Vectorial keräsi 3 miljoonaa dollaria siemenrahoitusta testatakseen tuotteita simuloiduilla asiakkailla

Tekoäly voi auttaa tiimiä rakentamaan uuden tuoteominaisuuden muutamassa tunnissa. Sen selvittäminen, haluavatko ihmiset sitä todella, voi silti viedä viikkoja. Vectorial uskoo, että ihmisten käyttäytymistä mallintamalla tätä kuilua voidaan kaventaa, ja on kerännyt 3 miljoonaa dollaria siemenrahoitusta tuodakseen simuloidut kohderyhmät osaksi tuotekehitysprosessia.

San Franciscossa toimiva yhtiö ilmoitti rahoituksesta 20. lokakuuta. Yhtiön tiedotteen mukaan rahoittajiin kuuluvat Smilegate, SenseAI Ventures ja Dent Capital. Vectorial kertoo saaneensa tukea myös Berkeleyn ja Stanfordin ekosysteemeiltä sekä tuotepäälliköiltä Meta-, Shopify- ja Mastercard-yhtiöissä. Yhtiö aikoo laajentaa käyttäytymisdata-aineistojaan uusien datakumppanuuksien avulla ja kehittää SAPIENS-mallinsa seuraavaa versiota.

Ajatus on yksinkertainen: tuote-, suunnittelu- ja markkinointitiimit voivat selvittää, miten erilaiset kohderyhmät saattaisivat reagoida digitaaliseen kokemukseen, ennen kuin oikeat asiakkaat altistuvat sille. Vaikeampi kysymys on, ovatko simuloidut reaktiot riittävän luotettavia päätöksenteon parantamiseksi.

Uudelleenkäytettävän kohderyhmämallin rakentaminen

Vectorial kuvaa alustaansa kaksivaiheiseksi järjestelmäksi. Ensin se rakentaa kohderyhmästä mallin käyttäytymisdatan avulla. Sen jälkeen tiimit simuloivat mallin avulla tuotekäyttäjäpolkuja, kampanjaideoita, brändiviestejä tai asiakkaille suunnattuja tekoälyagentteja verkko- ja mobiilikokemuksissa.

SAPIENS-malli kuvaa demografisia, psykologisia ja käyttäytymiseen liittyviä ominaisuuksia, myös sellaisia piirteitä, jotka eivät käy suoraan ilmi asiakasprofiilista. Tavoitteena on kuvata ihmisten välisiä eroja sen sijaan, että markkinasegmentti käsiteltäisiin yhtenä keskimääräisenä asiakkaana. Näin suunnittelutiimi ja markkinointitiimi voivat käyttää samaa taustalla olevaa kohderyhmämallia mutta esittää sille eri kysymyksiä.

Verkkosivuillaan Vectorial kertoo, että asiakkaat voivat kalibroida kohderyhmiä CRM-segmenttien, aiempien kyselytutkimusten, asiakastuen keskustelutallenteiden ja tuoteanalytiikan avulla. Yhtiö kuvaa myös jälkitestausta aiemmin toteutetun tutkimuksen tuloksia vasten ennen kuin mallinnetulle kohderyhmälle esitetään uusi kysymys. Näin voidaan käytännössä arvioida, vastaako simulointi tiettyä asiakaskuntaa.

Tuotetiimi voisi esimerkiksi vertailla erilaisia käyttöönoton käyttäjäpolkuja ennen teknisiin resursseihin sitoutumista. Pelinkehittäjä voisi selvittää, miten eri pelaajaryhmät suhtautuvat ehdotettuun ominaisuuteen. Tekoälyavustajaa käyttöön ottava yritys voisi tutkia, miten sen keskustelut muuttuvat käyttäjien erilaisten tilanteiden mukaan. Nämä ovat alustan mahdollisia käyttötarkoituksia, eivät todisteita siitä, että jokainen ennustettu reaktio toteutuisi tuotteen julkaisun jälkeen.

Mitä tarkkuusväitteillä mitataan

Vectorial kertoo mallintaneensa yli 2,5 miljoonaa ihmistä ja toteuttaneensa yli 30 000 simulointia. Rahoitustiedotteensa mukaan simuloinneissa on toistettu aiempien käyttäjätutkimusten tuloksia yli 85 prosentin tarkkuudella. Tiedotteessa SAPIENS-mallin kerrotaan myös ennustavan käyttäytymistä 30 prosenttia tarkemmin kuin yleiskäyttöiset kielimallit.

Nämä ovat yhtiön ilmoittamia tuloksia. Sen nykyisillä verkkosivuilla esitetään erikseen 87 prosentin tarkkuus mallin koulutuksessa sivuun jätettyjen tutkimusten osalta sekä 35 prosentin parannus todellisten mielipiteiden vastaavuudessa. Yhtiö erottaa nimenomaisesti mielipiteiden vastaavuuden käyttäytymisen ennustamisen tarkkuudesta. Lukuja on siksi pidettävä eri arviointien tuloksina, ei keskenään vaihdettavina mittareina sille, kuinka hyvin ohjelmisto ennustaa ihmisten toimintaa.

