-
340万美元
【美国】语音人工智能平台Mappa获得340万美元融资，优化招聘决策
Mappa——这家通过行为分析重塑企业人才评估方式的语音人工智能平台宣布，其种子轮融资超额认购，共筹集340万美元。本轮融资由德雷珀联合公司领投，塞拉克风险投资、河畔资本、雪尔风险投资、海草资本、天使战队（Hustle Fund）、格朗风险投资、SoGal风险投资、The Pitch以及墨西哥天使中心共同参与。
Mappa帮助企业识别候选人的文化契合度、沟通风格和决策方式——无需依赖主观判断或简历偏见。该平台能在60秒内分析30余项语音生物特征——包括语速、停顿频率及特定动词名词的使用情况——实时预测候选人传达意图、承担责任的方式，以及应对高压冲突等关键情境的反应模式。通过研究行动导向动词或回避性语言等语言模式，Mappa 帮助招聘团队不仅理解候选人的言辞，更能洞察其关键时刻的表现。
“我们正迈入行为可量化的新纪元，这将颠覆传统招聘认知，”Mappa创始人兼CEO莎拉·卢塞纳表示，"传统人才评估方式存在偏见，往往忽视人们在关键时刻的真实表现。Mappa让隐性信号显性化，将人类行为转化为现代决策中最宝贵的数据资产。本轮融资将加速这一变革——通过将技术直接嵌入客户招聘系统，使其关键人事决策更高效精准。"
Mappa的核心技术优势包括：
* 60秒内完成行为解码：分析逾10万个语音数据点，评估候选人应对压力、反馈与模糊情境的能力。
* 专有12层AI架构，融合语音生物标记与公开数据构建多维候选人画像。
* 行动导向语言分析，通过动词使用频率、名词密度及第一人称标记评估主动性、责任感与认知专注度。
* 双向分析——同步评估候选人与企业，确保深度文化与行为契合。
“简历展示的是个人过往成就的亮点，而Mappa AI则揭示其在现实世界中的表现潜力，”德雷珀联合创始人蒂姆·德雷珀表示，"通过将实时行为数据转化为招聘信号，Mappa为企业提供了更智能的人才甄选方式，助力打造更强大的团队并发掘新一代领导者。我们很高兴支持这样一支团队——他们不仅在革新人力资源管理，更在重塑全球最关键的人事决策模式。"
Mappa已为多家领先企业提供大规模招聘决策支持，助力其降低人才流失率、加速决策进程、打造高效协作团队。其API优先的设计理念可无缝集成现有系统，使人才主管能在招聘全流程嵌入深度行为智能分析，且不增加额外操作负担。
“Mappa让我们清晰洞察候选人应对压力、承担责任及跨部门协作的能力——这些特质在我们快节奏的工作环境中至关重要，”领先金融服务与金融科技创新机构K2创始人兼CEO Jacky Korn表示，“Mappa匹配的候选人完美契合岗位需求！我们常在面试当天就发出录用通知。如今它已成为我们招聘体系的核心环节。” 这些洞察既快速精准，又与我们构建高效团队的规模化策略高度契合。"
自2022年推出以来，Mappa已在各行业实现快速普及：
* 通过强化行为匹配降低离职率，每名雇员节省成本超3万美元。
* 借助数据驱动的快速决策，每个岗位节省300+小时。
* 完整行为解码与匹配度评分耗时<1分钟。
* 签约企业超100家，覆盖美国及拉丁美洲大型企业.
