SocialHub.AI

Centro para desarrolladores · Referencia técnica

Consumer World Model

La capa del modelo bajo el nodo Decidir: un Modelo de Comportamiento por marca (un modelo de secuencia de eventos que describe cómo se comporta cada miembro) más una capa de Gemelo Digital que lo ejecuta (simulación contrafactual y el panel de investigación sintética). Esta página cubre lo que un integrador puede modificar: los eventos que lo alimentan, la puerta que decide si participa, las superficies donde se proyectan sus resultados y las herramientas MCP que controlan el panel.

Utilice los puntos finales de solo lectura controlados REST o las herramientas MCP que se muestran a continuación para la predicción de un miembro. Los resultados del comportamiento futuro y las ventanas de compra personalizadas comparten una respuesta, con comprobaciones explícitas de disponibilidad y permisos. Los eventos siguen ingresando a través de las superficies de integración habituales; se muestran resultados adicionales en segmentos, perfiles de miembros, perfiles similares, optimización del tiempo de envío y el panel sintético.

Siguientes comportamientos, ventanas de compra y contexto de la demanda

La predicción de un miembro devuelve los próximos comportamientos y ventanas de compra personal, combinando las señales del consumidor con el contexto de demanda de la marca cuando el jefe de fusión del inquilino esté listo.

Ejemplo interactivo

Un consumidor. Una respuesta predictiva.

Todos los estados y números son ejemplos sintéticos, no predicciones en tiempo real ni disponibilidad del espacio de trabajo. No se envían datos de clientes.

Seleccione un estado de ejemplo
Resultado parcial

Las predicciones de comportamiento siguen disponibles. Las ventanas de compra no estarán disponibles hasta que el sistema de integración de la marca esté entrenado y validado.

¿Qué podría pasar después?

Una distribución final sobre los cuatro eventos admitidos en este ejemplo. Las probabilidades del próximo evento no están calibradas.

Siguiente eventoProbabilidad
Compra37%
Visita al portal28%
Clic en correo electrónico21%
Canje de cupones14%
¿Por qué falta un evento?

El correo electrónico enviado es un evento de contexto de entrada, no un objetivo de predicción. Su probabilidad es nula. Otros eventos no compatibles o descubiertos tampoco están disponibles.

¿Comprarán dentro de…?

Señales personales CWM + contexto de demanda de marca TimesFM.

7 días
No disponible
30 días
No disponible
90 días
No disponible

Probabilidad de al menos una compra. Estos periodos son acumulativos; no los sumes ni los incluyas en la distribución de eventos.

Utilice el mismo resultado en su flujo de trabajo

Un miembro solicita la distribución de devoluciones y purchaseWindows juntos.

Explorar llamadas API/MCP
curl --request GET \
  "https://YOUR_API_HOST/api/v2/cwm/members/YOUR_MEMBER_UUID/next-behaviors" \
  --header "Authorization: Bearer YOUR_API_KEY"

Reemplace el host API, el UUID del miembro y la clave API con los valores de su espacio de trabajo.

Acceso requerido · predictions:read devuelve comportamientos. También conceder metrics:read (o *) para habilitar ventanas de compra cuando el modelo esté listo.

Ver extracto de la respuesta

Solo extracto sintético. Las respuestas del modelo de marca también incluyen el catálogo completo de eventos y los metadatos de cobertura; las referencias públicas previas utilizan un vocabulario independiente de seis clases.

