平台能力

TasteNET 是一个基于多代理消费者数字孪生的 B2B 消费者模拟平台。食品和饮料团队在生产前使用它来验证消费者对新产品的接受程度。Twin Chat和模拟器这两种产品在同一个数字孪生基础上运行。

查看 38 个国家和地区的哪些消费者会选择您的产品。

在发布前比较同卵数字孪生的概念、配方、包装和价格。

预先测试声明和渠道,看看口碑如何传播。

每一项发现都与说出这句话的数字孪生有一定的联系。

熟悉的喜欢冒险正念放纵整个品味图的购买可能性核心买家邻近的不太可能16%6%78%
5.66.0AB471439当前食谱减少 30% 糖分非常喜欢极其不喜欢同样的100对数字孪生,两种食谱更喜欢B更喜欢A没有区别
少糖真正的水果35%为早晨而生22%27%第一周第 5 周第 9 周第 13 周每周审理,三项索赔那周的新尝试者早期尝试者
“早餐太甜了。我会还是买给孩子们的饭盒吧。”感官生理心理记忆行为方面数字孪生 0417 · 上海 · 34 · 两个孩子的家长甜度饱腹感关心儿时零食饭盒例行公事一个答案,追溯到五层拉动购买推开

建筑学

五层,从实时数据到您团队工作的界面。

查看实时数字孪生仿真,以及可追踪的决策流程及其驱动因素。

根据询问的刺激重建每个数字孪生的情景风味记忆。

根据区域层面的心理物理和社会动态规则重新衡量反应的权重。

使用 GNN 和 BNN 的多模态嵌入,提供基于关系的统计预测模型。

时间窗口的定性和定量受访者输入反馈到数字孪生中。

Twin Chat:实时采访 AI 消费者数字孪生

Twin Chat是TasteNET内部的采访产品。食品和饮料团队与 100 到 1,000 个人工智能消费者数字孪生(一次一个或一组)聊天,了解谁喜欢某种产品、谁犹豫不决以及原因。

按口味类型、美食家个性、市场、年龄和性别过滤数字孪生,然后选择谁加入房间以及他们讨论哪种产品。一次数字孪生或一百个。

向整个房间提出一个问题,每个数字孪生都会用自己的话和自己的语言回答。使用 @ 联系单个数字孪生以进行跟进。

单击一下,整个房间就变成了一个综合体:判决、答案如何划分以及每一方背后的原因。

什么是Twin Chat?

Twin Chat 可让您直接采访 AI 消费者数字孪生。单击任何数字孪生,即可确切了解他们为何做出这样的反应。

按 16 种口味类型、美食家个性、市场、年龄、性别、家庭和饮食筛选数字孪生。

每对数字孪生还带有人口统计标签:市场、年龄、性别、家庭和饮食。

16 种口味类型根据四个轴对一个人的感官偏好进行排序:盐或酸、涂层或质地、清淡或浓郁的味道、新鲜或成熟的色调。

美食家性格从三个方面对一个人选择食物的方式进行排序:理性或冲动、以自我为中心或以社会为中心、定居者或探索者。

一个人影从中间劈开。左半部分是消费者,画成一条线。右半部分是数字孪生,用点绘制并包裹在五层中:感觉、生理、心理、记忆和行为。感官生理心理记忆行为方面消费者数字孪生
16 种口味类型,每种口味都用四个字母代码绘制为食物特征,从丝绒鳄梨 (SCLF) 到木香香脂 (ATRM)
八种美食性格:优化者、鉴赏者、实用主义者、潮流引领者、仪式主义者、冒险家、协调者和爱好者

你可以问什么

在决定衡量什么之前,提出开放性问题,找出对这些消费者来说重要的事情。

询问谁、有多少、有多少:谁喜欢该产品,谁犹豫不决,以及有多强烈。

询问什么会改变答案:更低的价格、不同的主张、更少的糖。

按主题分组的答案1,000 数字孪生
  • 腥34%
  • 咸而不甜24%
  • 一个新奇19%
  • 精致餐饮14%
  • 其他9%
排名顺序、数字孪生比例1,000 数字孪生
  • 可乐513316
  • 水果汽水344323
  • 汽水152461

