PHBench

Was ist PHBench?

PHBench ist ein reproduzierbarer Benchmark auf Forschungsniveau, entwickelt von Vela Partners und der Universität Oxford, der das Serie-A-Finanzierungspotenzial direkt aus Product Hunt-Launch-Signalen identifiziert. Trainiert auf 67.292 vorgestellten Launches von 2019 bis 2025 und abgeglichen mit Crunchbase-Finanzierungsaufzeichnungen, bringt es statistisch signifikante Prädiktoren für den Erfolg von Startups in der Frühphase hervor. Sein leistungsstärkstes Ensemble-Modell erreicht eine 4,7-fache Verbesserung gegenüber der zufälligen Baseline, und jeder neue Product Hunt-Launch erhält automatisch einen Echtzeit-Vorhersage-Score. Aller Code, Baseline-Modelle und anonymisierte Datensatz-Splits sind öffentlich verfügbar, was es zu einer vollständig offenen Plattform für Forscher und Investoren gleichermaßen macht.

Hauptfunktionen

• Großangelegter Launch-Datensatz

  Basierend auf 67.292 vorgestellten Product Hunt-Beiträgen von 2019 bis 2025, verknüpft mit Crunchbase-Einträgen über deterministisches Domain-Matching, mit 528 verifizierten Serie-A-Finanzierungen als Ground-Truth-Labels.

• 61 entwickelte prädiktive Merkmale

  Jeder Launch wird durch 61 strukturierte Merkmale dargestellt, die Engagement-Signale (Votes, Kommentare, Reviews), Ranking-Signale (täglich, wöchentlich, monatlich), Maker-Attribute, zeitliche Muster, Themen-Flags und Interaktionsterme abdecken.

• Bewährte Vorhersagekraft

  Das beste Ensemble-Modell (ENS_avg, ENS_ISO, XGB) erreicht eine 4,7-fache Verbesserung gegenüber der zufälligen Baseline auf dem zurückgehaltenen Testset und verwandelt eine Basisrate von 0,78% in umsetzbare Investitionssignale.

• Live-Echtzeit-Bewertung

  Jeder neue Product Hunt-Launch erhält automatisch einen Vorhersage-Score von den leistungsstärksten Modellen, was Investoren und Gründern ein sofortiges Signal ohne manuelle Analyse liefert.

• Öffentliche Rangliste und offene Einreichung

  Eine öffentliche Rangliste ordnet eingereichte ML- und LLM-Modelle anhand eines Fünf-Metriken-Bewertungssystems, mit einem zurückgehaltenen Blind-Testset für fairen, standardisierten Vergleich.

• Reproduzierbarkeit auf Forschungsniveau

  Bietet öffentliche Trainings-, Validierungs- und Blind-Test-Splits zusammen mit allem Code und Baseline-Modellen, nach einer peer-reviewed Methodik, die gemeinsam mit der Universität Oxford entwickelt wurde.

Anwendungsfälle

• Venture-Capital-Screening : VCs und Angel-Investoren können Tausende von Product Hunt-Launches auf die bestplatzierten Aussichten filtern und die Due Diligence bei Startups mit der höchsten vorhergesagten Serie-A-Wahrscheinlichkeit priorisieren.
• Startup-Selbst-Benchmarking : Gründer können ihre eigene Product Hunt-Launch-Performance mit historischen Serie-A-Gewinnern vergleichen, um zu verstehen, wo sie stehen und welche Signale sie stärken sollten.
• ML-Modellentwicklung und Wettbewerb : Data Scientists und Forscher können ihre eigenen Modelle einreichen, um auf der öffentlichen Rangliste zu konkurrieren, wobei sie den standardisierten Datensatz und das Bewertungssystem verwenden, um echte prädiktive Leistung zu messen.
• Akademische Forschung : Forscher, die Startup-Erfolg, Frühphasen-Finanzierungsdynamik oder Venture-Signal-Extraktion untersuchen, haben Zugang zu einem sauberen, zitierbaren, dokumentierten Datensatz mit peer-reviewed Methodik.
• Marktstrukturanalyse : Analysten können die zeitlichen Performance-Verfallsmuster im Datensatz nutzen, um zu untersuchen, wie sich Finanzierungsmärkte im Laufe der Zeit verschieben, vom Boom 2020-2021 bis zur anschließenden Kontraktion.

Häufig gestellte Fragen