Lapisan model di bawah node Decide: sebuah Model Perilaku per merek (model urutan kejadian tentang bagaimana setiap anggota berperilaku) ditambah lapisan Kembaran Digital yang menjalankannya ke depan (simulasi kontrafaktual dan panel penelitian sintetis). Halaman ini mencakup apa yang sebenarnya dapat disentuh oleh integrator: kejadian yang menjadi masukannya, gerbang yang memutuskan apakah ia melayani, permukaan tempat keluarannya mendarat, dan alat MCP yang menggerakkan panel.
Gunakan titik akhir REST atau alat MCP yang diatur hanya baca di bawah ini untuk prediksi satu anggota. Hasil perilaku selanjutnya dan jendela pembelian pribadi berbagi respons, dengan pemeriksaan ketersediaan dan izin yang eksplisit. Peristiwa masih masuk melalui permukaan integrasi normal; output tambahan muncul dalam segmen, profil anggota, kemiripan, optimasi waktu pengiriman, dan panel sintetis.
Perilaku selanjutnya, jendela pembelian, dan konteks permintaan
Satu prediksi anggota mengembalikan perilaku selanjutnya dan jendela pembelian pribadi, menggabungkan sinyal konsumen dengan konteks permintaan merek ketika kepala fusi penyewa siap.
Contoh interaktif
Satu konsumen. Satu respons prediksi.
Semua status dan angka adalah contoh sintetis, bukan prediksi langsung atau kesiapan ruang kerja. Tidak ada data pelanggan yang dikirim.
Hasil sebagian
Prediksi perilaku tetap tersedia. Jendela pembelian tetap tidak tersedia sampai kepala fusi merek dilatih dan divalidasi.
Apa yang bisa terjadi selanjutnya?
Satu distribusi akhir atas empat peristiwa yang didukung dalam contoh ini. Probabilitas peristiwa berikutnya tidak dikalibrasi.
Acara berikutnya
Probabilitas
Pembelian
37%
Kunjungan portal
28%
Klik email
21%
Penukaran kupon
14%
Mengapa suatu acara hilang?
Email yang dikirim adalah peristiwa konteks input, bukan target prediksi. Probabilitasnya adalah null. Peristiwa lain yang tidak didukung atau tidak tercakup juga tetap tidak tersedia.
Akankah mereka membeli dalam…?
Sinyal CWM pribadi + konteks permintaan merek TimesFM.
7 hari
Tidak Tersedia
30 hari
Tidak Tersedia
90 hari
Tidak Tersedia
Peluang setidaknya satu pembelian. Jendela ini bersifat kumulatif; jangan menjumlahkannya atau menambahkannya ke distribusi acara.
Gunakan hasil yang sama dalam alur kerja Anda
Permintaan satu anggota mengembalikan distribusi dan purchaseWindows bersama.
Jelajahi panggilan API / MCP
curl --request GET \
"https://YOUR_API_HOST/api/v2/cwm/members/YOUR_MEMBER_UUID/next-behaviors" \
--header "Authorization: Bearer YOUR_API_KEY"
Ganti host API, UUID anggota, dan kunci API dengan nilai ruang kerja Anda.
Akses yang diperlukan · predictions:read mengembalikan perilaku. Juga memberikan metrics:read (atau *) untuk mengaktifkan jendela pembelian saat model sudah siap.
Lihat cuplikan respons
Hanya cuplikan sintetis. Respons model merek juga mencakup katalog acara lengkap dan metadata liputan; referensi publik sebelumnya menggunakan kosakata enam kelas terpisah.
Contoh sintetis, dihasilkan dengan bobot TimesFM 2,5. Perkiraan dimulai pada 2026-10-05 (UTC); tanggal ditetapkan untuk demo. Cakupan kuantil tidak dikalibrasi. Nilai tidak mewakili permintaan pelanggan atau probabilitas pembelian individu.
Satu distribusi perilaku selanjutnya yang lengkap
Menerima satu distribusi probabilitas dan peringkat akhir. Model merek yang dievaluasi diprioritaskan, dengan hingga 23 target yang tercakup. Jika tidak tersedia, model publik internal yang diprioritaskan membentuk satu referensi enam kelas. Peristiwa yang tidak didukung dan hanya kontekstual tetap tidak tersedia.
Jendela pembelian 7 / 30 / 90 hari
Termasuk secara otomatis dalam respons anggota yang sama: sebuah head ringan pribadi penyewa menggabungkan sinyal CWM dengan tren merek TimesFM. Head yang siap melayani secara langsung; kurangnya pelatihan atau evaluasi hanya membuat jendela pembelian tidak tersedia.
