Vectorial rejser 3 mio. dollar i seedfinansiering for at teste produkter på simulerede kunder

AI kan hjælpe et team med at udvikle en ny produktfunktion på få timer. Det kan stadig tage flere uger at finde ud af, om folk faktisk ønsker den. Vectorial satser på, at modeller af menneskelig adfærd kan mindske det gab, og har rejst 3 millioner dollar i seedfinansiering for at integrere simulerede målgrupper i produktudviklingsprocessen.

Virksomheden fra San Francisco offentliggjorde finansieringen den 20. oktober. Ifølge meddelelsen omfatter investorerne Smilegate, SenseAI Ventures og Dent Capital. Vectorial fremhæver også støtte fra miljøerne omkring Berkeley og Stanford samt deltagelse fra produktledere hos Meta, Shopify og Mastercard. Virksomheden planlægger at udvide sine datasæt om adfærd gennem nye datapartnerskaber og udvikle den næste version af sin SAPIENS-model.

Idéen er enkel: Lad produkt-, design- og marketingteams undersøge, hvordan forskellige målgrupper kan tænkes at reagere på en digital oplevelse, før rigtige kunder bliver præsenteret for den. Det vanskeligere spørgsmål er, om de simulerede reaktioner er pålidelige nok til at forbedre beslutninger.

Opbygning af en målgruppemodel, der kan genbruges

Vectorial beskriver sin platform som et system i to trin. Først opbygger den en model af målgruppen ved hjælp af adfærdsdata. Derefter kører teams simuleringer med målgruppen for at evaluere produktforløb, kampagnekoncepter, brandbudskaber eller AI-agenter, der henvender sig til kunder, på tværs af web- og mobiloplevelser.

SAPIENS-modellen repræsenterer demografiske, psykologiske og adfærdsmæssige karakteristika, herunder træk, der ikke er direkte synlige i en kundeprofil. Målet er at indfange forskellene mellem mennesker i stedet for at behandle et markedssegment som én gennemsnitskunde. Et designteam og et marketingteam kan derefter arbejde med den samme underliggende målgruppemodel, samtidig med at de stiller forskellige spørgsmål.

På sin hjemmeside forklarer Vectorial, at kunder kan kalibrere populationer ved hjælp af CRM-segmenter, tidligere spørgeundersøgelser, udskrifter af supportsamtaler og produktanalyse. Virksomheden beskriver også backtesting mod en tidligere gennemført undersøgelse, før den modellerede målgruppe bruges til at undersøge et nyt spørgsmål. Det giver en praktisk måde at vurdere, om simuleringen afspejler en bestemt kundebase.

For et produktteam kan det betyde, at man sammenligner forskellige introduktionsforløb, før man afsætter tekniske ressourcer. En spiludvikler kan undersøge, hvordan forskellige spillergrupper reagerer på en foreslået funktion. En virksomhed, der implementerer en AI-assistent, kan undersøge, hvordan dens samtaler ændrer sig alt efter brugernes situation. Det er mulige anvendelser af platformen, ikke dokumentation for, at alle forudsagte reaktioner indtræffer efter lanceringen.

Hvad måler påstandene om nøjagtighed?

Vectorial oplyser, at virksomheden har modelleret mere end 2,5 millioner mennesker og gennemført over 30.000 simuleringer. I sin finansieringsmeddelelse skriver virksomheden, at simuleringer har genskabt resultater fra tidligere brugerundersøgelser med en nøjagtighed på over 85 %, og beskriver SAPIENS som 30 % mere præcis til at forudsige adfærd end generelle sprogmodeller.

Det er resultater, som virksomheden selv har rapporteret. På sin nuværende hjemmeside angiver den særskilt en nøjagtighed på 87 % for studier med holdout-data og en forbedring på 35 % i forhold til at matche faktiske holdninger. Virksomheden skelner udtrykkeligt mellem matchning af holdninger og nøjagtighed i forudsigelser af adfærd. Tallene bør derfor læses som resultater fra forskellige evalueringer, ikke som ét udskifteligt mål for, hvor godt software forudsiger menneskers adfærd.

