تمويل
Vectorial تجمع 3 ملايين دولار في جولة تمويل تأسيسية لاختبار المنتجات على عملاء مُحاكَين
أضف Unite.AI إلى مصادرك المفضلة على Google
يمكن للذكاء الاصطناعي أن يساعد فريقًا على تطوير ميزة جديدة لمنتج خلال ساعات. لكن معرفة ما إذا كان الناس يريدونها فعلًا قد تستغرق أسابيع. تراهن Vectorial على أن نماذج السلوك البشري قادرة على تضييق هذه الفجوة، وقد جمعت 3 ملايين دولار في جولة تمويل تأسيسية لإدماج جماهير مُحاكاة في عملية تطوير المنتجات.
أعلنت الشركة، ومقرها سان فرانسيسكو، عن التمويل في 20 أكتوبر، وقالت في إعلانها إن من بين الجهات الداعمة Smilegate وSenseAI Ventures وDent Capital. وتشير Vectorial أيضًا إلى دعم من منظومتي بيركلي وستانفورد، ومشاركة قادة منتجات من Meta وShopify وMastercard. وتعتزم توسيع مجموعات بيانات السلوك لديها عبر شراكات جديدة لتوفير البيانات، وتطوير الإصدار التالي من نموذجها SAPIENS.
الفكرة بسيطة: إتاحة الفرصة لفرق المنتجات والتصميم والتسويق لدراسة كيفية تفاعل جماهير مختلفة مع تجربة رقمية، قبل تعريض العملاء الحقيقيين لها. لكن السؤال الأصعب هو ما إذا كانت ردود الفعل المُحاكاة موثوقة بما يكفي لتحسين القرارات.
بناء نموذج للجمهور يمكن إعادة استخدامه
تصف Vectorial منصتها بأنها نظام من خطوتين. أولًا، تبني نموذجًا للجمهور المستهدف استنادًا إلى بيانات السلوك. ثم تجري الفرق محاكاة على هذا الجمهور لتقييم رحلات استخدام المنتج، وأفكار الحملات، ورسائل العلامة التجارية، أو وكلاء الذكاء الاصطناعي الموجّهين للعملاء، عبر تجارب الويب والهواتف المحمولة.
يمثّل نموذجها SAPIENS الخصائص الديموغرافية والنفسية والسلوكية، بما فيها السمات التي لا تظهر مباشرةً في الملف الشخصي للعميل. والهدف هو رصد الاختلافات بين الأفراد بدلًا من التعامل مع الشريحة السوقية على أنها عميل متوسط واحد. وهكذا، يمكن لفريق التصميم وفريق التسويق العمل على نموذج الجمهور الأساسي نفسه، مع طرح أسئلة مختلفة.
توضح Vectorial على موقعها الإلكتروني أن العملاء يستطيعون ضبط خصائص الفئات باستخدام شرائح CRM، والاستطلاعات السابقة، ونصوص محادثات الدعم، وتحليلات المنتجات. كما تصف إجراء اختبار رجعي بالاستناد إلى دراسة أُنجزت سابقًا، قبل استخدام الجمهور المُنمذج للإجابة عن سؤال جديد. ويوفر ذلك طريقة عملية للتحقق مما إذا كانت المحاكاة تمثل قاعدة عملاء بعينها.
قد يعني ذلك لفريق المنتجات مقارنة مسارات تهيئة المستخدمين البديلة قبل تخصيص موارد هندسية لها. ويمكن لمطور ألعاب دراسة كيفية استجابة مجموعات مختلفة من اللاعبين لميزة مقترحة. كما تستطيع شركة تنشر مساعدًا يعمل بالذكاء الاصطناعي فحص كيفية تغير محادثاته تبعًا لظروف المستخدمين. وهذه استخدامات محتملة للمنصة، وليست دليلًا على أن كل استجابة متوقعة ستحدث بعد إطلاق المنتج.
ما الذي تقيسه ادعاءات الدقة؟
تقول Vectorial إنها نمذجت أكثر من 2.5 مليون شخص وأجرت ما يزيد على 30,000 محاكاة. ويذكر إعلان التمويل أن المحاكاة أعادت إنتاج نتائج دراسات سابقة للمستخدمين بدقة تجاوزت 85%، ويصف SAPIENS بأنه أدق بنسبة 30% من نماذج اللغة متعددة الأغراض في التنبؤ بالسلوك.
هذه نتائج أبلغت عنها الشركة. ويذكر موقعها الحالي، على نحو منفصل، أن الدقة بلغت 87% في الدراسات المحجوبة، وأن مطابقة الآراء الحقيقية تحسنت بنسبة 35%. وتوضح الشركة صراحةً أنها تميّز بين مطابقة الآراء ودقة التنبؤ بالسلوك. لذلك ينبغي قراءة هذه الأرقام بوصفها نتائج لاختبارات مختلفة، لا مقياسًا واحدًا قابلًا للتبادل لمدى نجاح البرمجيات في التنبؤ بسلوك الناس.