* 实现300万美元年化营收，源于招聘团队对深度洞察与高效成果的持续需求。
新一轮融资将用于：扩展企业级产品规模，扩充技术与市场团队，深化与Airtable、Notion、Excel等核心招聘系统及平台的API集成。
-
340万美元
【新加坡】排班管理平台StaffAny完成340万美元A轮融资，GGV领投
为有轮班工人的中小企业提供排班管理平台的StaffAny，完成了340万美元的A轮融资，由GGV资本牵头。本轮融资包括East Ventures、FreakOut Shinsei Fund、Far East Ventures、Farquhar Venture Capital和包括Slack前CFO Allen Shim在内的天使投资者的参与。本轮融资将用于拓展更多的市场，并为StaffAny的平台开发新的功能，该平台目前在七个国家运营，包括其总部所在地新加坡、马来西亚和印度尼西亚。这使得该创业公司的融资总额达到420万美元。
联合创始人Janson Seah告诉TechCrunch，StaffAny被超过30名员工的企业所使用，服务的客户从单一门店到超过1000名员工的连锁店。"他说："虽然我们为小型企业提供了完美的服务，但对于有志于扩大规模的中小企业来说，有更大的价值，因为这些企业的劳动流程需要通过数据和可视性来优化。
在加入该平台之前，StaffAny的很多客户（主要是餐饮或零售业）都在使用电子表格、打卡机或应用程序，而这些应用程序并不像StaffAny那样可以同步花名册、工资单和休假管理。该软件还为管理层和工人提供了实时沟通的能力。
它的功能包括一个在线花名册时间表，使管理人员能够查看不同分店的员工时间表，并预测下周可能需要工人的地方和劳动力成本。空闲的班次会被自动安排，工作人员会被立即通知其工作时间的变化或额外的班次要求。他们可以通过StaffAny用他们的智能手机打卡，取代打卡或手动签到，如果他们的工时发生变化，工资单会自动调整。员工和管理层都可以看到考勤表，因此可以发现错误。这意味着减少了对工资单的争议。
StaffAny的其他功能包括处理休假申请和跟踪员工的工作表现以备审计。为了适应大流行病，它还根据每个国家的规定，增加了追踪联系人、测试提醒或疫苗接种状态的功能。
GGV Capital全球管理合伙人Jixun Foo在声明中说："尽管餐饮业是受COVID-19影响最严重的行业，但StaffAny在中小企业中看到了强劲的增长和前所未有的采用，这证明了其产品和其领导团队的坚韧。中小企业技术是GGV在全球投资的一个领域。我们很高兴能与StaffAny合作，因为他们正在扩张和扩大规模"。
作者TC Catherine Shu
-
340万美元
真格领投340万美元Pre-A，Taste Analytics通过舆情帮企业决策
Taste Analytics 汪晓宇告知 记者，近日已完成 340 万美元的 Pre-A 轮融资，由真格基金领投，跟投方有聚合数据、华创资本、清华企业家协会天子投资、New Gen Silicon Valley、Silver Wealth Investment、Social Starts。
Taste Analytics 位于美国硅谷，产品是综合智能数据分析平台—— Signals。
它在做的事情就是把任何可以转化成文字的信息，通过机器深度学习来进行自动的挖掘分析，然后再通过图像可视化把结果给到客户。服务的对象是企业的商业人员，例如市场营销，客服、信息洞察员、产品优化改进设计人员等，帮他们去做一些决策。
例如，联想美国企业内部有 14 个客户反馈的数据源头，每个数据源一个月可以收到几百万条反馈，导致他们没有办法系统的进行横向、纵向的解读。而 Taste Analytics 平台就可以过滤这些信息，当数据经过企业采集进入平台，企业便可以第一时间得知用户对产品的反馈信息。假设用户反馈 “网卡不好用” 比较多，企业就可以及时调整产品线，减少负面反馈。原来企业里只有两三个分析师管理这些数据，现在可以应用到不同领域的商业化决策中去。
Taste Analytics 分析的数据源包括一些论坛、微博、邮件、聊天记录等。消费者往往在这些渠道中留下对企业的评价。Taste Analytics 可以深度学习非结构化的自然语言（新生词汇、代名词等），根据用户的用词、造句、行文方式来理解文字含义，通过对大范围的用户、上千万个消费点进行聚类分析，让企业了解到用户的真正建议。
汪晓宇表示，此前 Taste Analytics 处理的信息都是非结构化数据在文本阶段，而本次融资金额会投入技术研发，从文本扩展到图像解析上。其他的资金更多的用于市场和销售。
截至去年11月 份，Taste Analytics 的客户主要为大型企业，不乏世界 500 强，10月 底开放云平台之后，为 100 多家中小型企业提供服务，还有 8 家学校在免费使用，日均用户几千人。汪晓宇告知，这些数据都在稳步增长中。
来源：36氪，作者：徐宁，如若转载，请注明出处：http://36kr.com/p/5044333.html
-
340万美元
Pre-A轮融资340万美元，大数据公司Taste Analytics通过挖掘用户吐槽内容智能化企业决策
大数据、云计算等技术在近几年得到迅猛的发展，但是在实际操作层面，中美之间还存在很大差距。国内的企业级客户在进行大数据分析时，仍以分析结构化数据为主，而在美国，很多企业已经开始分析非结构化数据，中国市场仍缺少这方面有效的分析工具。
据IDC的调查报告显示：企业中80%的数据都是非结构化数据，这些数据每年都按指数增长60%。
位于硅谷的Taste Analytics推出综合智能数据分析平台—— Signals，其最独特的地方在于既具备非结构化文本文档数据的深度分析能力，同时也支撑着各种传统的结构化数据 (报表、销售记录等)。
那么，什么是非结构化数据?