For potentielle kunder er den relevante test, hvordan modellen klarer sig på deres målgruppe, med deres produkt og i forbindelse med beslutninger, hvor udfaldet er kendt. En simulering, der rangerer to budskaber korrekt, besvarer et andet spørgsmål end en simulering, der forudsiger den præcise procentdel af brugere, som vil købe. Vectorial erkender selv, at præcisionen er lavere ved nøjagtige forudsigelser i kategorier med begrænsede adfærdsdata.

Det er også her, simuleret forskning adskiller sig fra AI-værktøjer, der automatiserer arbejdsgange inden for markedsundersøgelser. Hurtigere forberedelse og analyse af spørgeundersøgelser kan forbedre processen med at indsamle dokumentation fra mennesker. En adfærdssimulator genererer derimod forudsigelser ud fra en model, hvilket gør kalibrering og validering afgørende for værdien af dens resultater.

Fra forskningsekspertise til produktbeslutninger

Vectorial blev grundlagt af Taranveer Singh, virksomhedens administrerende direktør; Jasmine Kaur, dens forretningsdirektør; og Rahul Garg, dens produktdirektør. Deres baggrunde spænder over adfærdsmodellering, implementering af AI i virksomheder og udvikling af softwareprodukter.

Virksomhedens biografier om grundlæggerne beskriver Singhs arbejde med adfærdsforskning og AI, herunder ved Carnegie Mellon og Berkeley AI Research. Kaur arbejdede tidligere med syntetiske brugere til marketing hos Pfizer, mens Garg har udviklet produkter hos blandt andre Blinkit og Housing.com. Den kombination er med til at forklare Vectorials fokus på at integrere forskning i tilbagevendende produktbeslutninger frem for kun at sælge lejlighedsvise markedsundersøgelser.

»Vi investerer fortsat i vores adfærdsmodel, men en model løser ikke problemet alene,« sagde Garg i meddelelsen. »Derfor bringer vi adfærdsmodeller i spil som en del af produktudviklingsforløbet.«

Vectorial oplyser, at virksomheden har kunder inden for sundhedssektoren, spilbranchen og handel, herunder Midi Health, GoodRx, Suki AI, boAt, Everkind og Concrete Software. Ifølge meddelelsen gennemfører kunderne omkring 600 simuleringer om måneden, hvilket virksomheden sidestiller med cirka 40 brugerundersøgelser. Disse brugstal viser, hvor hyppig testning virksomheden sigter mod, men fastslår ikke i sig selv den kommercielle effekt af hver simulering.

En hurtigere første vurdering, men validering i den virkelige verden er stadig afgørende

Seed-investeringen skal understøtte flere partnerskaber om adfærdsdata og udviklingen af SAPIENS 2.0. En bredere datadækning er vigtig, fordi platformens anvendelighed afhænger af, hvor troværdigt den repræsenterer de mennesker, en virksomhed ønsker at nå, herunder grupper, hvis adfærd kan afvige fra flertallets.

Det stærkeste argument for denne tilgang er, at man kan teste tidligere og oftere. Teams kan undersøge flere muligheder, identificere antagelser og gå til undersøgelser med mennesker med mere præcise spørgsmål. På Vectorials egen hjemmeside står der, at virkelige deltagere fortsat er vigtige i ukendte situationer og i arbejde, der kræver direkte dokumentation fra mennesker.

Det efterlader startupvirksomheden med en klar udfordring: Den skal vise, at gentagne simuleringer fører til bedre produktvalg og ikke blot til flere forskningsresultater. Hvis virksomheden kan påvise denne sammenhæng på tværs af forskellige kunder og markeder, kan målgruppemodellering blive et fast trin mellem idéudvikling og lancering.