Vectorial tar in 3 miljoner dollar i såddfinansiering för att testa produkter mot simulerade kunder

AI kan hjälpa ett team att utveckla en ny produktfunktion på några timmar. Det kan fortfarande ta flera veckor att ta reda på om människor faktiskt vill ha den. Vectorial satsar på att modeller av mänskligt beteende kan minska det gapet och har tagit in 3 miljoner dollar i såddfinansiering för att föra in simulerade målgrupper i produktutvecklingsprocessen.

San Francisco-företaget tillkännagav finansieringen den 20 oktober, med stöd från bland andra Smilegate, SenseAI Ventures och Dent Capital, enligt företagets tillkännagivande. Vectorial uppger också att företaget får stöd från miljöerna kring Berkeley och Stanford och har deltagande från produktledare på Meta, Shopify och Mastercard. Företaget planerar att utöka sina beteendedataset genom nya datapartnerskap och utveckla nästa version av sin SAPIENS-modell.

Grundidén är enkel: låt produkt-, design- och marknadsföringsteam undersöka hur olika målgrupper kan tänkas reagera på en digital upplevelse innan riktiga kunder får möta den. Den svårare frågan är om de simulerade reaktionerna är tillräckligt tillförlitliga för att förbättra besluten.

Bygga en målgruppsmodell som kan återanvändas

Vectorial beskriver sin plattform som ett system i två steg. Först bygger företaget en modell av målgruppen med hjälp av beteendedata. Därefter kör team simuleringar på den målgruppen och utvärderar användarflöden i produkter, kampanjkoncept, varumärkesbudskap eller kundvända AI-agenter i webb- och mobilupplevelser.

SAPIENS-modellen återger demografiska, psykologiska och beteendemässiga egenskaper, däribland sådana som inte framgår direkt av en kundprofil. Syftet är att fånga skillnader mellan människor i stället för att behandla ett marknadssegment som en enda genomsnittskund. Ett designteam och ett marknadsföringsteam kan sedan arbeta med samma underliggande målgruppsmodell och samtidigt ställa olika frågor.

På sin webbplats förklarar Vectorial att kunder kan kalibrera populationer med hjälp av CRM-segment, tidigare enkäter, supporttranskriptioner och produktanalys. Företaget beskriver också hur modellen kan testas mot en tidigare genomförd studie innan den modellerade målgruppen används för att undersöka en ny fråga. Det ger ett konkret sätt att undersöka om simuleringen speglar en viss kundbas.

För ett produktteam kan det innebära att jämföra olika introduktionsflöden innan man satsar tekniska resurser på något av dem. En spelutvecklare kan undersöka hur olika spelargrupper reagerar på en föreslagen funktion. Ett företag som inför en AI-assistent kan undersöka hur dess samtal förändras beroende på användarnas omständigheter. Detta är möjliga användningsområden för plattformen, inte belägg för att varje förutsagd reaktion kommer att inträffa efter lansering.

Vad träffsäkerhetspåståendena mäter

Vectorial uppger att företaget har modellerat fler än 2,5 miljoner människor och genomfört över 30 000 simuleringar. I tillkännagivandet av finansieringen står det att simuleringar har återskapat resultaten från tidigare användarstudier med mer än 85 procents träffsäkerhet. Där beskrivs också SAPIENS som 30 procent mer träffsäker än generella språkmodeller när det gäller att förutsäga beteenden.

Det här är resultat som företaget självt har rapporterat. På sin nuvarande webbplats anger företaget separat en träffsäkerhet på 87 procent i studier som hållits utanför modelleringen och en förbättring på 35 procent när det gäller att matcha verkliga åsikter. Företaget skiljer uttryckligen mellan åsiktsmatchning och träffsäkerhet i fråga om beteenden. Siffrorna bör därför läsas som resultat från olika utvärderingar, inte som ett enda utbytbart mått på hur väl programvara förutsäger människors beteenden.

För potentiella kunder är det viktiga testet hur modellen presterar för deras målgrupp, deras produkt och beslut där utfallet är känt. En simulering som korrekt rangordnar två budskap besvarar en annan fråga än en simulering som förutsäger exakt hur stor andel av användarna som kommer att köpa. Vectorial medger självt att modellen presterar sämre när den ska göra precisa förutsägelser inom kategorier med begränsade beteendedata.

Det är också här simulerad forskning skiljer sig från AI-verktyg som automatiserar arbetsflöden för marknadsundersökningar. Snabbare utformning och analys av enkäter kan förbättra arbetet med att samla in underlag från människor. En beteendesimulator genererar i stället förutsägelser utifrån en modell, vilket gör kalibrering och validering avgörande för värdet av resultaten.

Från forskningsexpertis till produktbeslut

Vectorial grundades gemensamt av Taranveer Singh, företagets vd; Jasmine Kaur, affärschef; och Rahul Garg, produktchef. Deras bakgrunder förenar beteendemodellering, införande av AI i stora företag och utveckling av programvaruprodukter.

Företagets grundarbiografier beskriver Singhs arbete inom beteendeforskning och AI, bland annat vid Carnegie Mellon och Berkeley AI Research. Kaur arbetade tidigare med syntetiska användare för marknadsföring på Pfizer, medan Garg har utvecklat produkter på bland annat Blinkit och Housing.com. Den kombinationen bidrar till att förklara varför Vectorial fokuserar på att integrera forskning i återkommande produktbeslut i stället för att enbart sälja enstaka marknadsundersökningar.

”Vi fortsätter att investera i vår beteendemodell, men en modell löser inte problemet på egen hand”, sade Garg i tillkännagivandet. ”Därför använder vi beteendemodeller som en del av produktutvecklingsprocessen.”

Vectorial uppger att kunderna finns inom hälso- och sjukvård, spel och handel, däribland Midi Health, GoodRx, Suki AI, boAt, Everkind och Concrete Software. Enligt tillkännagivandet genomför kunderna omkring 600 simuleringar i månaden, vilket motsvarar ungefär 40 användarstudier. Dessa användningssiffror visar hur ofta företaget siktar på att tester ska genomföras, men fastställer inte i sig den kommersiella effekten av varje simulering.

Snabbare första inblick, men validering i verkligheten är fortfarande avgörande

Såddfinansieringen ska stödja fler partnerskap kring beteendedata och SAPIENS 2.0. Det är viktigt att utöka datatäckningen, eftersom plattformens användbarhet beror på hur väl den återger de människor som ett företag vill nå, däribland grupper som kan bete sig annorlunda än majoriteten.

Det starkaste argumentet för den här metoden är att testa tidigare och oftare. Team kan utforska fler alternativ, identifiera antaganden och gå vidare till användarstudier med skarpare frågor. På Vectorials egen webbplats står det att verkliga deltagare fortfarande är viktiga i obekanta situationer och i arbete som kräver direkta belägg från människor.

Det innebär en tydlig utmaning för startupföretaget: att visa att upprepade simuleringar leder till bättre produktval, inte bara till mer forskningsresultat. Om företaget kan visa ett sådant samband hos olika kunder och på olika marknader kan målgruppsmodellering bli ett återkommande steg mellan att ta fram en idé och att lansera den.