SocialHub.AI

Centre de développement · Référence technique

Consumer World Model

La couche de modélisation sous le nœud Décider : un Modèle de comportement par marque (un modèle de séquence d’événements décrivant le comportement de chaque membre) et une couche Jumeau numérique qui assure son exécution (simulation contrefactuelle et panel de recherche synthétique). Cette page décrit les éléments sur lesquels un intégrateur peut agir : les événements qui l’alimentent, le contrôle qui détermine son activation, les interfaces sur lesquelles ses résultats sont diffusés et les outils MCP qui pilotent le panel.

Utilisez les points de terminaison REST en lecture seule ou les outils MCP ci-dessous pour la prédiction des comportements individuels. Les résultats relatifs aux comportements futurs et les fenêtres d'achat personnalisées partagent une réponse, avec des contrôles explicites de disponibilité et d'autorisation. Les événements sont toujours intégrés via les interfaces habituelles ; des sorties supplémentaires apparaissent dans les segments, les profils de membres, les audiences similaires, l'optimisation des envois et le panel synthétique.

Comportements suivants, fenêtres d'achat et contexte de la demande

La prédiction d'un membre renvoie les prochains comportements et les fenêtres d'achat personnelles, combinant les signaux du consommateur avec le contexte de la demande de la marque lorsque le responsable de la fusion des locataires est prêt.

Exemple interactif

Un consommateur. Une réponse prédictive.

Tous les états et chiffres sont des exemples synthétiques, et non des prédictions en temps réel ni des données de disponibilité de l'espace de travail. Aucune donnée client n'est transmise.

Choisissez un exemple d’État
Résultat partiel

Les prédictions comportementales restent disponibles. Les fenêtres d’achat restent indisponibles jusqu’à ce que le module de fusion de la marque soit entraîné et validé.

Et ensuite ?

Une distribution finale sur les quatre événements pris en charge par cet exemple. Les probabilités du prochain événement ne sont pas calibrées.

Prochain événementProbabilité
Achat37%
Visite du portail28%
Clic sur un e-mail21%
Échange de coupons14%
Pourquoi un événement manque-t-il ?

L'e-mail envoyé est un événement de contexte d'entrée et non une cible de prédiction. Sa probabilité est nulle. Les autres événements non pris en charge ou non couverts restent également indisponibles.

Vont-ils acheter dans les… ?

Signaux personnalisés CWM + contexte de la demande de marque TimesFM.

7 Jours
Indisponible
30 Jours
Indisponible
90 Jours
Indisponible

Probabilité d'au moins un achat. Ces périodes sont cumulatives ; ne les additionnez pas et ne les intégrez pas à la distribution des événements.

Utilisez le même résultat dans votre flux de travail

Une demande de membre renvoie la distribution et purchaseWindows ensemble.

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

Remplacez l'hôte API, l'UUID du membre et la clé API par les valeurs de votre espace de travail.

Accès requis · La fonction `predictions:read` renvoie les comportements. Accordez également `metrics:read` (ou `*`) pour activer les fenêtres d'achat lorsque le modèle est prêt.

Voir un extrait de réponse

Extrait synthétique uniquement. Les réponses du modèle de marque incluent également le catalogue complet des événements et les métadonnées de couverture ; les références publiques antérieures utilisent un vocabulaire distinct à six classes.

{
  "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"
  ]
}

Données synthétiques · TimesFM 2,5

Analyse des tendances quotidiennes de la demande

Exemple de prévision basé sur 128 jours d'historique synthétique. Comparez la tendance récente avec la demande quotidienne future et ses quantiles.

Horizon de prévision

Unités de demande synthétiques

Moyenne quotidienne récente
20.0
Moyenne quotidienne des prévisions
20.1
Total des prévisions
604.3
Historique · 28 derniers joursPrévisions ponctuelles
Historique de la demande et prévisions de points futurs avec quantiles Q10 à Q90La ligne bleu marine représente l’historique des 28 derniers jours. La ligne verte représente l’horizon de prévision sélectionné. La zone ombrée représente l’intervalle des quantiles Q10 à Q90. Utilisez le curseur de jour pour examiner chaque prévision.
Journée 1 · 2026-10-05
Prévisions ponctuelles
22.9
Q10
22.8
q90
23.0
Afficher les données de prévisions quotidiennes
Date (UTC)Prévisions ponctuellesQ10–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
Télécharger des exemples de données (JSON) ↓

Exemple synthétique, généré avec une pondération de TimesFM 2,5. La prévision débute le 05/10/2026 (UTC) ; les dates sont fixes pour la démonstration. La couverture des quantiles n'est pas calibrée. Les valeurs ne représentent pas la demande client ni les probabilités d'achat individuelles.

