sitten järjestämme tiedot. Tässä vaiheessa toinen kerros tekoälyämme lukee palautetta samalla tavalla kuin ihminen. Se tunnistaa, mitä aiheita käsitellään, miten niitä kuvataan, ja millä mielipiteellä ilman, että se riippuu pelkästään avainsanoista.
Lopulta analysoimme. Tässä vaiheessa esitämme näkemyksiä käyttäjillemme erittäin interaktiivisen käyttöliittymän kautta. Uusimmat työkalumme antavat jopa käyttäjille mahdollisuuden kysyä monimutkaisia kysymyksiä, kuten “Miten olen suoriutunut kilpailijoideni kanssa viimeisen vuoden aikana?” ja saada vastauksen sekunneissa.
Mitä erottaa Yogi:n tekoälymallit geneerisistä mielipiteen analyysityökaluista? Onko tiettyjä tekniikoita, jotka auttavat sinua havainnoimaan kuluttajapalautteen hienostuneisuutta?
Yogi on kuluttajapalautteen “tohtorin tutkinto”. Geneeriset mallit, jopa edistyneet kuten ChatGPT, ovat kuin älykkäät yliopiston opiskelijat: he tietävät vähän kaikkea. Olemme hienosäätäneet mallejamme tietysti tähän tilaan käyttämällä omaa tietokantaa ja laajaa esikäsittelyä. Koska lisäämme kerroksia rakennetta, kuten mielipidettä, aiheita ja tuotteen karttaa, tarjoamme rikkaan kontekstin jokaiselle tekstin palalle, jonka malli arvioi.
Monet tekoälyalustat kamppailevat kontekstin tai sarkasmin kanssa asiakasarvostelussa. Miten Yogi vastaa haasteisiin, jotka liittyvät rakenteettomaan, emotionaalisesti monimutkaiseen dataan?
Me kohtaamme sen jatkuvalla koulutuksella ja käyttäjän syötteen avulla. Mallimme parantaa jatkuvasti syötteiden kautta, kuten sarkasmia, epäselvyyttä tai kehittyvää slangiä. Sallimme myös käyttäjien merkitä ongelmalliset tulkinnat, joita voimme sitten syöttää takaisin koulutusprosessiimme. Tämä hienosäätö ei vaadi miljoonia esimerkkejä, vaan vain muutamia kohdennettuja esimerkkejä, jotka voivat parantaa suorituskykyä merkittävästi.
Miten Yogi auttaa yrityksiä havainnoimaan tuotekohtaisia ongelmia, seuraamaan mielipiteen muutoksia ja reagoida reaaliajassa? Voitko jakaa menestystarinan?
Täysin. Laajasti näemme monia käyttötapauksia, mutta yleisimmin kolme kategoriaa. Ensinnäkin tuotekehitys: yritykset käyttävät meitä tutkimaan uusia kategorioita ja tunnistamaan tyytyväisyyden puutteita ennen uuden tuotteen julkaisemista. Olemme saaneet asiakkaita, jotka ovat alkaneet käyttää Yogi:a kaksi vuotta ennen tuotteen julkaisemista muotoilemaan kaikkea aineiden sekoituksesta pakkaukseen.
Toiseksi tuotteen laatu: jos tiimi muuttaa komponenttia – esimerkiksi osaa kahvinkeittimessä – he voivat seurata julkaisun jälkeen mielipidettä ja nähdä, jos valitukset lisääntyvät. Tämä koskee useita aloja, kuten kauneutta, ruokaa ja elektroniikkaa.
Kolmanneksi strateginen analyysi: olemme nähneet brändien käyttävän Yogi:a arvioimaan potentiaalisia yritysostojen kohde-yritysten kuluttajapalautetta. Se on kerros due diligencea, jota he eivät aiemmin olleet saaneet.
Yogi on nyt käytössä optimoimaan PDP:itä, kohdistamaan markkinointiviestintää ja jopa seuraamaan toimitusongelmia. Miten tuote on kehittynyt tukemaan niin monia työnkulkua?
Se on asiakaslähtöistä. Uskomme, että kuluttajapalautetta on relevanttia jokaiselle tiimille yrityksessä tuotantoa myyntiin ja tukipalveluihin. Kun näemme käyttäjiämme käyttävän näkemyksiä uuden tarkoituksen vuoksi, kysymme: voiko Yogi sopeutua tukemaan sitä käyttötapauksessa? Se on tapa, jolla olemme kasvaneet. Emme alun perin suunnitelleet markkinointia tai toimitusketjun hallintaa, mutta nämä tiimit näkivät arvon ja pyysivät ominaisuuksia. Kuulimme heitä.
Miten autat yrityksiä seuraamaan kilpailijoita ja havainnoimaan häirintöjä ennen kuin ne muodostuvat uhkaa?
Käytämme julkisia lähteitä, kuten arvosteluita ja arvosteluita, seuraamaan kilpailevia tuotteita reaaliajassa. Alustamme käyttää hälytyksiä ja “näkemyssyötettä” merkitsemään, kun jotain epätavallista tapahtuu, kuten positiivisen mielipiteen nousua kilpailijan tuotteelle. Asiakkaidemme ei tarvitse seurata kaikkea manuaalisesti. Yogi skannaa jatkuvasti ja tuo esiin mitä tahansa merkittävää ilman, että sitä pyydetään.
Mihin suuntaan näet tekoälyohjattujen kuluttajapalautteen tulevan kehittyvän seuraavien 3-5 vuoden aikana, ja mikä rooli Yogi:lla on siinä maisemassa?
Kaksi tärkeää muutosta on tulossa. Ensinnäkin automaatio. Tehtävät, jotka aiemmin kestivät viikkoja, kuten kilpailijoiden vertailu, ovat jo lyhentyneet tunteihin tai jopa minuutteihin. Pian käyttäjä voi kysyä Yogi:ltä kysymyksen ja saada valmiin raportin tai diaesityksen.
Toiseksi uusien analyysityyppien syntymä. Tekoäly mahdollistaa nopeita, iteratiivisia tutkimuksia, jotka aiemmin olivat liian kalliita tai aikaa vieviä, kuten ad-hoc-tyyppisiä kuluttajapalautteen havaintoja julkisesta datasta. Uskomme, että Yogi on hyvin asemoitunut johtamaan molemmilla rintamilla: nopeuttamaan tutkimusta ja mahdollistamaan täysin uusia työnkulkua.
Kiitos haastattelusta, lukijoille, jotka haluavat oppia lisää, suosittelemme vierailemaan Yogi:ssa.