{
  "predictionKind": "next_event",
  "unit": "probability_0_1",
  "status": "degraded",
  "distribution": {
    "status": "ok",
    "vocabulary": "member_event",
    "normalization": "conditional_on_supported_events",
    "calibrated": false,
    "rows": [
      {
        "key": "purchase.completed",
        "label": "Purchase",
        "probability": 0.37,
        "rank": 1,
        "availability": "predicted"
      },
      {
        "key": "portal.visited",
        "label": "Portal visit",
        "probability": 0.28,
        "rank": 2,
        "availability": "predicted"
      },
      {
        "key": "email.clicked",
        "label": "Email clicked",
        "probability": 0.21,
        "rank": 3,
        "availability": "predicted"
      },
      {
        "key": "coupon.redeemed",
        "label": "Coupon redeemed",
        "probability": 0.14,
        "rank": 4,
        "availability": "predicted"
      },
      {
        "key": "email.sent",
        "label": "Email sent",
        "probability": null,
        "rank": null,
        "availability": "context_only"
      }
    ]
  },
  "purchaseWindows": {
    "unit": "probability_0_1",
    "probabilities": {
      "7": null,
      "30": null,
      "90": null
    },
    "calibrated": false,
    "envelope": {
      "status": "unavailable",
      "backend": "cwm-timesfm-2.5",
      "reasonCodes": [
        "fusion_not_trained"
      ]
    }
  },
  "reasonCodes": [
    "fusion_not_trained"
  ]
}

Datos sintéticos · TimesFM 2,5

Explore las tendencias de la demanda diaria

Un ejemplo de pronóstico basado en 128 días de historial sintético. Compara el patrón reciente con la demanda diaria futura y sus cuantiles.

Horizonte de previsión

Unidades de demanda sintéticas

Promedio diario reciente
20.0
Pronóstico promedio diario
20.1
Total previsto
604.3
Historial · últimos 28 díasPrevisión de puntos
Demanda histórica y previsiones puntuales futuras con cuantiles q10–q90La línea azul marino muestra 28 días de historial. La línea verde muestra el horizonte de pronóstico seleccionado. El sombreado muestra el rango de cuantiles q10–q90. Usa el control deslizante de días para examinar cada pronóstico.
Día 1 · 2026-10-05
Previsión de puntos
22.9
q10
22.8
q90
23.0
Ver datos de pronóstico diario
Fecha (UTC)Previsión de puntosq10–q90
2026-10-0522.922.8–23.0
2026-10-0621.321.2–21.4
2026-10-0718.718.6–18.8
2026-10-0817.117.0–17.1
2026-10-0917.717.6–17.7
2026-10-1020.020.0–20.1
2026-10-1122.322.3–22.4
2026-10-1222.922.9–22.9
2026-10-1321.321.2–21.3
2026-10-1418.718.6–18.7
2026-10-1517.117.0–17.2
2026-10-1617.717.6–17.7
2026-10-1720.019.9–20.1
2026-10-1822.422.3–22.4
2026-10-1922.922.8–23.0
2026-10-2021.321.2–21.4
2026-10-2118.718.6–18.7
2026-10-2217.117.0–17.1
2026-10-2317.717.6–17.7
2026-10-2420.019.9–20.0
2026-10-2522.322.3–22.4
2026-10-2622.922.8–22.9
2026-10-2721.321.2–21.3
2026-10-2818.718.6–18.7
2026-10-2917.117.0–17.2
2026-10-3017.717.6–17.7
2026-10-3120.020.0–20.1
2026-11-0122.422.3–22.4
2026-11-0222.922.8–22.9
2026-11-0321.321.2–21.3
Descargar datos de ejemplo (JSON) ↓

Ejemplo sintético, generado con TimesFM 2,5 pesos. El pronóstico comienza el 2026-10-05 (UTC); Las fechas están fijadas para la demostración. La cobertura cuantil no está calibrada. Los valores no representan la demanda de un cliente ni las probabilidades de compra individuales.

Una distribución completa del siguiente comportamiento

Recibe una distribución de probabilidad y una clasificación final. El modelo de marca evaluado tiene prioridad, con hasta 23 objetivos cubiertos. Cuando no está disponible, los modelos internos de prioridad pública forman una única referencia de seis clases. Los eventos no compatibles y los que solo dependen del contexto permanecen no disponibles.

Virandas de compra de 7, 30 y 90 días

Incluido automáticamente en la misma respuesta del miembro: un encabezado ligero y privado para inquilinos combina las señales de CWM con las tendencias de la marca TimesFM. Los encabezados listos funcionan directamente; la falta de capacitación o evaluación deja solo las ventanas de compra inaccesibles.