Distribution complète du prochain comportement

Réception d'une distribution de probabilité et d'un classement finaux. Le modèle de marque évalué est prioritaire, avec jusqu'à 23 cibles couvertes. En cas d'indisponibilité, les modèles internes publics prioritaires forment une référence unique à six classes. Les événements non pris en charge et les événements contextuels uniquement restent indisponibles.

Fenêtres d'achat de 7, 30 et 90 jours

Intégré automatiquement à la réponse du membre : un module complémentaire léger, dédié au locataire, combine les signaux CWM avec les tendances de marque TimesFM. Les modules complémentaires opérationnels sont immédiatement disponibles ; en l’absence de formation ou d’évaluation, seules les périodes d’achat restent inaccessibles.

Prévisions quotidiennes de marques et de catégories

Lorsque le service TimesFM 2.5 est configuré et que l’historique quotidien est complet, prévoyez le chiffre d’affaires, les commandes ou les unités vendues jusqu’à 90 jours, avec des estimations ponctuelles et neuf quantiles.

Comment interpréter ces résultats

La somme des probabilités de l'événement suivant est égale à 100 % pour les candidats pris en charge et n'est pas calibrée. Les fenêtres d'achat estiment séparément au moins un achat dans les 7/30/90 jours et sont cumulatives, jamais normalisées par classe d'événements. Le silence écoulé n'est pas pris en compte dans le vecteur d'événements. La référence publique a priori n'a pas été validée dans l'espace de travail.

Les quantiles de la demande décrivent l'incertitude globale ; il ne s'agit pas d'intervalles d'achat individuels et ils n'ont pas été calibrés. Les données manquantes restent indisponibles. Aucune amélioration de la précision n'est garantie avant votre propre évaluation.

Détails d'intégration et disponibilité
# 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

Les probabilités d'achat utilisent des unités de 0 à 1 et des fenêtres cumulatives et monotones. Jusqu'à l'entraînement et la validation, la réponse contient les probabilités suivantes : {"7):null,"30":null,"90":nullet calibré : false. Existant CWM Les scores de masse de 0 à 100 conservent leur signification. Les prévisions agrégées renvoient un point et les valeurs q10 à q90 par jour UTC complet ; les intervalles quotidiens manquants ne sont pas remplacés par zéro. Les noms de catégories nécessitent catalog_gmv ou units_soldLes indicateurs d'entrée provisoires sont divulgués. L'autorisation des locataires et des membres reste côté serveur. La disponibilité distingue service_unavailable, awaiting_training, awaiting_validation et prêt. TimesFM Les poids 2.5 utilisent Apache 2.0.