第一名第二名第三名

按主题分组的答案1,000 数字孪生
  • 冷气冲进鼻腔32%
  • 舌头上有刺痛感26%
  • 口气清新21%
  • 接近蜇伤13%
  • 几乎没有8%
第一选择,数字孪生份额1,000 数字孪生
  • 三文鱼慕斯46%
  • 三文鱼冰淇淋29%
  • 两者都不25%
选择,数字孪生的份额1,000 数字孪生

经典的 58%减少 30% 糖分 42%

喜欢,1 到 91,000 数字孪生

意思是 6.1

愿意尝试,1 到 91,000 数字孪生

“三文鱼冰淇淋” 3.9“三文鱼慕斯” 5.2+1.3

挑选低糖可乐1,000 数字孪生
  • 价格相同42%
  • 多加 2 元27%

−15 点

感知强度,1 至 91,000 数字孪生

未标记 5.6“90% 薄荷醇” 6.7+1.1

模拟器:在启动之前运行启动

Simulator 是 TasteNET 内推出的预测产品。食品和饮料团队推出了 50 到 1,000 个人工智能消费者数字孪生,并在生产前从第一次口碑传播中获得认可。

数字孪生在过道上走来走去,比较货架,拿起或放回产品,然后在收银台排队。查看发射在哪里受到关注以及在哪里被忽略。

数字孪生用自己的话说,逐道菜地点餐、品尝并做出反应。了解哪些菜肴赢得了餐桌,以及食客对口味、份量和价格的评价。

数字孪生沿着他们的社交关系一波接一波地传递着启动仪式。每个产品从第一次接触到购买、体验和宣传,口碑的痕迹始终清晰可见。

什么是 TasteNET 模拟器?

TasteNET Simulator 是一个基于现实世界口味偏好和心理决策模型的市场行为模拟器。

上传您的产品详细信息:成分、风味概况、定位和上市信息。选择目标市场和群体,然后运行模拟。

产品通过 500 名消费者的模拟社会进行传播。最终有 176 人喜欢它,86 人不喜欢它,还有 238 人从未到达。
喜欢 176不喜欢 86未达到 238

从第一次接触到口碑相传

每个数字孪生都会通过四阶段 EPXA 验收漏斗评估您的产品。选择一个频道,看看人们在哪里退出。

超市和便利店,一包商品在拥挤的货架上有几秒钟的时间来吸引注意力。

市场和品牌商店,搜索、列表、评级和价格比较决定购物篮。

餐厅和连锁店,人们首先品尝菜肴,然后判断品牌。

拿走柜台、售货亭和自动售货机,这些地方的购买速度很快,但忠诚度却很脆弱。

触达
64−36
  • 主张共鸣
  • 包装设计
  • 货架脱颖而出
  • CEP 适合
购买
37−27
  • 价格敏感性
  • 意图形成
  • 比较
  • 冲动
体验
29−8
  • 感官评价
  • 满意
  • 期望差距
推荐
13−16
  • 分享
  • 回购
  • 品牌忠诚度
  • 推荐
结转到了这个阶段就迷失了较早失去

报告内容

该报告通过四个时刻跟踪每对数字孪生,找出大多数人退出的地方,并将每次泄漏转化为本地化、重新制定、索赔或投资组合的行动。

他们是否注意到了这一点?该主张是否适合他们关心的时刻?

在这个价格、这个货架上的其他选择中,他们会选择它吗?

第一次品尝是否达到包装承诺的效果?

他们会再次购买并告诉其他人吗?

