Gautam Kanumuru, CEO e Co-Fundador da Yogi – Série de Entrevistas

Você trabalhou anteriormente com NLP e Cortana na Microsoft, então ajudou a liderar a Clarke.AI por meio de uma aquisição. O que o motivou a iniciar a Yogi e como seu background influenciou a missão da empresa?

O que me levou a iniciar a Yogi foi realmente o potencial do processamento de linguagem natural. Na Microsoft e na Clarke.AI, eu vi de perto como uma melhoria relativamente pequena no NLP – digamos, um aumento de 5-10% no desempenho – poderia desbloquear centenas de casos de uso downstream. Mas eu também notei uma lacuna entre o que parecia impressionante em uma demonstração e o que realmente entregava valor real aos clientes. Com a Yogi, nós nos propusemos a fechar essa lacuna. Queríamos construir algo que pudesse ter um impacto tangível e visível, como mudanças em um produto em uma prateleira de loja que você pode rastrear até insights gerados por nossa plataforma.

Nos primeiros dias da Yogi, qual foi o maior obstáculo em obter a confiança de marcas de consumo para usar a IA para algo tão sutil quanto o sentimento do cliente?

O ceticismo veio de dois lugares: um foi a tecnologia em si, e o outro foi o fato de sermos uma pequena empresa conversando com grandes empresas. Aprendemos rapidamente que não é suficiente falar sobre o que o seu produto pode fazer, você tem que mostrar. Isso significava oferecer para analisar amostras antes de ser solicitado, responder a perguntas de negócios reais no local e sempre entregar valor desde o primeiro dia. E também fizemos claro que trabalharíamos em qualquer problema pós-adopção. Esse tipo de confiabilidade importava.

A Yogi usa IA e NLP para extrair sentimentos de avaliações de produtos. Pode nos guiar sobre como sua plataforma traduz feedback bruto de compradores em insights granulares e ações?

Nós pensamos nisso em três estágios: agregação, organização e análise. Primeiro, agregamos feedback de clientes de vários canais: avaliações, pesquisas, tickets de suporte e garantimos que estejam corretamente vinculados ao produto, SKU e varejista certo. 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. Aqui está onde nossa segunda camada de IA lê o feedback da maneira como um humano faria. Ela identifica quais tópicos estão sendo discutidos, como estão sendo descritos e com que sentimento, sem depender apenas de palavras-chave.

Finalmente, analisamos. É aqui que apresentamos insights aos nossos usuários por meio de uma interface altamente interativa. Nossas ferramentas mais recentes permitem que os usuários digitem perguntas complexas, como “Como estou me saindo em comparação com meus três concorrentes nos últimos 12 meses?” e obtenham uma resposta em segundos.

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

A Yogi é como o graduado de PhD em feedback do consumidor. Modelos genéricos, mesmo os avançados como o ChatGPT, são como estudantes universitários muito inteligentes: eles sabem um pouco sobre tudo. Nós ajustamos nossos modelos especificamente para esse espaço, usando nosso próprio conjunto de dados e pré-processamento extensivo. Porque adicionamos camadas de estrutura, como sentimento, tópicos e mapeamento de produtos, fornecemos um contexto rico em torno de cada pedaço de texto que o modelo avalia.

Muitas plataformas de IA lutam com contexto ou sarcasmo em avaliações de clientes. Como a Yogi aborda os desafios de dados não estruturados e emocionalmente complexos?

Nós abordamos isso por meio de treinamento contínuo e entrada do usuário. Nosso modelo melhora continuamente ingerindo exemplos de sarcasmo, ambiguidade ou gírias em evolução. Também permitimos que os usuários flagrem interpretações problemáticas, que podemos então alimentar de volta em nosso processo de treinamento. Esse ajuste fino não requer milhões de exemplos, apenas um punhado de exemplos direcionados pode melhorar significativamente o desempenho.

Como a Yogi ajuda as empresas a detectar problemas em nível de produto, rastrear mudanças de sentimento e reagir em tempo real? Pode compartilhar uma história de sucesso?

Absolutamente. Em geral, vemos uma multidão de casos de uso, mas três categorias comuns. Primeiro, inovação de produto: as empresas usam-nos para explorar novas categorias e identificar necessidades não atendidas antes do lançamento de um novo produto. Tivemos clientes que começaram a usar a Yogi dois anos antes do lançamento de um produto para moldar tudo, desde a formulação até a embalagem.

Segundo, qualidade do produto: se uma equipe muda um componente – digamos, uma peça em uma máquina de café – eles podem rastrear o sentimento pós-lançamento para ver se as reclamações disparam. Isso se aplica em vários setores, incluindo beleza, alimentos e eletrônicos.

Terceiro, análise estratégica: vimos marcas usarem a Yogi para avaliar potenciais aquisições, analisando feedback do consumidor sobre produtos-alvo. É uma camada de due diligence que eles não tinham acesso antes.

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

É tudo impulsionado pelo cliente. Acreditamos que o feedback do consumidor é relevante para cada equipe em uma empresa, desde produto até vendas e suporte. Então, quando vemos nossos usuários puxando insights para um novo propósito, perguntamos: a Yogi pode se adaptar para suportar esse caso de uso de forma nativa? É assim que crescemos. Não construímos para marketing ou cadeia de suprimentos originalmente, mas essas equipes viram valor e pediram recursos. Nós ouvimos.

Como você ajuda as empresas a monitorar concorrentes e detectar disruptores antes que se tornem ameaças?

Nós aproveitamos fontes públicas, como avaliações e classificações, para rastrear produtos concorrentes em tempo real. Nossa plataforma usa alertas e um “feed de insights” para sinalizar quando algo incomum acontece, como um pico de sentimento positivo para o produto de um concorrente. Nossos clientes não precisam monitorar tudo manualmente. A Yogi está constantemente varrendo e irá superfície de qualquer coisa notável sem ser solicitado.

Onde você vê o futuro das insights de consumidor impulsionadas por IA nos próximos 3 a 5 anos, e qual será o papel da Yogi nesse cenário?

Dois principais deslocamentos estão vindo. Primeiro é a automação. Tarefas que antes levavam semanas, como compilar uma comparação de concorrentes, estão sendo reduzidas para horas ou até minutos. Em breve, um usuário pode perguntar à Yogi uma pergunta e receber de volta um relatório ou apresentação totalmente formatado.

Segundo é o surgimento de novos tipos de análise. A IA habilitará investigações rápidas e iterativas que antes eram muito caras ou demoradas, como insights do estilo de grupo de foco de dados públicos. Acreditamos que a Yogi está bem posicionada para liderar em ambos os fronts: acelerando a pesquisa e habilitando fluxos de trabalho completamente novos. Thank you for the great interview, readers who wish to learn more should visit Yogi.