Gautam Kanumuru, CEO e Co-Fondatore di Yogi – Serie di Interviste

Hai lavorato in precedenza su NLP e Cortana presso Microsoft, poi hai aiutato a guidare Clarke.AI attraverso un’acquisizione. Cosa ti ha motivato a fondare Yogi e come ha influenzato la tua esperienza la missione dell’azienda?

Ciò che mi ha spinto a fondare Yogi è stato il potenziale dell’elaborazione del linguaggio naturale. A Microsoft e Clarke.AI, ho visto di persona come un miglioramento relativamente piccolo dell’NLP – diciamo un aumento del 5-10% delle prestazioni – potesse sbloccare centinaia di casi d’uso a valle. Tuttavia, ho anche notato un divario tra ciò che sembrava impressionante in una demo e ciò che effettivamente forniva valore reale ai clienti. Con Yogi, ci siamo proposti di colmare questo divario. Volevamo costruire qualcosa che potesse avere un impatto tangibile e visibile, come modifiche a un prodotto su uno scaffale che potessero essere ricondotte alle informazioni generate dalla nostra piattaforma.

Nei primi giorni di Yogi, quale è stato il più grande ostacolo nel far si che le marche di consumo si fidassero dell’intelligenza artificiale per qualcosa di così sfumato come il sentimento dei clienti?

Lo scetticismo proveniva da due fonti: una era la tecnologia stessa e l’altra era il fatto che eravamo una piccola azienda che parlava con grandi imprese. Abbiamo imparato rapidamente che non è sufficiente parlare di ciò che il tuo prodotto può fare, devi dimostrarlo. Ciò significava offrire di analizzare campioni prima di essere richiesti, rispondere a domande aziendali sul posto e sempre fornire valore fin dal primo giorno. E abbiamo anche reso chiaro che avremmo lavorato per risolvere eventuali problemi post-adozione. Quel tipo di affidabilità contava.

Yogi utilizza l’intelligenza artificiale e l’NLP per estrarre il sentimento dalle recensioni dei prodotti. Puoi spiegarci come la tua piattaforma traduca il feedback grezzo degli acquirenti in informazioni granulari e azionabili?

Noi pensiamo a ciò in tre fasi: aggregazione, organizzazione e analisi. In primo luogo, aggregiamo il feedback dei clienti da più canali: recensioni, sondaggi, biglietti di supporto e assicuriamoci che sia collegato in modo accurato al prodotto giusto, SKU e rivenditore. Ciò è più difficile di quanto sembri. Ad esempio, lo stesso prodotto potrebbe avere elenchi leggermente diversi su più siti.

Poi organizziamo i dati. Ecco dove il nostro secondo livello di intelligenza artificiale legge il feedback come farebbe un essere umano. Identifica quali argomenti vengono discussi, come vengono descritti e con quale sentimento senza affidarsi solo a parole chiave.

Infine, analizziamo. Questo è il punto in cui presentiamo le informazioni ai nostri utenti attraverso un’interfaccia interattiva. I nostri strumenti più recenti consentono anche agli utenti di digitare domande complesse come “Come ho performato rispetto ai miei tre concorrenti nell’ultimo anno?” e ottenere una risposta in pochi secondi.

Cosa differenzia i modelli di intelligenza artificiale di Yogi dagli strumenti di analisi del sentimento generici? Ci sono tecniche specifiche che aiutano a catturare la sfumatura nel feedback dei consumatori?

Yogi è come il dottorato di livello avanzato del feedback dei consumatori. I modelli generici, anche quelli avanzati come ChatGPT, sono come studenti universitari molto intelligenti: sanno un po’ di tutto. Noi abbiamo perfezionato i nostri modelli specificamente per questo spazio, utilizzando il nostro stesso set di dati e un’elaborazione estensiva. Poiché aggiungiamo strati di struttura, come sentimento, argomenti e mappatura dei prodotti, forniamo un contesto ricco intorno a ogni pezzo di testo che il modello valuta.