Prakiraan merek dan kategori harian
Jika layanan TimesFM 2.5 dikonfigurasi dan riwayat harian lengkap, perkirakan pendapatan, pesanan, atau unit yang terjual hingga 90 hari, dengan perkiraan titik dan sembilan kuantil.
Cara membaca hasil ini
Probabilitas kejadian berikutnya berjumlah 100% di atas kandidat yang didukung dan tidak dikalibrasi. Jendela pembelian secara terpisah memperkirakan setidaknya satu pembelian dalam 7/30/90 hari dan bersifat kumulatif, tidak pernah dinormalisasi dengan kelas kejadian. Keheningan yang telah berlalu tidak dikondisikan dalam vektor kejadian. Referensi prioritas publik belum mendapatkan validasi ruang kerja.
Kuantil permintaan menggambarkan ketidakpastian agregat; ini bukan interval pembelian individual dan belum dikalibrasi. Data yang hilang tetap tidak tersedia. Tidak ada peningkatan akurasi yang diklaim sebelum evaluasi Anda sendiri.
Detail dan ketersediaan integrasi
# 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
Probabilitas pembelian menggunakan unit 0–1 dan jendela kumulatif, monotonik. Hingga dilatih dan divalidasi, respons berisi probabilitas: {"7":null,"30":null,"90":null} dan dikalibrasi: false. Skor massa 0–100 yang ada CWM mempertahankan maknanya. Prakiraan agregat mengembalikan satu poin dan q10..q90 per hari UTC lengkap; bucket harian yang hilang tidak diisi dengan nol. Nama kategori memerlukan catalog_gmv atau units_sold; metrik input draf diungkapkan. Otorisasi penyewa dan anggota tetap di sisi server. Kesiapan membedakan service_unavailable, awaiting_training, awaiting_validation, dan ready. TimesFM 2.5 bobot menggunakan Apache 2.0.
Respons perilaku selanjutnya menggunakan predictionKind: next_event dan unit: probability_0_1. Satu respons mencakup distribusi dan purchaseWindows; hasil pakar individual bersifat internal. Penggabungan pembelian dipanggil secara otomatis ketika akses metrik memungkinkan. Kepala penyewa yang divalidasi menyajikan probabilitas kumulatif 7/30/90 hari; izin, pelatihan, validasi, atau input yang hilang meninggalkan semua jendela null dengan alasan eksplisit. Prediksi perilaku yang tersedia tetap dapat dibaca. Jendela-jendela ini tidak dijumlahkan dengan distribusi kejadian selanjutnya. Baris model merek mencakup semua 48 kejadian standar: 26 adalah perilaku konsumen, 39 masuk ke kosakata urutan, dan 23 adalah batas atas target prediksi. Hanya kandidat yang tercakup yang didukung oleh generasi aktif yang dievaluasi yang menerima probabilitas; semua baris lainnya memiliki probabilitas: null dan ketersediaan eksplisit. Cakupan frekuensi input lama merupakan bukti kehadiran korpus yang lebih lemah dan tidak dapat mengesahkan target tag yang ditutupi asal-usul. Snapshot baru menggunakan target positif dari jendela pelatihan optimizer, tidak termasuk anggota validasi dan baris yang ditutupi. Distribusi akhir mencakup rank, entropyBits, retainedModelMass, coverageBasis, modelVersion, dan calibrated: false. Model merek yang tersedia dan dievaluasi digunakan langsung tanpa meminta output ahli alternatif. Jika tidak, distribusi prior publik yang valid dirata-ratakan secara internal menjadi satu referensi pv / fav / cart / buy / rmcart / buy_disc yang terdegradasi. Agregasi membedakan single_tenant_model dari uniform_valid_experts; kosakata mengidentifikasi ruang kunci kandidat. Kedua kosakata tersebut tidak pernah dicampur. Referensi seragam bukanlah gerbang multikelas yang dipelajari dan tidak divalidasi penyewa; cakupan pelatihan kelas publik tidak diverifikasi. Massa nol yang dibulatkan tidak membuktikan tidak adanya pelatihan kelas. Endpoint ini membutuhkan predictions:read; purchaseWindows juga membutuhkan metrics:read atau *. Tanpa izin metrik, komponen pembelian melaporkan metrics_scope_required dan tidak melakukan panggilan metrik atau fusi. Status dianggap baik hanya jika kedua komponen yang diperoleh berfungsi, status menurun untuk hasil parsial/referensi, dan tidak tersedia jika keduanya tidak berfungsi. Akses toko dan kelayakan pemrosesan langsung diperiksa ulang sebelum pemrosesan eksternal pribadi; bukti yang tidak mencukupi tetap tidak tersedia. Satu permintaan membagikan sidik jari CWM langsungnya secara internal di seluruh kepala perilaku dan pembelian.