您将在 30 分钟内收到包含分段级诊断的完整验收报告。

结转失去了这一刻最大的泄漏
触达−29 在这里丢失
  • 主张共鸣
  • 货架脱颖而出
  • CEP 适合

索赔以早晨时刻在背包正面为主导。

购买−39 在这里丢失最大的泄漏
  • 价格与基准
  • 与领导者比较
  • 冲动上诉

文件夹以较低的入门价格添加较小的包装。

体验−7 在这里丢失
  • 感官喜好
  • 期望差距
  • 回味

重新配制保留配方并软化余味。

推荐−12 在这里丢失
  • 回购意向
  • 分享
  • 品牌忠诚度

本土化添加地域风味,让人们有话可说。

1872 年地球仪的详细信息,显示了咖啡的生产地点和使用地点,以及当时的电报线

常见问题解答

Twin Chat 和模拟器有什么区别?

Twin Chat 和 Simulator 是 TasteNET 中的两个产品。 Twin Chat 是采访产品:团队与 100 到 1,000 个 AI 消费者数字孪生聊天,看看谁喜欢某个产品、谁犹豫以及原因。 Simulator 是发布预测产品:它对 50 到 1,000 个数字孪生进行发布,从第一次曝光到口碑相传。两者都在同一个数字孪生基地上运行。

我可以在 TasteNET 中对食谱、包装和价格进行 A/B 测试吗?

是的。 TasteNET 在推出前会比较同一数字孪生的概念、配方、包装和价格,因此这两种选择都面向相同的消费者。典型的测试将经典配方与低糖版本进行比较,将一种产品名称与另一种产品名称进行比较,或者将同一产品设置为两个价格点。

TasteNET 是否报告标准研究指标,例如 Top-2-box?

是的。 TasteNET 按 5 分制报告购买意向,包括前 2 框、前 2 框、后 2 框和净得分。 Twin Chat 还返回 1 到 9 的喜好和意愿分数、排名顺序、选择份额和按主题分组的开放答案,每个分数都针对所选的市场和细分市场。

TasteNET 可以预先测试声明、产品名称和活动吗?

是的。 TasteNET 预先测试声明和渠道,并显示口碑如何传播。在 Twin Chat 中,因果问题一次改变一件事,例如产品名称、标签声明或价格,并衡量答案的变化。在模拟器中,曝光阶段的分数引起了共鸣,包装设计和货架脱颖而出。

我可以将 TasteNET 结果追溯到个人消费者吗?

是的。 TasteNET 中的每一项发现都与说出这句话的数字孪生有一定的关联。在 Twin Chat 中,点击任何孪生都会显示它为何做出这样的反应,并且界面会显示决策流程及其驱动因素。

TasteNET 能否预测不同国家和城市的产品接受度?

是的。 TasteNET 维护着一个感官地图,其中包含 38 个国家/地区 118 个地区的特定风味规则、强度阈值和口味基线。每个地区的概况包括主要风味规则(例如,中国青海的高原鲜味孜然热)、风味关键词以及根据多源市场信号更新的动态感官趋势。当您进行模拟时,数字孪生会在其所在地区的感官和文化背景下做出反应。因此,同一种产品可能在新加坡获得 85% 的接受度,在墨西哥城获得 62% 的接受度,其中明显的原因与感官基线差异有关。

我可以在 Twin Chat 中提出哪些类型的问题?

Twin Chat 接受三种问题。探索性问题是开放的,在您决定衡量什么之前找出对消费者来说重要的事情。描述性问题询问谁、有多少以及多少。因果问题询问什么会改变答案:更低的价格、不同的说法或更少的糖分。

我可以在 Twin Chat 中采访多少位 AI 消费者?

Twin Chat 一次采访 100 到 1,000 个 AI 消费者数字孪生,可以一个一个或一组采访。基本计划最多可容纳 1,000 人使用公共泳池数字孪生,全景计划最多可容纳 5,000 人。

我如何选择要采访的数字孪生?

Twin Chat 按市场、年龄、性别、家庭和饮食以及两个 Digitaste 框架过滤数字孪生。 16 种口味类型按四个轴对感官偏好进行排序:盐或酸、涂层或质地、清淡或浓郁的味道、新鲜或成熟的色调。美食个性将食物选择分为三个轴:理性或冲动、以自我为中心或以社会为中心、定居者或探索者。

Twin Chat 能否在原型出现之前测试风味概念?