Mahdollisten asiakkaiden kannalta olennaista on selvittää, miten malli toimii heidän kohderyhmänsä ja tuotteensa yhteydessä sekä päätöksissä, joiden lopputulos tunnetaan. Simulointi, joka asettaa kaksi viestiä oikeaan järjestykseen, vastaa eri kysymykseen kuin simulointi, joka ennustaa täsmälleen, kuinka suuri osuus käyttäjistä ostaa tuotteen. Vectorial itse myöntää, että tarkat ennusteet toimivat heikommin tuoteryhmissä, joista on saatavilla vain vähän käyttäytymisdataa.

Tässä simuloitu tutkimus eroaa myös työkaluista, jotka automatisoivat markkinatutkimuksen työnkulkuja. Kyselyjen nopeampi valmistelu ja analysointi voi tehostaa ihmisiltä saatavan tiedon keräämistä. Käyttäytymistä simuloiva järjestelmä puolestaan tuottaa ennusteita mallin perusteella, joten kalibrointi ja validointi ovat keskeisiä sen tuottaman tiedon arvon kannalta.

Tutkimusosaamisesta tuotevalintoihin

Vectorialin perustivat yhdessä sen toimitusjohtaja Taranveer Singh, liiketoimintajohtaja Jasmine Kaur ja tuotejohtaja Rahul Garg. Heidän taustansa yhdistävät käyttäytymisen mallintamisen, tekoälyn käyttöönoton yrityksissä ja ohjelmistotuotteiden kehittämisen.

Yhtiön perustajien esittelyissä kuvataan Singhin työtä käyttäytymistutkimuksen ja tekoälyn parissa, muun muassa Carnegie Mellonissa ja Berkeley AI Researchissa. Kaur työskenteli aiemmin Pfizerilla markkinoinnin synteettisten käyttäjien parissa, kun taas Garg on kehittänyt tuotteita muun muassa Blinkitille ja Housing.comille. Tämä taustojen yhdistelmä auttaa ymmärtämään, miksi Vectorial pyrkii sisällyttämään tutkimuksen osaksi toistuvaa tuotevalintojen tekemistä sen sijaan, että se myisi vain satunnaisia markkinatutkimuksia.

”Panostamme edelleen käyttäytymismalliimme, mutta pelkkä malli ei ratkaise ongelmaa”, Garg sanoi tiedotteessa. ”Siksi otimme käyttäytymismallit käyttöön osana tuotekehityksen jatkuvaa prosessia.”

Vectorial listaa asiakkaitaan terveydenhuollon, pelialan ja kaupankäynnin parista. Niihin kuuluvat Midi Health, GoodRx, Suki AI, boAt, Everkind ja Concrete Software. Tiedotteen mukaan asiakkaat tekevät noin 600 simulaatiota kuukaudessa, mikä vastaa yhtiön arvion mukaan suunnilleen 40:tä käyttäjätutkimusta. Käyttöluvut kertovat siitä, kuinka usein yhtiö pyrkii testaamaan, mutta ne eivät yksinään osoita kunkin simulaation kaupallista vaikutusta.

Nopeampi ensiarvio, mutta todentaminen todellisissa olosuhteissa on edelleen välttämätöntä

Siemenrahoituksella tuetaan uusia kumppanuuksia käyttäytymisdatan keräämiseksi sekä SAPIENS 2.0:n kehitystä. Datan kattavuuden laajentaminen on tärkeää, sillä alustan hyödyllisyys riippuu siitä, kuinka uskollisesti se kuvaa ihmisiä, joita yritys haluaa tavoittaa – myös ryhmiä, joiden käyttäytyminen voi poiketa enemmistöstä.

Tämän lähestymistavan vahvin peruste on se, että testaus voidaan aloittaa aiemmin ja sitä voidaan tehdä useammin. Tiimit voivat tutkia useampia vaihtoehtoja, tunnistaa oletuksia ja ryhtyä ihmistutkimukseen aiempaa täsmällisempien kysymysten kanssa. Vectorialin omalla verkkosivustolla todetaan, että todelliset osallistujat ovat edelleen tärkeitä tuntemattomissa tilanteissa ja työssä, jossa tarvitaan suoraa näyttöä ihmisiltä.

Startupin selkeänä haasteena on osoittaa, että toistuvat simulaatiot johtavat parempiin tuotevalintoihin eivätkä ainoastaan lisää tutkimustulosten määrää. Jos se pystyy osoittamaan tämän yhteyden erilaisten asiakkaiden ja markkinoiden kohdalla, yleisömallinnuksesta voi tulla säännöllinen vaihe idean kehittämisen ja tuotteen markkinoille tuomisen välillä.