Gautam Kanumuru, CEO & Co-Founder of Yogi – Seri Wawancara

Anda sebelumnya bekerja pada NLP dan Cortana di Microsoft, kemudian membantu memimpin Clarke.AI melalui akuisisi. Apa yang memotivasi Anda untuk memulai Yogi, dan bagaimana latar belakang Anda membentuk misi perusahaan?

Apa yang membuat saya memulai Yogi adalah potensi pengolahan bahasa alami. Di Microsoft dan Clarke.AI, saya melihat langsung bagaimana perbaikan kecil pada NLP—misalnya, peningkatan 5-10% dalam kinerja—dapat membuka ratusan kasus penggunaan hilir. Namun, saya juga melihat kesenjangan antara apa yang terlihat mengesankan dalam demo dan apa yang sebenarnya memberikan nilai nyata kepada pelanggan. Dengan Yogi, kami bertujuan untuk menutup kesenjangan itu. Kami ingin membangun sesuatu yang dapat membuat dampak yang nyata, seperti perubahan pada produk di rak toko yang dapat dilacak kembali ke wawasan yang dihasilkan oleh platform kami.

Di awal hari Yogi, apa yang menjadi hambatan terbesar dalam membuat merek konsumen percaya pada AI untuk sesuatu yang halus seperti sentimen pelanggan?

Keskeptisisme datang dari dua tempat: satu adalah teknologi itu sendiri, dan yang lain adalah kami sebagai perusahaan kecil yang berbicara dengan perusahaan besar. Kami belajar dengan cepat bahwa tidak cukup untuk berbicara tentang apa yang produk Anda dapat lakukan, Anda harus menunjukkannya. Artinya, menawarkan untuk menganalisis sampel sebelum diminta, menjawab pertanyaan bisnis nyata di tempat, dan selalu memberikan nilai dari hari pertama. Dan kami juga menjelaskan bahwa kami akan bekerja melalui masalah apa pun setelah adopsi. Keandalan seperti itu sangat penting.

Yogi menggunakan AI dan NLP untuk mengekstrak sentimen dari ulasan produk. Bisakah Anda menjelaskan bagaimana platform Anda menerjemahkan umpan balik pelanggan mentah menjadi wawasan yang dapat ditindaklanjuti dan terperinci?

Kami memikirkannya dalam tiga tahap: agregat, organisasi, dan analisis. Pertama, kami mengumpulkan umpan balik pelanggan dari berbagai saluran: ulasan, survei, tiket dukungan, dan memastikan bahwa semua itu terikat dengan benar ke produk, SKU, dan pengecer yang tepat. Itu lebih sulit daripada yang terdengar. Misalnya, produk yang sama mungkin memiliki daftar yang sedikit berbeda di beberapa situs.

Kemudian kami mengorganisir data. Di sinilah lapisan AI kedua kami membaca umpan balik seperti manusia. Ini mengidentifikasi topik apa yang dibahas, bagaimana mereka digambarkan, dan dengan sentimen apa tanpa bergantung sepenuhnya pada kata kunci.

Akhirnya, kami menganalisis. Ini adalah tempat kami menyajikan wawasan kepada pengguna kami melalui antarmuka yang sangat interaktif. Alat terbaru kami bahkan memungkinkan pengguna mengetik pertanyaan kompleks seperti, “Bagaimana saya telah berperforma dibandingkan dengan tiga pesaing saya selama setahun terakhir?” dan mendapatkan jawaban dalam hitungan detik.

Apa yang membedakan model AI Yogi dari alat analisis sentimen generik? Apakah ada teknik khusus yang membantu Anda menangkap nuansa dalam umpan balik pelanggan?

Yogi seperti lulusan PhD dari umpan balik pelanggan. Model generik, bahkan yang canggih seperti ChatGPT, seperti mahasiswa sarjana yang pintar: mereka tahu sedikit tentang segala hal. Kami telah mengoptimalkan model kami secara khusus untuk ruang ini, menggunakan dataset kami sendiri dan pra-pengolahan yang luas. Karena kami menambahkan lapisan struktur, seperti sentimen, topik, dan pemetaan produk, kami menyediakan konteks kaya di sekitar setiap teks yang dievaluasi model.

Banyak platform AI mengalami kesulitan dengan konteks atau sarkasme dalam ulasan pelanggan. Bagaimana Yogi menangani tantangan data yang tidak terstruktur dan kompleks secara emosional?