بالنسبة إلى العملاء المحتملين، يتمثل الاختبار المفيد في معرفة أداء النموذج على جمهورهم ومنتجهم، وفي قرارات لها نتائج معروفة. فالمحاكاة التي ترتب رسالتين ترتيبًا صحيحًا تجيب عن سؤال مختلف عن محاكاة تتنبأ بالنسبة الدقيقة للمستخدمين الذين سيشترون. وتقر Vectorial نفسها بأن الأداء أضعف عند إجراء تنبؤات دقيقة في فئات تتوفر عنها بيانات سلوكية محدودة.
وهنا أيضًا يختلف البحث المُحاكى عن أدوات الذكاء الاصطناعي التي تؤتمت سير عمل أبحاث السوق. إذ يمكن لتسريع إعداد الاستطلاعات وتحليلها أن يحسّن عملية جمع الأدلة من البشر. أما محاكي السلوك، فيولّد التنبؤات استنادًا إلى نموذج، ما يجعل معايرة المخرجات والتحقق من صحتها عنصرين أساسيين في قيمتها.
من الخبرة البحثية إلى قرارات المنتجات
شارك في تأسيس Vectorial كل من Taranveer Singh، رئيسها التنفيذي؛ وJasmine Kaur، كبيرة مسؤولي الأعمال فيها؛ وRahul Garg، كبير مسؤولي المنتجات فيها. وتجمع خلفياتهم بين نمذجة السلوك، واعتماد الذكاء الاصطناعي في المؤسسات، وتطوير منتجات البرمجيات.
وتعرض السير الذاتية للمؤسسين في الشركة أعمال Singh في مجالي أبحاث السلوك والذكاء الاصطناعي، بما في ذلك عمله في Carnegie Mellon وBerkeley AI Research. وعملت Kaur سابقًا على المستخدمين الاصطناعيين لأغراض التسويق في Pfizer، فيما طوّر Garg منتجات في شركات منها Blinkit وHousing.com. ويساعد هذا المزيج على تفسير تركيز Vectorial على إدماج الأبحاث في قرارات المنتجات المتكررة، بدلًا من الاكتفاء ببيع دراسات سوقية تُجرى من حين إلى آخر.
قال Garg في الإعلان: «نواصل الاستثمار في نموذج السلوك لدينا، لكن النموذج وحده لا يحل المشكلة. ولهذا نُوظّف نماذج السلوك ضمن دورة تطوير المنتجات».
تُدرج Vectorial ضمن عملائها في قطاعات الرعاية الصحية والألعاب والتجارة شركاتٍ منها Midi Health وGoodRx وSuki AI وboAt وEverkind وConcrete Software. ويذكر الإعلان أن العملاء يجرون نحو 600 محاكاة شهريًا، وهو ما يعادل، بحسبه، نحو 40 دراسة للمستخدمين. وتشير أرقام الاستخدام هذه إلى وتيرة الاختبارات التي تستهدفها الشركة، لكنها لا تثبت، بحد ذاتها، الأثر التجاري لكل محاكاة.
قراءة أولية أسرع، مع بقاء التحقق في العالم الحقيقي ضرورة
سيدعم التمويل التأسيسي إقامة مزيد من الشراكات لتوفير البيانات السلوكية وتطوير SAPIENS 2.0. وتكتسب زيادة نطاق البيانات أهمية لأن فائدة المنصة تعتمد على مدى دقة تمثيلها للأشخاص الذين تسعى الشركة إلى الوصول إليهم، بمن فيهم المجموعات التي قد تختلف سلوكياتها عن سلوكيات الأغلبية.
تتمثل أقوى حجة لصالح هذا النهج في إجراء الاختبارات في وقت أبكر وبوتيرة أعلى. إذ يمكن للفرق استكشاف خيارات أكثر، وتحديد الافتراضات، وبدء الأبحاث مع أشخاص حقيقيين بأسئلة أكثر دقة. ويشير الموقع الإلكتروني لـVectorial إلى أن مشاركة أشخاص حقيقيين تظل مهمة في المواقف غير المألوفة، وفي الأعمال التي تتطلب أدلة مباشرة من البشر.
وهذا يضع أمام الشركة الناشئة تحديًا واضحًا: إثبات أن تكرار المحاكاة يؤدي إلى خيارات أفضل للمنتجات، لا إلى مزيد من مخرجات الأبحاث فحسب. وإذا استطاعت إظهار هذه الصلة لدى عملاء وأسواق مختلفة، فقد يصبح نمذجة الجمهور خطوة معتادة بين توليد فكرة وطرحها.