Previsiones diarias de marcas y categorías.

Cuando el servicio TimesFM 2.5 está configurado y el historial diario está completo, pronostique ingresos, pedidos o unidades vendidas hasta por 90 días, con estimaciones puntuales y nueve cuantiles.

Cómo interpretar estos resultados

Las probabilidades del próximo evento suman 100 % sobre los candidatos admitidos y no están calibradas. Las ventanas de compra estiman por separado al menos una compra en un plazo de 7/30/90 días y son acumulativas, nunca normalizadas con las clases de eventos. El silencio transcurrido no se condiciona en el vector de eventos. La referencia pública previa no ha obtenido la validación del espacio de trabajo.

Los cuantiles de demanda describen la incertidumbre agregada; no son intervalos de compra individuales y no se han calibrado. Los datos faltantes no están disponibles. No se afirma ninguna mejora en la precisión antes de su propia evaluación.

Detalles de integración y disponibilidad
# Bearer API key; predictions:read
GET /api/v2/cwm/capabilities
GET /api/v2/cwm/members/{id}/next-behaviors

# metrics:read additionally enables purchaseWindows in next-behaviors
# predictions:read AND metrics:read for standalone trend/windows
GET /api/v2/cwm/trends?metric=gmv&horizon_days=30
GET /api/v2/cwm/members/{id}/purchase-windows

# Read-only MCP equivalents
cwm_get_forecast_capabilities
cwm_predict_next_behaviors
cwm_forecast_aggregate_trend
cwm_predict_purchase_windows

Las probabilidades de compra utilizan unidades de 0 a 1 y ventanas acumulativas y monótonas. Hasta que se entrene y valide, la respuesta contiene probabilidades: {"7":null,"30":null,"90":null} y calibrado: false. Existente CWM Las puntuaciones de masa de 0 a 100 conservan su significado. Los pronósticos agregados devuelven un punto y q10..q90 por día UTC completo; los intervalos diarios faltantes no se rellenan con cero. Los nombres de las categorías requieren catalog_gmv o units_sold; se divulgan las métricas de entrada preliminares. La autorización de inquilinos y miembros permanece en el servidor. La preparación distingue service_unavailable, awaiting_training, awaiting_validation y listo. TimesFM Los pesos 2.5 utilizan Apache 2.0.

Las respuestas de comportamiento siguiente utilizan predictionKind: next_event y unidad: probability_0_1. Una respuesta incluye distribución y purchaseWindowsLos resultados de los expertos individuales son internos. La fusión de compras se invoca automáticamente cuando el acceso a las métricas lo permite. Un administrador de inquilinos validado proporciona probabilidades acumulativas de 7/30/90 días; la falta de permisos, capacitación, validación o entradas deja todas las ventanas null con una razón explícita. Las predicciones de comportamiento disponibles siguen siendo legibles. Estas ventanas no se suman con la distribución del siguiente evento. Las filas del modelo de marca incluyen los 48 eventos estándar: 26 son comportamientos del consumidor, 39 entran en el vocabulario de secuencia y 23 es el techo del objetivo de predicción. Solo los candidatos cubiertos respaldados por la generación activa y evaluada reciben probabilidades; todas las demás filas tienen probabilidad: null y una disponibilidad explícita. La cobertura de frecuencia de entrada heredada es una evidencia de presencia en el corpus más débil y no puede certificar objetivos de etiquetas enmascaradas de procedencia. Las nuevas instantáneas utilizan objetivos positivos de las ventanas de entrenamiento del optimizador, excluyendo los miembros de validación y las filas enmascaradas. La distribución final incluye rango, entropyBits, retainedModelMass, coverageBasis, modelVersion y calibrado: false. Se utiliza directamente un modelo de marca disponible y evaluado sin solicitar resultados de expertos alternativos. De lo contrario, las distribuciones públicas previas válidas se promedian internamente de manera uniforme en una pv degradada / fav / cart / buy / rmcart / buy_disc referencia. agregación distingue single_tenant_model desde uniform_valid_experts; el vocabulario identifica el espacio de claves candidatas. Los dos vocabularios nunca se combinan. La referencia uniforme no es una puerta multiclase aprendida y no está validada por el inquilino; la cobertura de entrenamiento de clases públicas no está verificada. La masa cero redondeada no prueba la ausencia de entrenamiento de clases. Este punto final necesita predictions:read; purchaseWindows Además, necesita metrics:read o *. Sin permiso de métricas, el componente de compra informa metrics_scope_required y no realiza ninguna llamada de métrica o fusión. El estado es correcto solo cuando ambos componentes obtenidos sirven, degradado para resultados parciales/de referencia y no disponible cuando ninguno sirve. El acceso a la tienda y la elegibilidad para el procesamiento en vivo se vuelven a comprobar antes del procesamiento externo personal; la evidencia insuficiente permanece no disponible. Una solicitud comparte su en vivo CWM huella digital interna en todos los niveles de comportamiento y compra.