Kami menanganinya melalui pelatihan berkelanjutan dan input pengguna. Model kami diperbarui dengan terus-menerus mengonsumsi contoh sarkasme, ambiguitas, atau slang yang berkembang. Kami juga memungkinkan pengguna untuk menandai interpretasi yang bermasalah, yang kemudian dapat kami umpan kembali ke proses pelatihan kami. Penerapan ini tidak memerlukan jutaan contoh, hanya beberapa contoh yang ditargetkan dapat secara signifikan meningkatkan kinerja.

Bagaimana Yogi membantu perusahaan mendeteksi masalah pada tingkat produk, melacak perubahan sentimen, dan bereaksi secara real-time? Bisakah Anda membagikan sebuah kisah sukses?

Tentu. Secara umum, kami melihat banyak kasus penggunaan, tetapi tiga kategori umum. Pertama, inovasi produk: perusahaan menggunakan kami untuk menjelajahi kategori baru dan mengidentifikasi kebutuhan yang belum terpenuhi sebelum meluncurkan produk baru. Kami telah memiliki klien yang mulai menggunakan Yogi dua tahun sebelum peluncuran produk untuk membentuk segala hal, dari formulasi hingga kemasan.

Kedua, kualitas produk: jika tim mengubah komponen—misalnya, bagian dalam mesin kopi—mereka dapat melacak sentimen pasca-rilis untuk melihat apakah keluhan meningkat. Ini berlaku di seluruh sektor, termasuk kecantikan, makanan, dan elektronik.

Ketiga, analisis strategis: kami telah melihat merek menggunakan Yogi untuk mengevaluasi potensi akuisisi dengan menganalisis umpan balik pelanggan pada produk target. Ini adalah lapisan due diligence yang mereka tidak miliki sebelumnya.

Yogi sekarang digunakan untuk mengoptimalkan PDP, menyelaraskan pesan pemasaran, dan bahkan melacak masalah pengiriman. Bagaimana produk berkembang untuk mendukung banyak alur kerja?

Ini semua didorong oleh pelanggan. Kami percaya bahwa umpan balik pelanggan relevan dengan setiap tim di perusahaan, dari produk hingga penjualan hingga dukungan. Jadi, ketika kami melihat pengguna kami menarik wawasan untuk tujuan baru, kami bertanya: dapatkah Yogi beradaptasi untuk mendukung kasus penggunaan itu secara asli? Itulah bagaimana kami tumbuh. Kami tidak membangun untuk pemasaran atau rantai pasokan awalnya, tetapi tim-tim itu melihat nilai dan meminta fitur. Kami mendengarkan.

Bagaimana Anda membantu perusahaan memantau pesaing dan mendeteksi disruptor sebelum mereka menjadi ancaman?

Kami memanfaatkan sumber daya publik seperti ulasan dan peringkat untuk melacak produk pesaing secara real-time. Platform kami menggunakan peringatan dan “umpan wawasan” untuk menandai ketika sesuatu yang tidak biasa terjadi, seperti lonjakan sentimen positif untuk produk pesaing. Pelanggan kami tidak perlu memantau semuanya secara manual. Yogi terus-menerus memindai dan akan menampilkan apa pun yang penting tanpa perlu dipicu.

Di mana Anda melihat masa depan wawasan konsumen yang didorong AI dalam 3 hingga 5 tahun ke depan, dan apa peran yang akan dimainkan Yogi dalam lanskap itu?

Dua pergeseran kunci akan datang. Pertama adalah otomatisasi. Tugas yang sebelumnya membutuhkan waktu minggu, seperti mengompilasi perbandingan pesaing, sedang dikurangi menjadi jam atau bahkan menit. Tak lama lagi, pengguna mungkin bertanya kepada Yogi sebuah pertanyaan dan mendapatkan kembali laporan atau presentasi yang sudah diformat.

Kedua adalah munculnya jenis analisis baru. AI akan memungkinkan investigasi cepat dan iteratif yang sebelumnya terlalu mahal atau memakan waktu, seperti wawasan gaya fokus grup ad-hoc dari data publik. Kami percaya Yogi berada dalam posisi yang baik untuk memimpin di kedua front: mempercepat penelitian dan memungkinkan alur kerja yang sama sekali baru.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Yogi.