非结构化数据主要是指那些无法用固定结构来逻辑表达实现的数据，简单来说就是用户散落在论坛、微博、微信或其他渠道发表的关于产品的各种评价或吐槽。
从形态上，它主要包含这三大块：
第一是文本文字;
第二是图像、图片等;
第三是视频流、电视流。
对比一下或许更有助于理解，非结构化数据和结构化数据最本质的区别包括三个层面：
首先，非结构化数据的容量对比结构化数据要大，可以达到10几倍甚至几十倍的体量;
其次是产生的速度，比如Twitter刚出来的时候，每天产生一亿条的信息量，新浪微博的信息量更大，可以达到几十亿条信息;
最后是数据来源的多样性，这些数据来源有客服、邮件、调查问卷、社交网络等等。
因此，signals平台服务的对象不是企业的 IT、数据库，而是商业人员，例如市场营销，客服、信息洞察员、产品优化改进设计人员等。
以手机厂商为例，Signals通过对客户的邮件反馈、在论坛的相关讨论、微信、微博等相关评价信息分析，告诉设计师用户普遍反映电源键的位置设计很不人性化，手机开屏经常掉帧等等，从而进行产品优化。
非结构化数据既然这么复杂，那怎么分析?
Taste analytic主要是通过如下几个步骤进行非结构化数据分析的：
第一，数据采集，帮助企业更快更全的采集到各类数据。
signals集成了上百个数据接口，包括亚马逊、天猫、Salesforce，ZenDesk, Esty, Yelp、Twitter、Facebook、Apple Store、Google Play Store等，并且这个数字还在飞速扩大，根据taste analytic创始人汪晓宇的介绍，他们正在和国内的第三方数据提供商聚合数据、百分点等进行合作，将为中国客户提供更多本地化的数据。
非结构化数据接入口
第二，数据分析，也就是对于非结构化和结构化数据进行深度机器分析。
signal通过深度学习非结构化的自然语言，根据用户的用词、造句、行文方式来理解文字含义，通过对大范围的用户、上千万个消费点进行聚类分析。目前Signals平台具备成熟的实时分析包括中文在内的12种文字以及语音等非结构化数据的能力。
此外，Taste Analytics的服务适用于各种非结构化数据分析场景，只要有聊天记录、对话记录和邮件记录，就可以和数据源直接对接分析。
从各种维度进行分析
第三，将数据进行图像可视化。
Signals平台会把数据分析结果进行可视化输出，为客户提供10余种图像可视化模式，并且支持客户自定义分析，共包括15种不同的可视化分类。
将数据分析结果可视化
此外，汪晓宇告诉创业邦，Taste Analytics研发出的最先进的分析技术——预测性分析，也将在中国上线，用户可以享受到结构化和非结构数据的精准分析结果，系统针对关键词、时间趋势等因素对市场行为作出及时的预测。
依据上图的元素进行预测分析
那凭啥别人不能做或做不了?
与国内诸葛IO、GrowingIo不同的是，Taste Analytics主要针对的是文本非结构化的挖掘和处理，而诸葛IO是对于机器产生的数据流，Click数据的分析。对于企业来说，两者是相对互补的关系。
汪晓宇告诉创业邦，Taste Analytics成立两年，就已经获得了百万美元量级的订单，拥有像Ally银行、ForeSee问卷调查等客户，收入增长了6倍，并且季度营收增长速度保持在300%左右。
之所以取得这样的成绩，主要核心在于技术和人才，其技术壁垒在于文本数据的深度学习。
汪晓宇博士毕业于北京邮电大学的通信工程专业，之后就到美国直博，之后因为突出的学术贡献，被破格提拔为北卡大学夏洛特分校的助理敎授，并在美国五大视觉中心之一的夏洛特视觉中心任主任。他曾经应邀在美国海事国防安全风险大会演讲;还曾在斯坦福给计算机系的学生传授研发经验。
Taste Analytics的CTO俞立和Thomas Kraft，也是从美国顶级学府博士毕业，技术团队成员全都是硕士以上学历，博士占比达40%。
Taste Analytics在2月完成Pre-A轮340万美元融资，由真格基金领投，跟投机构包括聚合数据、华创资本等。
汪晓宇认为在实际操作中，图片、视频的潜力还大大没有被挖掘，机器数据和FinTech 瞬时高维度的金融数据也很有潜力。Taste Analytics未来将加大对图片和视频领域的非结构化数据分析。
来源：创业邦
扫一扫 加微信
hrtechchina
