Gautam Kanumuru, CEO e cofundador da Yogi – Série de entrevistas

Você trabalhou anteriormente com NLP e Cortana na Microsoft e, em seguida, ajudou a liderar a Clarke.AI em uma aquisição. O que a motivou a fundar a Yogi e como sua experiência moldou a missão da empresa?

O que me levou a criar o Yogi foi, de fato, o potencial do processamento de linguagem natural. Na Microsoft e na Clarke.AI, vi em primeira mão como uma melhoria relativamente pequena no PLN — digamos, um aumento de 5% a 10% no desempenho — poderia desbloquear centenas de casos de uso posteriores. Mas também notei uma lacuna entre o que parecia impressionante em uma demonstração e o que realmente gerava valor real para os clientes. Com o Yogi, buscamos preencher essa lacuna. Queríamos construir algo que pudesse causar um impacto tangível e visível, como alterações em um produto na prateleira de uma loja que pudessem ser rastreadas até os insights gerados pela nossa plataforma.

Nos primeiros dias da Yogi, qual foi o maior obstáculo para fazer com que as marcas de consumo confiassem na IA para algo tão sutil quanto o sentimento do cliente?

O ceticismo veio de dois lados: um era a tecnologia em si e o outro era o fato de sermos uma pequena empresa conversando com grandes corporações. Aprendemos rapidamente que não basta falar sobre o que seu produto pode fazer, é preciso mostrá-lo. Isso significava nos oferecer para analisar amostras antes que fossem solicitadas, responder a perguntas reais de negócios na hora e sempre entregar valor desde o primeiro dia. E também deixamos claro que resolveríamos quaisquer problemas após a adoção. Esse tipo de confiabilidade era importante.

A Yogi usa IA e PLN para extrair sentimentos de avaliações de produtos. Você pode nos explicar como sua plataforma traduz o feedback bruto dos compradores em insights granulares e acionáveis?

Pensamos nisso em três etapas: agregar, organizar e analisar. Primeiro, agregamos o feedback do cliente de vários canais: avaliações, pesquisas, tickets de suporte, e garantimos que ele esteja vinculado com precisão ao produto, SKU e varejista corretos. Isso é mais difícil do que parece. Por exemplo, o mesmo produto pode ter listagens ligeiramente diferentes em vários sites.

Em seguida, organizamos os dados. É aqui que nossa segunda camada de IA lê o feedback como um humano faria. Ela identifica quais tópicos estão sendo discutidos, como estão sendo descritos e com qual sentimento, sem depender apenas de palavras-chave.

Por fim, fazemos a análise. É aqui que apresentamos insights aos nossos usuários por meio de uma interface altamente interativa. Nossas ferramentas mais recentes permitem até que os usuários digitem perguntas complexas como "Como foi meu desempenho em relação aos meus três concorrentes no último ano?" e obtenham uma resposta em segundos.

O que diferencia os modelos de IA da Yogi das ferramentas genéricas de análise de sentimentos? Existem técnicas específicas que ajudam a capturar nuances no feedback do consumidor?

O Yogi é como um doutorando em feedback do consumidor. Modelos genéricos, mesmo os mais avançados como o ChatGPT, são como estudantes universitários realmente inteligentes: eles sabem um pouco sobre tudo. Ajustamos nossos modelos especificamente para essa área, usando nosso próprio conjunto de dados e um pré-processamento extensivo. Como adicionamos camadas de estrutura, como sentimento, tópicos e mapeamento de produtos, fornecemos um contexto rico em torno de cada trecho de texto que o modelo avalia.

Muitas plataformas de IA têm dificuldades com contexto ou sarcasmo nas avaliações de clientes. Como a Yogi lida com os desafios de dados não estruturados e emocionalmente complexos?

Lidamos com esse problema por meio de treinamento contínuo e contribuições dos usuários. Nosso modelo se aprimora com a ingestão contínua de exemplos de sarcasmo, ambiguidade ou gírias em constante evolução. Também permitimos que os usuários sinalizem interpretações problemáticas, que podemos então inserir em nosso processo de treinamento. Esse ajuste fino não requer milhões de exemplos; apenas alguns exemplos específicos podem melhorar significativamente o desempenho.

Como o Yogi ajuda as empresas a detectar problemas no nível do produto, monitorar mudanças de sentimento e reagir em tempo real? Você pode compartilhar uma história de sucesso?

Com certeza. Em termos gerais, vemos uma infinidade de casos de uso, mas três categorias comuns. Primeiro, inovação de produto: empresas nos usam para explorar novas categorias e identificar necessidades não atendidas antes do lançamento de um novo produto. Já tivemos clientes que começaram a usar o Yogi dois anos antes do lançamento de um produto para moldar tudo, da formulação à embalagem.

Em segundo lugar, a qualidade do produto: se uma equipe altera um componente — digamos, uma peça de uma máquina de café —, ela pode monitorar o sentimento pós-lançamento para ver se as reclamações aumentam. Isso se aplica a todos os setores, incluindo beleza, alimentos e eletrônicos.

Terceiro, análise estratégica: vimos marcas usarem o Yogi para avaliar potenciais aquisições, analisando o feedback dos consumidores sobre os produtos-alvo. É uma camada de due diligence à qual elas não tinham acesso antes.

O Yogi agora está sendo usado para otimizar PDPs, alinhar mensagens de marketing e até mesmo rastrear problemas de envio. Como o produto evoluiu para suportar tantos fluxos de trabalho?

Tudo é orientado para o cliente. Acreditamos que o feedback do consumidor é relevante para todas as equipes de uma empresa, desde o produto até as vendas e o suporte. Então, quando vemos nossos usuários buscando insights para um novo propósito, nos perguntamos: o Yogi consegue se adaptar para oferecer suporte nativo a esse caso de uso? Foi assim que crescemos. Não criamos para marketing ou cadeia de suprimentos originalmente, mas essas equipes perceberam valor e solicitaram recursos. Nós ouvimos.

Como você ajuda as empresas a monitorar os concorrentes e detectar os fatores de disrupção antes que eles se tornem ameaças?

Utilizamos fontes públicas, como avaliações e classificações, para rastrear produtos concorrentes em tempo real. Nossa plataforma utiliza alertas e um "feed de insights" para sinalizar quando algo incomum acontece, como um pico de sentimento positivo em relação ao produto de um concorrente. Nossos clientes não precisam monitorar tudo manualmente. O Yogi está constantemente rastreando e exibirá qualquer coisa notável sem que seja solicitado.

Para onde você vê o futuro dos insights do consumidor baseados em IA nos próximos 3 a 5 anos, e qual papel a Yogi desempenhará nesse cenário?

Duas mudanças importantes estão chegando. A primeira é a automação. Tarefas que antes levavam semanas, como compilar uma comparação com concorrentes, estão sendo reduzidas a horas ou até minutos. Em breve, um usuário poderá fazer uma pergunta ao Yogi e receber um relatório ou slide deck totalmente formatado.

Em segundo lugar, está o surgimento de novos tipos de análise. A IA permitirá investigações rápidas e iterativas que antes eram muito caras ou demoradas, como insights ad hoc, no estilo de grupos focais, a partir de dados públicos. Acreditamos que a Yogi está bem posicionada para liderar em ambas as frentes: acelerando a pesquisa e possibilitando fluxos de trabalho totalmente novos.

Obrigado pela ótima entrevista, os leitores que desejam saber mais devem visitar Yogi.