1 · ¿Qué lo alimenta?

El modelo se entrena con el flujo de eventos de miembros que ya generan tus integraciones: REST API v2 (pedidos, miembros), seguimiento web y de portal, captura de recibos/TPV, fidelización y actividad de cupones. Los eventos pasan por un catálogo gobernado por con un cortafuegos de políticas antes de que puedan entrar en entrenamiento; el cortafuegos se aplica en la canalización, no por convención.

Admitido: eventos de comportamiento

Compras, recibos, puntos ganados/canjeados, cambios de niveles, reclamos/canjes de cupones, aperturas/clics de correo electrónico, aperturas push, visitas/clics al portal, registros de tiendas. Cada tipo de evento se admite explícitamente en el catálogo; los nuevos tipos de eventos no se entrenan silenciosamente.

Prohibido: comentarios y contenido.

Todo lo que el modelo mismo escribe (sus propias etiquetas y puntuaciones) queda excluido: un modelo no debe aprender de su propia salida. El contenido del mensaje y el texto libre nunca entran en el entrenamiento: el modelo aprende que un miembro hizo clic, nunca lo que decía el mensaje.

Prohibido el acceso a miembros restringidos

Los miembros con restricciones de procesamiento (GDPR Art. 18) quedan excluidos del entrenamiento de extremo a extremo, y los datos de un miembro eliminado —incluida su información incrustada— se eliminan como parte del propio proceso de eliminación.

Consecuencia práctica para los integradores: cuanto más rico y limpio sea el feed de su evento (resolución correcta de la identidad de los miembros, marcas de tiempo honestas), mejor será el modelo: no hay una "carga de capacitación" separada. Consulte REST API y Seguimiento web.

2 · La puerta de la honestidad y el predicado de servicio

El modelo de una marca se entrena por inquilino, de forma determinista (mismos datos ⇒ mismo modelo, versionado), y solo se muestra en después de superar una línea base transparente en los datos propios de esa marca. Los consumidores finales nunca leen el modelo directamente; pasan por un único predicado de servicio:

servir = verified_win ∧ not_paused ∧ not_stale

Si alguna rama falla (el modelo aún no se ha consolidado, la marca ha pausado la puntuación o el modelo se ha vuelto obsoleto), todos los consumidores recurren a los modelos predictivos de caja de cristal (o a un estado vacío honesto, en el caso de los modelos similares). Nunca se rellena nada con ceros ni se simula nada: un miembro sin una incrustación recibe atención a través de la ruta de reserva, nunca se le añade relleno al modelo.

Ciclo de vida de una marca.

Acumulación de datos

Historial insuficiente para una formación honesta: nada sirve.

