PHBench

Qu'est-ce que PHBench ?

PHBench est un benchmark reproductible de niveau recherche développé par Vela Partners et l'Université d'Oxford qui identifie le potentiel de financement de série A directement à partir des signaux de lancement Product Hunt. Entraîné sur 67 292 lancements en vedette de 2019 à 2025 et référencé avec les enregistrements de financement Crunchbase, il fait ressortir des prédicteurs statistiquement significatifs du succès des startups en phase précoce. Son modèle d'ensemble le plus performant atteint une amélioration de 4,7× par rapport à la référence aléatoire, et chaque nouveau lancement Product Hunt reçoit automatiquement un score de prédiction en temps réel. Tout le code, les modèles de référence et les divisions d'ensemble de données anonymisées sont accessibles au public, ce qui en fait une plateforme entièrement ouverte pour les chercheurs et les investisseurs.

Fonctionnalités clés

• Ensemble de données de lancements à grande échelle

  Construit sur 67 292 publications Product Hunt en vedette de 2019 à 2025, liées aux enregistrements Crunchbase via une correspondance de domaine déterministe, avec 528 levées de série A vérifiées identifiées comme étiquettes de vérité terrain.

• 61 caractéristiques prédictives conçues

  Chaque lancement est représenté par 61 caractéristiques structurées couvrant les signaux d'engagement (votes, commentaires, avis), les signaux de classement (quotidien, hebdomadaire, mensuel), les attributs des créateurs, les modèles temporels, les indicateurs de sujet et les termes d'interaction.

• Pouvoir prédictif prouvé

  Le meilleur modèle d'ensemble (ENS_avg, ENS_ISO, XGB) atteint une amélioration de 4,7× par rapport à la référence aléatoire sur l'ensemble de test retenu, transformant un taux de base de 0,78% en signaux d'investissement exploitables.

• Notation en temps réel en direct

  Chaque nouveau lancement Product Hunt reçoit automatiquement un score de prédiction des modèles les plus performants, donnant aux investisseurs et aux fondateurs un signal immédiat sans analyse manuelle.

• Classement public et soumission ouverte

  Un classement public classe les modèles ML et LLM soumis sur un système d'évaluation à cinq métriques, avec un ensemble de test aveugle retenu pour une comparaison équitable et standardisée.

• Reproductibilité de niveau recherche

  Fournit des divisions publiques d'entraînement, de validation et de test aveugle ainsi que tout le code et les modèles de référence, suivant une méthodologie évaluée par les pairs co-développée avec l'Université d'Oxford.

Cas d'utilisation

• Filtrage de capital-risque : Les VC et les investisseurs providentiels peuvent filtrer des milliers de lancements Product Hunt pour ne retenir que les prospects les mieux classés, en priorisant la diligence raisonnable sur les startups ayant la plus haute probabilité prédite de série A.
• Auto-évaluation des startups : Les fondateurs peuvent comparer leurs propres performances de lancement Product Hunt avec les gagnants historiques de série A pour comprendre où ils se situent et quels signaux renforcer.
• Développement de modèles ML et compétition : Les data scientists et les chercheurs peuvent soumettre leurs propres modèles pour concourir sur le classement public, en utilisant l'ensemble de données standardisé et le système d'évaluation pour mesurer les performances prédictives réelles.
• Recherche académique : Les chercheurs étudiant le succès des startups, la dynamique de financement en phase précoce ou l'extraction de signaux de risque ont accès à un ensemble de données propre, citable et documenté avec une méthodologie évaluée par les pairs.
• Analyse de la structure du marché : Les analystes peuvent utiliser les modèles de dégradation temporelle des performances dans l'ensemble de données pour étudier comment les marchés de financement évoluent dans le temps, du boom 2020-2021 à la contraction ultérieure.

FAQ