Les réponses comportementales suivantes utilisent predictionKind: next_event et unité : probability_0_1Une des réponses comprend la distribution et purchaseWindowsLes résultats individuels des experts sont internes. La fusion des achats est déclenchée automatiquement lorsque l'accès aux métriques le permet. Un responsable de locataire validé fournit des probabilités cumulatives à 7, 30 et 90 jours ; l'absence d'autorisation, de formation, de validation ou de données d'entrée empêche l'accès à toutes les fenêtres. null avec une raison explicite. Les prédictions comportementales disponibles restent lisibles. Ces fenêtres ne sont pas additionnées à la distribution de l'événement suivant. Les lignes du modèle de marque incluent les 48 événements standard : 26 correspondent à des comportements de consommation, 39 entrent dans le vocabulaire de la séquence et 23 constituent le plafond de la cible de prédiction. Seuls les candidats couverts et pris en charge par la génération active et évaluée reçoivent des probabilités ; toutes les autres lignes ont une probabilité : null et une disponibilité explicite. La couverture de fréquence d'entrée héritée constitue une preuve de présence dans le corpus plus faible et ne peut pas certifier les cibles d'étiquettes masquées en provenance. Les nouveaux instantanés utilisent des cibles positives issues des fenêtres d'entraînement de l'optimiseur, en excluant les membres de validation et les lignes masquées. La distribution finale inclut le rang, entropyBits, retainedModelMass, coverageBasis, modelVersion et calibré : falseUn modèle de marque disponible et évalué est utilisé directement, sans solliciter d'autres avis d'experts. Sinon, les distributions publiques a priori valides sont moyennées en interne de manière égale en une seule distribution dégradée pv / fav / cart / buy / rmcart / buy_disc référence. l'agrégation distingue single_tenant_model De uniform_valid_expertsLe vocabulaire identifie l'espace des clés candidates. Les deux vocabulaires ne sont jamais fusionnés. La référence uniforme n'est pas une porte multiclasse apprise et n'est pas validée par le locataire ; la couverture de l'entraînement des classes publiques n'est pas vérifiée. Une masse nulle arrondie ne prouve pas l'absence d'entraînement des classes. Ce point de terminaison nécessite predictions:read; purchaseWindows besoins supplémentaires metrics:read ou *. Sans autorisation de métriques, le composant d'achat signale metrics_scope_required et n'effectue aucun appel de métrique ou de fusion. Le statut est « OK » uniquement lorsque les deux composants obtenus sont disponibles, « dégradé » pour les résultats partiels/de référence et « indisponible » lorsqu'aucun n'est disponible. L'accès au magasin et l'éligibilité au traitement en direct sont revérifiés avant le traitement externe personnel ; les preuves insuffisantes restent indisponibles. Une requête partage son statut en direct. CWM Empreinte digitale interne à travers les fonctions comportementales et d'achat.

1 · Ce qui l'alimente

Le modèle est entraîné sur le flux d'événements membres déjà généré par vos intégrations : REST API v2 (commandes, membres), suivi web et portail, capture de reçus/points de vente, fidélisation et activités de coupons. Les événements passent par un catalogue géré par avec un pare-feu de politiques avant de pouvoir être entraînés. Le pare-feu est appliqué dans le pipeline, et non par convention.

Admis : événements comportementaux

Achats, reçus, points gagnés/utilisés, changements de niveau, utilisation de coupons, ouvertures/clics d'e-mails et de notifications push, visites/clics sur le portail, enregistrements en magasin. Chaque type d'événement est explicitement intégré au catalogue — les nouveaux types d'événements ne sont pas ajoutés automatiquement.

Interdit : commentaires et contenu.

Tout ce que le modèle lui-même réécrit (ses propres balises et scores) est exclu : un modèle ne doit pas apprendre de sa propre sortie. Le contenu du message et le texte libre n'entrent jamais dans la formation : le modèle apprend ce qu'un membre a cliqué, jamais ce que dit le message.

Accès restreint : membres restreints

Les membres faisant l'objet d'une restriction de traitement (GDPR Art. 18) sont exclus de la formation de bout en bout. Les données d'un membre supprimé, y compris son intégration, sont effacées lors du processus de suppression.

Conséquence pratique pour les intégrateurs : plus votre flux d'événements est riche et propre (résolution correcte de l'identité des membres, horodatages honnêtes), meilleur est le modèle — il n'y a pas de « téléchargement de formation » distinct. Voir REST API et Suivi Web.

2 · Le contrôle d'honnêteté et le prédicat de service

Le modèle d'une marque est entraîné pour chaque locataire, de manière déterministe (mêmes données ⇒ même modèle, versionné), et il ne l'est que pour chaque locataire. sert après avoir dépassé un seuil de référence transparent basé sur les données confidentielles de la marque. Les consommateurs finaux ne consultent jamais directement le modèle ; ils passent par un prédicat unique :

servir = verified_win ∧ not_paused ∧ not_stale

En cas de défaillance d'une étape (modèle non validé, marque ayant suspendu l'évaluation, modèle obsolète), chaque consommateur est redirigé vers les modèles prédictifs transparents (ou vers une valeur vide, dans le cas des audiences similaires). Aucune donnée n'est jamais initialisée à zéro ni simulée : un membre sans intégration est traité par la méthode de repli, sans jamais être intégré au modèle.

Le cycle de vie d'une marque.

