南大00后，用AI模拟产品全生命周期，为品牌省下百万试错成本

消费品牌每年把大量新品推向货架，但真正留下来的只是少数。

尼尔森IQ的数据显示，快消行业创新产品的上市成功率通常只有15%。而饮料行业的情况更加直观：2023年市场推出超过3000款新品，最终月销售额突破1000万元的只有6款，达到百万元级的也只有81款。

更重要的是，新品走到上市这一步之前，品牌已经完成消费者调研、产品研发、生产备货、渠道铺设和营销投放。一旦市场反馈不及预期，此前投入的大量时间和资金也很难收回来。

数宗科技（Digit Master）想把决定新品生死的一部分测试，提前到真正生产和铺货之前。

这家成立于2024年的AI Agent公司，由00后创业者丁天创立。此前在阿里工作期间，丁天长期与商家和平台打交道，由此接触到商品从生产到流通、营销的完整链条。创业后，他和团队将方向逐渐聚焦到AI驱动的消费与零售分析。

丁天把这个方向称为“AI for Social Science（AI for社会科学）”：消费者如何选择、商品如何流通、品牌如何决策，这些发生在真实商业社会中的行为，也可以被AI理解和模拟。数宗科技希望，以此重新处理品牌过去依赖大量人工完成的消费者洞察、新品研发和营销测试。

团队为此开发了面向企业的Brand Master。品牌可以把真实的消费者和市场数据引入系统，在虚拟环境中模拟不同人群对新品概念和营销方案的反馈，再据此调整产品和策略。按照公司的设想，一些过去要等产品上市、投入真金白银后才能获得的市场反馈，可以更早出现在决策阶段。

目前，Brand Master采用年度订阅模式，标准版年费约20万元。数宗科技已服务数十家企业，客户包括雅诗兰黛、盒马等消费与零售品牌，2026年营收以企业端业务为主，规模达到数百万元。

融资方面，2024-2025年数宗科技连续获得奇绩创坛和徐汇资本的投资。公司此后启动新一轮融资，希望继续投入产品研发、海外市场和客户服务体系。

企业端之外，数宗科技还在测试面向个人创作者和个体经营者的端侧AI助手“小皮蛋 Pebble”。它主要服务个人的内容创作和经营需求，可以根据用户长期积累的资料、偏好和工作习惯，辅助完成信息整理、内容生成等任务。今年6月，产品启动内测，首批吸引数百名早期用户，公司计划进一步扩大公测范围。

以下是《创业邦》与数宗科技创始人丁天的对话，内容有删减。

花几百万试错？

不如在虚拟沙盘里先“死”一次

创业邦：你先后毕业于南京大学和英国帝国理工学院，有中文、金融、计算机的复合背景，又在阿里做过新品营销，最终选择AI+消费这个方向创业。你当时看到了消费行业的什么问题，为什么会想到用AI解决？

丁天：消费行业长期的核心问题，在于决策端的试错成本过高。

一款新品从想法到落地，传统路径是先花几个月做市场调研，出一份咨询报告，然后团队基于经验拍板，再投入生产、铺货、做营销。整个过程里，很多判断依赖过去的数据，难以提前验证未来的结果。往往几十万、上百万投入之后，市场反馈不及预期，前期投入就会打水漂。

而大模型的出现，给了我们一个新的可能：消费者的评价、社媒的讨论、购买行为的反馈，所有商业信息最终都可以转化为可记录、可计算的数据。既然技术已经具备了对复杂信息的建模能力，那商业领域同样可以搭建一套模拟系统，把试错环节从真实世界前置到虚拟环境里。

我们要做的，就是给消费行业搭一套可运行的虚拟商业沙盘。品牌有任何新品想法，可以先放到沙盘中跑一遍，看看不同人群的反馈、不同渠道的表现、不同营销策略的投入产出比。先把更优方案跑出来，再去真实世界落地，这样就能大幅降低试错成本，提升新品成功率。

创业邦：按照这个逻辑，一款新品真正上市之前，相当于可以先在数字世界里“卖一次”。但消费者情绪、竞品动作、渠道变化都会影响真实市场，怎么保证模拟结果足够可信？

丁天：我们从第一天就明确：所有模拟必须锚定真实数据，没有真实数据支撑的建模没有任何意义。这也是我们和通用大模型最核心的区别。

我们的数据来源有几部分：一是通过Agent采集的公开渠道数据，包括社媒平台、电商平台的消费者行为与言论数据；二是我们合作的真实消费者样本库，用于更精准的人群建模；三是和零售渠道伙伴合作的终端数据，比如和盒马、7-11这类企业的合作，补充线下消费场景的数据。