Comparación semanal

capacitado, siendo probado contra la línea de base en la realidad sostenida

Activo

Superar la línea base: las incrustaciones y las predicciones son clave

En pausa / obsoleto

La puntuación se detiene o el modelo caduca: se aplica una penalización automática

3 · Salidas y dónde aparecen

Tres familias de salida existentes están disponibles en las superficies de miembros y segmentos a continuación. Utilice la interfaz de predicción gobernada REST o MCP anterior para las ventanas unificadas de distribución y compra del próximo evento.

Inserción de miembros

Una huella digital de comportamiento por miembro, aprendida a partir de toda su secuencia de eventos. Permite la similitud con el vecino más cercano: cada miembro con comportamiento tiene una, sin necesidad de etiquetas.

Probabilidades del próximo evento

Probabilidad de compra y de abandono por miembro (0-100), actualizadas según el comportamiento. Se muestran como condiciones de segmento —p. ej., «Probabilidad de compra (próximo evento previsto, 0-100)»— y en el perfil del miembro.

Tiempo por miembro

El período de compra previsto para cada miembro y la hora del día en que interactúa, según su propio ritmo.

4 · Pasar el panel sintético sobre MCP

Tus agentes de IA pueden operar el panel de investigación del Gemelo Digital a través del servidor gobernado MCP. Cuatro herramientas de panel, extraídas textualmente del manifiesto en tiempo real, junto con las herramientas de predicción de solo lectura mencionadas anteriormente:

list_synthetic_scenarios

((ninguno))

Enumere los escenarios de simulación de panel sintético con el límite de usabilidad honesto, el techo de confianza y los campos de entrada de cada uno. Llame primero para elegir un tipo. Requiere metrics:read.

run_synthetic_panel

(segment_id, tipo, campos)

Ejecuta un panel sintético: gemelos digitales anonimizados de un segmento reaccionan a un estímulo, generando un informe direccional honesto (nunca cifras absolutas reales). Devuelve un run_id para sondear. Limitado por un límite diario de ejecuciones + ≤50 gemelos. Requiere synthetic:write.

get_synthetic_report

(run_id)

Lea el informe honesto congelado para una ejecución de panel sintético (lectura direccional, límite de confianza, indicadores de supresión, temas) o un blockReason si no está listo. Requiere metrics:read.

get_synthetic_calibration

((ninguno))

La calibración del panel sintético de la marca (tasa de aciertos de las predicciones sintéticas pasadas frente a la realidad; null hasta que existan pruebas retrospectivas). Requiere metrics:read.

Flujo típico

  1. 1. list_synthetic_scenarios → elige un tipo + lee su límite de usabilidad
  2. 2. run_synthetic_panel(segment_id, kind, fields) → run_id // requiere synthetic:write
  3. 3. get_synthetic_report(run_id) → lectura direccional · techo de confianza · supresión · temas — o blockReason
  4. 4. get_synthetic_calibration() → Tasa de éxito de tu marca frente a la realidad (null hasta que existan pruebas retrospectivas)

Contrato para diseñar en contra: las ejecuciones están limitadas (límite diario de ejecuciones, ≤50 gemelos por ejecución); los informes son números direccionales, nunca absolutos; una ejecución que no supera sus controles de honestidad (colapso del panel, adulación, muestra demasiado pequeña) regresa con un blockReason o indicadores de supresión en lugar de un resultado favorable: considérelos como terminales, no reintentables. Se aplican los mismos límites y reglas, ya sea que un humano o su agente inicie la ejecución. Configuración, autenticación y ámbitos: MCP Guía de integración.

5 · Garantías que puedes aprovechar

Aislamiento por marca

Un modelo por cliente, entrenado solo con los miembros de ese cliente. No se comparte información entre marcas, en ninguna dirección.

Determinista y versionado

Los mismos datos generan el mismo modelo, bit a bit; cada puntuación es rastreable hasta la versión del modelo que la produjo.

Borrado completo

El borrado de miembros elimina sus datos de entrenamiento y la incrustación como parte de la transacción de eliminación, no en un programa de limpieza.

Eliminación de contenido obsoleto

Los anuncios que superan su periodo de vigencia se eliminan automáticamente, y un modelo obsoleto deja de funcionar.