Vectorial henter inn 3 millioner dollar i såkornfinansiering for å teste produkter på simulerte kunder

KI kan hjelpe et team med å bygge en ny produktfunksjon på timer. Det kan likevel ta flere uker å finne ut om folk faktisk ønsker den. Vectorial satser på at modeller av menneskelig atferd kan redusere dette gapet, og har hentet inn 3 millioner dollar i såkornfinansiering for å integrere simulerte målgrupper i produktutviklingsprosessen.

Selskapet, som holder til i San Francisco, kunngjorde finansieringen 20. oktober. Ifølge kunngjøringen inkluderer støttespillerne Smilegate, SenseAI Ventures og Dent Capital. Vectorial oppgir også støtte fra miljøene rundt Berkeley og Stanford og deltakelse fra produktledere i Meta, Shopify og Mastercard. Selskapet planlegger å utvide datasettene sine om atferd gjennom nye datapartnerskap og utvikle neste versjon av SAPIENS-modellen.

Ideen er enkel: La produkt-, design- og markedsføringsteam undersøke hvordan ulike målgrupper kan komme til å reagere på en digital opplevelse før ekte kunder eksponeres for den. Det vanskeligere spørsmålet er om de simulerte reaksjonene er pålitelige nok til å forbedre beslutningene.

Bygge en målgruppemodell som kan gjenbrukes

Vectorial beskriver plattformen sin som et system med to trinn. Først bygger selskapet en modell av målgruppen ved hjelp av atferdsdata. Deretter kjører team simuleringer med denne målgruppen for å evaluere produktforløp, kampanjekonsepter, merkevarebudskap eller KI-agenter rettet mot kunder på nett og mobil.

SAPIENS-modellen representerer demografiske, psykologiske og atferdsmessige kjennetegn, også trekk som ikke er direkte synlige i en kundeprofil. Målet er å fange opp forskjeller mellom mennesker, i stedet for å behandle et markedssegment som én gjennomsnittskunde. Et designteam og et markedsføringsteam kan dermed jobbe med den samme underliggende målgruppemodellen, samtidig som de stiller ulike spørsmål.

På nettstedet sitt forklarer Vectorial at kundene kan kalibrere populasjoner ved hjelp av CRM-segmenter, tidligere undersøkelser, kundestøttetranskripsjoner og produktanalyse. Selskapet beskriver også ettertesting mot en tidligere gjennomført studie før den modellerte målgruppen brukes til å undersøke et nytt spørsmål. Dette gir en praktisk måte å undersøke om simuleringen gjenspeiler en bestemt kundebase på.

For et produktteam kan dette bety at alternative introduksjonsforløp sammenlignes før man setter av tekniske ressurser. En spillutvikler kan undersøke hvordan ulike spillergrupper reagerer på en foreslått funksjon. Et selskap som tar i bruk en KI-assistent, kan undersøke hvordan samtalene endrer seg under ulike brukerforhold. Dette er mulige bruksområder for plattformen, ikke bevis på at alle forutsagte reaksjoner vil oppstå etter lansering.

Hva måler påstandene om nøyaktighet?

Vectorial sier at selskapet har modellert mer enn 2,5 millioner mennesker og gjennomført over 30 000 simuleringer. I finansieringskunngjøringen opplyser selskapet at simuleringene har gjenskapt funn fra tidligere brukerundersøkelser med mer enn 85 % nøyaktighet, og beskriver SAPIENS som 30 % mer nøyaktig enn språkmodeller for generelle formål når det gjelder å forutsi atferd.

Dette er resultater rapportert av selskapet. På det nåværende nettstedet oppgir Vectorial separat en nøyaktighet på 87 % for studier som ikke inngikk i modelleringen, og en forbedring på 35 % når det gjelder samsvar med faktiske meninger. Selskapet skiller uttrykkelig mellom samsvar med meninger og atferdsmessig nøyaktighet. Tallene bør derfor forstås som resultater fra ulike evalueringer, ikke som ett og samme mål på hvor godt programvaren forutsier menneskers atferd.

For potensielle kunder er den nyttige testen hvor godt modellen fungerer på deres målgruppe og produkt, og for beslutninger der utfallet er kjent. En simulering som rangerer to budskap riktig, besvarer et annet spørsmål enn en simulering som forutsier nøyaktig hvor stor andel av brukerne som vil kjøpe. Vectorial erkjenner selv at modellen presterer svakere når den skal lage presise forutsigelser i kategorier med begrensede atferdsdata.

Det er også her simulert forskning skiller seg fra KI-verktøy som automatiserer arbeidsflyter for markedsundersøkelser. Raskere utarbeiding og analyse av undersøkelser kan forbedre prosessen med å samle inn kunnskap fra mennesker. En atferdssimulator lager derimot forutsigelser basert på en modell, noe som gjør kalibrering og validering avgjørende for verdien av resultatene.

Fra forskningsekspertise til produktbeslutninger

Vectorial ble grunnlagt av Taranveer Singh, administrerende direktør; Jasmine Kaur, leder for forretningsvirksomheten; og Rahul Garg, produktsjef. Bakgrunnene deres kombinerer modellering av atferd, innføring av KI i større virksomheter og utvikling av programvareprodukter.

Selskapets biografier om grunnleggerne beskriver Singhs arbeid med atferdsforskning og KI, blant annet ved Carnegie Mellon og Berkeley AI Research. Kaur jobbet tidligere med syntetiske brukere for markedsføring hos Pfizer, mens Garg har utviklet produkter i selskaper som Blinkit og Housing.com. Denne kombinasjonen bidrar til å forklare hvorfor Vectorial fokuserer på å integrere forskning i løpende produktbeslutninger, i stedet for bare å selge sporadiske markedsundersøkelser.

«Vi fortsetter å investere i atferdsmodellen vår, men en modell alene løser ikke problemet», sa Garg i kunngjøringen. «Derfor bruker vi atferdsmodeller aktivt i produktutviklingsprosessen.»

Vectorial oppgir kunder innen helse, spill og handel, blant annet Midi Health, GoodRx, Suki AI, boAt, Everkind og Concrete Software. Ifølge kunngjøringen gjennomfører kundene rundt 600 simuleringer i måneden, noe selskapet anslår tilsvarer omtrent 40 brukerstudier. Disse brukstallene sier noe om hvor ofte selskapet ønsker at testing skal foregå, men viser ikke i seg selv hvilken kommersiell effekt hver simulering har.

En raskere første vurdering, men validering i den virkelige verden er fortsatt avgjørende

Såkornfinansieringen skal støtte flere partnerskap om atferdsdata og utviklingen av SAPIENS 2.0. Det er viktig å utvide datadekningen, fordi plattformens nytte avhenger av hvor trofast den gjenspeiler menneskene en virksomhet ønsker å nå, også grupper som kan oppføre seg annerledes enn flertallet.

Det sterkeste argumentet for denne tilnærmingen er at man kan teste tidligere og oftere. Team kan utforske flere alternativer, avdekke antakelser og gå inn i brukerstudier med skarpere spørsmål. Vectorials eget nettsted sier at deltakere i virkeligheten fortsatt er viktige i ukjente situasjoner og i arbeid som krever direkte dokumentasjon fra mennesker.

Dermed står oppstartsbedriften overfor en tydelig utfordring: Den må vise at gjentatte simuleringer fører til bedre produktvalg, ikke bare mer forskningsmateriale. Hvis den kan påvise denne sammenhengen på tvers av ulike kunder og markeder, kan målgruppemodellering bli et fast trinn mellom idéutvikling og lansering.