更重要的是，我们会在原始数据基础上进行深度的数据治理。数宗科技为此构建了一套消费行业的标准化知识体系，我们内部称为“行业本体”，把品类、成分、场景、人群、渠道这些核心概念，全部梳理清楚关联逻辑和标签体系。相当于给AI建立了一本权威的行业词典，所有输出都必须从这套体系里调用，从根源上减少幻觉。

我们目前聚焦消费新品这一垂直场景，通过限定边界完成闭环模拟。变量虽多，但大部分都是可观测、可量化的。我们不需要做到100%准确，只要能帮品牌避开明显的决策陷阱，把新品成功率提升一大截，它的商业价值就已经足够成立了。

数万AI消费者“组队”上岗：

踩坑、挑刺、预判销量

创业邦：Brand Master具体怎么运行？尤其是你们提到会构建数万个“虚拟消费者”，他们在一款新品从研发到上市的过程中分别扮演什么角色？

丁天：传统咨询和调研通常以静态报告作为交付成果，通用AI工具更多提供文本层面的辅助。而我们交付的是一套AI Agent操作系统，是一个可以持续运行、持续迭代的虚拟商业系统。

这套系统里有三类核心Agent协同工作，覆盖新品从0到1的全链路：

第一类是消费者洞察Agent。它可以自动拉通50+消费者社区的多源数据，经过数据净化、语料抽取、同义消歧、社区聚类等一系列处理，输出八维结构化的人群画像——从人群人设、需求痛点，到使用场景、成分认知、感官反馈、品牌感知，全部是带真实语境的结论。

传统调研团队4-8周才能完成的洞察报告，我们的系统4小时就能输出，而且是实时更新的，市场出现新的趋势和变化，系统可以第一时间捕捉到。

第二类是新品研发Agent。它可以把消费者需求直接转化为完整的可落地方案，从产品概念、核心卖点、配方建议，到成本核算、供应链规划、合规风险评估，最后直接生成可编辑的研发规格书。相当于把产品经理和研发专员的标准化工作流程系统化，原来1-2个月的研发筹备周期，1周就可以走完。

第三类是品牌营销Agent，也是虚拟沙盘的重要组成部分。我们会基于真实的人群样本，构建数万个虚拟消费者模型，还原他们的决策路径和消费偏好。品牌可以输入不同的产品概念、定价策略、渠道组合、营销方案，系统会模拟整个市场的反应，输出销量预测、ROI估算、核心增长人群排名，还支持多方案A/B测试。相当于在正式投入市场前，先在数字世界里完成一次全真预演。

数宗科技营销方案智能体预测工作台界面

创业邦：传统调研团队需要4-8周，你们最快4小时就能输出。如果品牌最终要根据这些结果决定产品怎么做、钱往哪里投，他们实际使用下来效果怎么样？

丁天：从已服务的头部客户数据来看，洞察效率整体提升10倍，从月级压缩到小时级；新品研发周期从2个月缩短到1周；营销Campaign的ROI平均提升80%，新品方案成功率提升65%。以7-Eleven为例，公司将这套系统用于线下零售，通过分析不同门店、时段和消费需求，帮助客户调整商品和营销策略，并持续跟踪策略落地后的效果。

对品牌来说，这笔账是很清晰的。传统做一个完整的新品调研+概念测试，就要几十万成本，还要等两三个月。我们的系统按年订阅，平均客单价50万左右，一年可以支持十几个新品项目的测试与迭代，不仅节省了咨询和调研费用，也帮助品牌抢占市场时间窗口，减少失败项目带来的沉没成本。

用最苛刻的甲方

打磨最硬的产品

创业邦：国际头部品牌预算高，但采购流程、数据合规和验收标准也更加复杂。对一家年轻的AI创业公司来说，这其实是一群很难服务的客户。你们为什么一开始就从这些大客户上切入？

丁天：选择从头部国际品牌切入，是我们经过深思熟虑的商业策略，这条路径能够帮助公司更高效地验证产品价值。

首先是付费能力与付费习惯。AI系统的前期研发、数据采购与治理都需要较高投入，中小客户通常缺少充足预算，也缺乏完善的数据基础设施，系统价值较难充分发挥。而国际头部品牌拥有成熟的企业服务付费习惯，也有对应的预算体系，能够理解并认可AI系统的价值。

其次是数据与场景价值。头部品牌本身有非常完善的数据体系和业务基线，我们服务他们的时候，可以基于已有条件更快把系统跑通、跑深。而且他们的业务场景足够复杂，能够帮助我们快速发现产品的问题，推动迭代优化。当然，我们有严格的数据合规边界，不会使用A客户的数据服务B客户，所有数据都只服务于对应客户的场景。