Collecte des données

Historique insuffisant pour une formation fiable — rien ne sert

Comparaison hebdomadaire

Formation, évaluation par rapport à une situation réelle de référence

Actif

Dépassement des performances initiales : intégrations et prédictions

En pause / obsolète

Le système de points s'arrête ou le modèle expire — basculement automatique

3 · Sorties et leur point d'apparition

Trois familles de sorties existantes sont disponibles dans les interfaces membres et segments ci-dessous. Utilisez l'interface de prédiction REST ou MCP ci-dessus pour la distribution unifiée des prochains événements et les fenêtres d'achat.

Intégrations des membres

Une empreinte comportementale par membre, établie à partir de l'ensemble de son parcours. Elle renforce la similarité entre voisins les plus proches : chaque membre ayant un comportement donné en possède une, sans aucun tag.

Probabilités du prochain événement

L'imminence d'achat et l'imminence de désabonnement de chaque membre (0-100) sont mises à jour en fonction du comportement. Ces informations sont affichées comme conditions de segmentation, par exemple « Imminence d'achat (prochain événement prévu, 0-100) », et sur le profil du membre.

Calendrier par membre

La fenêtre d'achat prévue et les heures de disponibilité de chaque membre, selon son propre rythme.

4 · Conduite du panneau synthétique sur MCP

Vos agents IA peuvent interagir avec le panel de recherche du jumeau numérique via le serveur MCP sécurisé. Quatre outils de panneau, extraits textuellement du manifeste en direct, ainsi que les outils de prédiction en lecture seule ci-dessus :

list_synthetic_scenarios

((aucun))

Listez les scénarios de simulation de panel synthétique en précisant pour chacun leurs limites d'utilisabilité, leur niveau de confiance maximal et leurs champs de saisie. Appelez d'abord pour choisir un type. Nécessite metrics:read.

run_synthetic_panel

(segment_id, kind, fields)

Exécuter un panel synthétique : des jumeaux numériques anonymisés d'un segment réagissent à un stimulus, produisant un rapport directionnel fiable (jamais de valeurs absolues réelles). Renvoie un identifiant d'exécution (run_id) à interroger. Limité par un nombre maximal d'exécutions quotidiennes + ≤ 50 jumeaux. Nécessite le module synthetic:write.

get_synthetic_report

(run_id)

Lisez le rapport honnête gelé pour une analyse par panel synthétique — lecture directionnelle, plafond de confiance, indicateurs de suppression, thèmes — ou un blockReason si ce n'est pas prêt. Nécessite metrics:read.

get_synthetic_calibration

((aucun))

étalonnage du panel synthétique de la marque (taux de réussite des prédictions synthétiques passées par rapport à la réalité ; null (jusqu'à ce que des backtests existent). Nécessite metrics:read.

Flux type

  1. 1. list_synthetic_scenarios → Choisissez un type + lisez ses limites d'utilisation
  2. 2. run_synthetic_panel(segment_id, kind, fields) → run_id // nécessite synthetic:write
  3. 3. get_synthetic_report(run_id) → lecture directionnelle · plafond de confiance · suppression · thèmes — ou blockReason
  4. 4. get_synthetic_calibration() → taux de réussite de votre marque comparé aux résultats réels (null tant qu’aucun test rétrospectif n’est disponible)

Contrat de conception : les essais sont limités (plafond quotidien d’essais, ≤ 50 jumeaux par essai) ; les rapports sont nombres directionnels, jamais absolus; une exécution qui échoue à ses contrôles d'intégrité (effondrement du panel, flagornerie, échantillon trop petit) renvoie un blockReason ou des indicateurs de suppression au lieu d'un résultat favorable : considérez-les comme définitifs et non susceptibles de nouvelle tentative. Les mêmes limites et règles s'appliquent, qu'un humain ou votre agent lance l'exécution. Configuration, authentification et étendues : MCP Guide d'intégration.

5 · Garantit que vous pouvez développer

Isolation par marque

Un modèle par client, entraîné uniquement sur les membres de ce client. Aucune donnée n'est partagée entre les marques, dans un sens comme dans l'autre.

Déterministe et versionné

Les mêmes données produisent le même modèle, bit à bit ; chaque score est traçable à la version du modèle qui l'a produit.

Effacement complet

L'effacement des membres supprime leurs données de formation et leur intégration dans le cadre de la transaction de suppression, et non selon un calendrier de nettoyage.

Nettoyage des informations obsolètes

Les contenus obsolètes sont supprimés automatiquement et un modèle inactif cesse d'être diffusé.