是的。 Twin Chat 根据描述进行工作,因此可以在样本存在之前测试概念。团队询问消费者如何想象某种味道、感官词对他们意味着什么以及他们会尝试哪种版本,例如薄荷糖“足够强”的清凉感觉是什么样的。数字孪生根据自己的喜好来回答,而不是通过身体品尝。

Twin Chat 与焦点小组或在线调查有何不同?

Twin Chat 将焦点小组的深度与调查的规模结合起来。在一项调查中,团队会同时向多达 1,000 名数字孪生提出开放式后续问题,就像在焦点小组中一样。答案会实时到达,每个答案都可以追溯到一个数字孪生。然后由较小的人员小组确认决赛入围者。

什么是 TasteNET 模拟器以及它如何工作?

TasteNET Simulator 是 TasteNET 内推出的预测产品。您上传产品详细信息(成分、风味概况、定位和 GTM 信息),选择目标市场和群体,并对任意位置运行模拟,从 50 个用于快速定向检查的 AI 消费者数字孪生到 1,000 个用于完整市场模拟的 AI 消费者数字孪生。每个数字孪生都会通过 4 个阶段的 EPXA 接受漏斗来评估您的产品:曝光、购买、体验和宣传。您将在 30 分钟内收到包含分段级诊断的完整验收报告。

我需要提供什么来运行 TasteNET 模拟?

TasteNET 模拟需要您的产品详细信息和目标。上传成分、风味概况、定位和上市信息,然后选择目标市场和群体。模拟根据此描述运行,因此不需要物理样本。

TasteNET 模拟需要多长时间?

TasteNET 模拟可在 30 分钟内返回包含分段级诊断的完整验收报告。它在 50 个数字孪生上运行以进行快速定向检查,或在多达 1,000 个数字孪生上运行以进行完整的市场模拟。

EPXA 验收漏斗是什么?

EPXA 是每个 TasteNET twin 都会经历的四个阶段的接受漏斗:曝光、购买、体验和宣传。曝光度询问消费者是否注意到该产品。采购询问是否选择这个价格。经验会询问第一口的味道是否达到了包装所承诺的效果。倡导询问他们是否再次购买并告诉其他人。

模拟器报告包含什么内容?

模拟器报告跟踪每对数字孪生经历四个 EPXA 阶段,并显示大多数人退出的地方。它将每次泄漏转化为本地化、重新配制、索赔或投资组合的行动,并进行分段级诊断。例如,购买时的泄漏可能表明产品包装较小,入门价格较低。

模拟器可以模拟哪些销售渠道?

该模拟器模拟了四种渠道:零售(超市和便利店)、电子商务(市场和品牌店)、餐饮服务(餐厅和连锁店)和移动(即取即走柜台、售货亭和自动售货机)。选择一个渠道,看看消费者在该环境下从哪个渠道退出。

TasteNET 能否在不亲自品尝的情况下预测食谱的受欢迎程度?

是的,作为预测。数字孪生没有身体味觉。模拟器根据每个数字孪生对香气、味道和口感的测量偏好来设置您的成分和风味特征,并在体验阶段报告感官喜好、期望差距和余味。然后,各团队通过较小的人员小组确认决赛入围者。

模拟器可以预测口碑吗?

是的。模拟器的宣传阶段模型共享、推荐、复购和品牌忠诚度。在粒子视图中,每个点都是一对数字孪生,点之间的线显示口碑从一个消费者传播到下一个消费者。

TasteNET 如何帮助产品重新配制?

首先,我们诊断是配方问题还是消费者期望问题。大多数时候,问题的根源并不是表述本身;而是表述本身出了问题。上下文是。当谈到配方时,TasteNET 会根据每个人工智能消费者的感官参数(甜味和咸味强度、质地和风味平衡)进行运行,并准确显示每个变化如何改变各个细分市场的接受度:哪些群体可以在没有注意到的情况下忍受 20% 的糖减少,哪些群体将其视为降级。