最后是标杆效应。国际品牌的验收标准是行业最严苛的，能够通过他们的验证，本身就是产品能力的重要证明。我们最早是和一家百年国际广告集团合作，在美妆场景做了一年多的POC验证，不断打磨算法权重和产品形态。有了成熟的标杆案例之后，再拓展同品类、同量级的客户，就会顺畅很多。

创业邦：Brand Master把大量数据整理、洞察分析和方案生成交给AI之后，咨询公司、广告集团原来的工作也会发生变化。你们现在怎么和这些公司合作，各自负责哪些环节？

丁天：我们定位自己为行业合作者。传统咨询公司、广告集团的核心资产是专家经验、客户关系和落地执行资源，这些能力依然具有重要价值。我们希望我们的AI系统，能帮助他们放大专业能力、提升交付效率。

目前我们的合作主要有两种模式：一种是内部提效合作。广告集团和咨询公司本身要给甲方输出大量的洞察报告和策略方案，资深专家的时间是最宝贵的。用我们的系统，可以快速完成基础的数据整理、洞察分析、方案初稿输出，专家只需要做最终判断、优化和客户沟通，人均产出可以提升数倍，也解决了传统服务中“前端合伙人对接，后端初级员工执行”的质量不稳定问题。

另一种是联合服务客户。比如品牌要做全球范围的投放，媒介执行、渠道资源肯定是阳狮、博报堂这类国际集团更专业，但前期的消费者深度洞察、营销策略模拟、效果预测，由我们来提供。双方各司其职，一起给客户交付从策略到执行的完整闭环方案。

再造一个“真实消费者”入口

创业邦：Brand Master已经是一个比较明确的企业级产品，你们为什么在这个阶段又推出面向个人的“小皮蛋Pebble”？B端商业沙盘和C端个人助手之间有什么联系？

丁天：我一直认为，AI时代有两个具备长期价值的方向：一个是商业世界的数字化模拟，也就是我们现在深耕的To B业务；另一个就是个人生产力助手。这两项业务可以相互赋能，形成数据飞轮。

现在大厂都在做通用型个人助手，但通用产品覆盖面广，在垂直场景中的深度能力仍有提升空间。每个用户拿到手都需要自己配置技能、补充知识，使用门槛较高。我们的思路是避开通用赛道的直接竞争，做垂直人群的专属生产力助手，先服务好我们最熟悉的群体——营销从业者、跨境创业者、内容创作者。

这类人群本身就在我们的行业生态里，我们已经沉淀了大量的行业数据、专业技能和场景经验。把这些能力预置进Pebble里，用户拿到手就能直接使用，不用自己花时间调教。比如做小红书的创作者，可以直接用它做实时竞品分析、选题策划、内容生成；做跨境电商的，可以一键完成海外市场调研、选品评估。它比通用助手更懂行业，比单点工具更有闭环性。

创业邦：个人助手赛道已经聚集了大量大厂和创业公司。数宗做Pebble，靠什么形成差异化？

丁天：差异化是把垂直人群的需求挖深、做透。通用助手需要服务广泛用户群体，在专业细分场景中的深度满足能力有限，这就是我们的机会。

更重要的是，我们有To B业务积累的行业能力。企业端沉淀的行业数据、专家经验，可以直接复用到C端产品中，这是纯C端助手公司难以具备的优势。反过来，未来C端用户的行为数据经过用户授权后，也可以反哺商业模拟模型，让沙盘的精度持续提升，形成正向循环的数据飞轮。

当然，现阶段我们的重心还是先把垂直人群的体验做好，服务有真实生产力需求的付费用户。长远来看，个人助手可能会走向免费、依靠商业推荐变现的模式，但现在还不是时候，先把产品价值做扎实是第一位的。

创业邦：从3-5年的维度来看，你希望数宗最终把这套商业模拟系统做到什么程度？

丁天：我们的长期愿景，是构建AGI时代的内容数据基础设施。

短期来看，我们会继续深耕消费零售赛道，把AI商业沙盘做深做透，让虚拟验证成为消费品牌新品研发的标配工具。中期会把Pebble的个人助手生态做起来，服务全球更多的创作者和个体经营者。

更长远来说，我们希望跑通B端与C端双向的数据飞轮：企业端的商业数据不断强化C端助手的专业能力，C端的用户行为数据持续优化商业模拟的精度，最终形成一个自进化的数字商业生态。小到个体创业者选品，大到跨国集团制定全球新品策略，都可以先在我们的系统里完成模拟验证，再去真实世界落地。

到那个时候，公司希望成长为商业世界的数字孪生基础设施提供商，为更多商业决策场景提供支持。

文章来自于微信公众号 “创业邦”，作者 “创业邦”