Molte piattaforme di intelligenza artificiale lottano con il contesto o il sarcasmo nelle recensioni dei clienti. Come affronta Yogi le sfide dei dati non strutturati e emotivamente complessi?

Lo affrontiamo attraverso un addestramento continuo e un feedback degli utenti. Il nostro modello migliora continuamente ingerendo esempi di sarcasmo, ambiguità o slang in evoluzione. Consentiamo anche agli utenti di segnalare interpretazioni problematiche, che possiamo poi riportare nel nostro processo di addestramento. Questo perfezionamento non richiede milioni di esempi, solo una manciata di esempi mirati può migliorare significativamente le prestazioni.

Come aiuta Yogi le aziende a rilevare problemi a livello di prodotto, a monitorare i cambiamenti del sentimento e a reagire in tempo reale? Puoi condividere una storia di successo?

Assolutamente. In generale, vediamo una moltitudine di casi d’uso, ma tre categorie comuni. In primo luogo, innovazione del prodotto: le aziende utilizzano Yogi per esplorare nuove categorie e identificare esigenze insoddisfatte prima del lancio di un nuovo prodotto. Abbiamo avuto clienti che hanno iniziato a utilizzare Yogi due anni prima del lancio di un prodotto per plasmare tutto, dalla formulazione all’imballaggio.

In secondo luogo, qualità del prodotto: se un team modifica un componente – ad esempio, una parte di una macchina per il caffè – possono monitorare il sentimento post-lancio per vedere se le lamentele aumentano. Ciò si applica a tutti i settori, compresi bellezza, cibo ed elettronica.

In terzo luogo, analisi strategica: abbiamo visto marche utilizzare Yogi per valutare potenziali acquisizioni analizzando il feedback dei consumatori sui prodotti target. È un livello di due diligence che non avevano accesso prima.

Yogi viene ora utilizzato per ottimizzare le PDP, allineare i messaggi di marketing e persino monitorare i problemi di spedizione. Come è evoluta la piattaforma per supportare così tanti flussi di lavoro?

È tutto guidato dal cliente. Crediamo che il feedback dei consumatori sia rilevante per ogni team in un’azienda, dal prodotto alle vendite al supporto. Quindi, quando vediamo i nostri utenti estrarre informazioni per uno scopo nuovo, chiediamo: può Yogi adattarsi per supportare quel caso d’uso in modo nativo? È così che siamo cresciuti. Non abbiamo costruito per il marketing o la catena di approvvigionamento inizialmente, ma quei team hanno visto il valore e hanno chiesto funzionalità. Noi abbiamo ascoltato.

Come aiuti le aziende a monitorare i concorrenti e a rilevare i disruptor prima che diventino minacce?

Sfruttiamo fonti pubbliche come recensioni e valutazioni per monitorare i prodotti concorrenti in tempo reale. La nostra piattaforma utilizza avvisi e un “feed di informazioni” per segnalare quando accade qualcosa di insolito, come un aumento del sentimento positivo per un prodotto concorrente. I nostri clienti non devono monitorare tutto manualmente. Yogi scansiona costantemente e porterà alla superficie qualsiasi cosa degna di nota senza essere sollecitato.

Dove vedi il futuro dell’analisi dei consumatori guidata dall’intelligenza artificiale nei prossimi 3-5 anni e quale ruolo avrà Yogi in quel panorama?

Due cambiamenti chiave sono in arrivo. In primo luogo, l’automazione. I compiti che una volta richiedevano settimane, come la compilazione di un confronto con i concorrenti, vengono ridotti a ore o addirittura minuti. Presto, un utente potrebbe chiedere a Yogi una domanda e ottenere indietro un rapporto o una presentazione completamente formattata.

In secondo luogo, l’emergere di nuovi tipi di analisi. L’intelligenza artificiale consentirà indagini rapide e iterative che erano un tempo troppo costose o lunghe, come informazioni di stile focus group da dati pubblici. Crediamo che Yogi sia ben posizionato per guidare su entrambi i fronti: accelerare la ricerca e abilitare flussi di lavoro completamente nuovi.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Yogi.