PHBench

Что такое PHBench?

PHBench — это воспроизводимый бенчмарк исследовательского уровня, разработанный Vela Partners и Оксфордским университетом, который идентифицирует потенциал финансирования серии A непосредственно из сигналов запуска Product Hunt. Обученный на 67 292 избранных запусках с 2019 по 2025 год и перекрестно проверенный с записями финансирования Crunchbase, он выявляет статистически значимые предикторы успеха стартапов на ранней стадии. Его наиболее эффективная ансамблевая модель достигает улучшения в 4,7 раза по сравнению со случайным базовым уровнем, и каждый новый запуск Product Hunt автоматически получает прогнозный балл в реальном времени. Весь код, базовые модели и анонимизированные разделения набора данных общедоступны, что делает его полностью открытой платформой как для исследователей, так и для инвесторов.

Ключевые функции

• Крупномасштабный набор данных запусков

  Построен на основе 67 292 избранных публикаций Product Hunt с 2019 по 2025 год, связанных с записями Crunchbase через детерминированное сопоставление доменов, с 528 проверенными раундами серии A, идентифицированными как истинные метки.

• 61 разработанная прогностическая характеристика

  Каждый запуск представлен 61 структурированной характеристикой, охватывающей сигналы вовлеченности (голоса, комментарии, отзывы), сигналы рейтинга (ежедневный, еженедельный, ежемесячный), атрибуты создателей, временные паттерны, флаги тем и термины взаимодействия.

• Доказанная прогностическая сила

  Лучшая ансамблевая модель (ENS_avg, ENS_ISO, XGB) достигает улучшения в 4,7 раза по сравнению со случайным базовым уровнем на отложенном тестовом наборе, превращая базовую ставку 0,78% в практические инвестиционные сигналы.

• Живая оценка в реальном времени

  Каждый новый запуск Product Hunt автоматически получает прогнозный балл от наиболее эффективных моделей, предоставляя инвесторам и основателям немедленный сигнал без ручного анализа.

• Публичная таблица лидеров и открытая подача

  Публичная таблица лидеров ранжирует представленные модели машинного обучения и большие языковые модели по пятиметрической системе оценки, с отложенным слепым тестовым набором для справедливого стандартизированного сравнения.

• Воспроизводимость исследовательского уровня

  Предоставляет публичные разделения обучающей, валидационной и слепой тестовой выборок вместе со всем кодом и базовыми моделями, следуя рецензируемой методологии, разработанной совместно с Оксфордским университетом.

Варианты использования

• Скрининг венчурного капитала : Венчурные капиталисты и бизнес-ангелы могут отфильтровать тысячи запусков Product Hunt до наиболее перспективных кандидатов, приоритизируя должную проверку стартапов с наивысшей прогнозируемой вероятностью серии A.
• Самостоятельное бенчмаркирование стартапов : Основатели могут сравнить производительность своего запуска Product Hunt с историческими победителями серии A, чтобы понять, где они находятся и какие сигналы нужно усилить.
• Разработка моделей ML и соревнование : Специалисты по данным и исследователи могут представить свои собственные модели для участия в публичной таблице лидеров, используя стандартизированный набор данных и систему оценки для измерения реальной прогностической производительности.
• Академические исследования : Исследователи, изучающие успех стартапов, динамику финансирования на ранних стадиях или извлечение венчурных сигналов, имеют доступ к чистому, цитируемому, документированному набору данных с рецензируемой методологией.
• Анализ структуры рынка : Аналитики могут использовать паттерны временного снижения производительности в наборе данных для изучения того, как рынки финансирования меняются со временем, от бума 2020-2021 годов до последующего сокращения.

Часто задаваемые вопросы