1 · Apa yang memberi makan sistem ini
Model dilatih pada aliran peristiwa anggota yang sudah dihasilkan integrasi Anda — REST API v2 (pesanan, anggota), pelacakan web & portal, pengambilan POS/struk, aktivitas loyalitas dan kupon. Peristiwa melewati katalog yang diatur dengan firewall kebijakan sebelum dapat memasuki pelatihan; Firewall diberlakukan di dalam alur kerja, bukan berdasarkan konvensi.
Diakui: peristiwa perilaku
Pembelian, tanda terima, poin yang diperoleh/ditukar, perubahan tingkatan, klaim/penukaran kupon, pembukaan/klik email, pembukaan push, kunjungan/klik portal, check-in toko. Setiap jenis acara secara eksplisit dimasukkan ke dalam katalog — jenis acara baru tidak dilatih secara diam-diam.
Dilarang: umpan balik & konten
Apa pun yang ditulis kembali oleh model itu sendiri (tag dan skornya sendiri) dikecualikan — sebuah model tidak boleh belajar dari outputnya sendiri. Konten pesan dan teks bebas tidak pernah masuk ke pelatihan: model mempelajari bahwa seorang anggota mengklik, bukan apa isi pesannya.
Dilarang: anggota terbatas
Anggota yang berada di bawah pembatasan pemrosesan (GDPR Pasal 18) dikecualikan dari pelatihan ujung-ke-ujung, dan data anggota yang dihapus — termasuk penyematannya — dihapus sebagai bagian dari mekanisme penghapusan itu sendiri.
Konsekuensi praktis untuk integrator: semakin kaya dan bersih umpan peristiwa Anda (resolusi identitas anggota yang benar, stempel waktu yang jujur), semakin baik modelnya — tidak ada "unggah pelatihan" terpisah. Lihat REST API dan Pelacakan Web.
2 · Gerbang kejujuran & predikat pelayanan
Model merek dilatih per penyewa, secara deterministik (data yang sama ⇒ model yang sama, versi), dan hanya melayani setelah mengalahkan garis dasar transparan pada data yang ditahan merek tersebut. Konsumen hilir tidak pernah membaca model secara langsung — mereka melalui satu predikat penyajian:
serve = verified_win ∧ not_paused ∧ not_stale
Jika salah satu bagian gagal — model belum layak, merek menghentikan penilaian, atau model sudah usang — setiap konsumen akan kembali ke model prediktif kotak kaca (atau keadaan kosong yang jujur, dalam kasus lookalike). Tidak ada yang pernah diisi dengan nol dan tidak ada yang berpura-pura: anggota tanpa embedding dilayani oleh jalur fallback, tidak pernah ditambahkan ke dalam model.
Siklus hidup yang dilihat merek
Mengumpulkan data
tidak cukup sejarah untuk melatih dengan jujur — tidak ada yang bermanfaat
Membandingkan mingguan
dilatih, diuji terhadap garis dasar pada realitas yang ditahan
Aktif
Kalahkan standar — penyematan & prediksi berfungsi
Dijeda / usang
penilaian berhenti atau model kedaluwarsa — fallback otomatis
3 · Output dan di mana output tersebut muncul
Tiga keluarga output yang ada tersedia di permukaan anggota dan segmen di bawah ini. Gunakan antarmuka prediksi REST atau MCP yang diatur di atas untuk distribusi acara berikutnya yang terpadu dan jendela pembelian.
Penyematan anggota
Sidik jari perilaku per anggota, dipelajari dari seluruh rangkaian kejadian mereka. Mendukung kesamaan tetangga terdekat: setiap anggota dengan perilaku memiliki satu — tidak diperlukan tag.
Kemungkinan pembelian dan kemungkinan berhenti berlangganan per anggota (0–100), diperbarui sesuai dengan perilaku yang terjadi. Diungkapkan sebagai kondisi segmen — misalnya, "Kemungkinan Pembelian (prediksi kejadian berikutnya, 0-100)" — dan pada profil anggota.
Agen AI Anda dapat mengoperasikan panel riset Digital Twin melalui server MCP yang diatur. Empat alat panel, persis seperti yang ada di manifes langsung, di samping alat prediksi hanya baca di atas:
list_synthetic_scenarios
((tidak ada))
Cantumkan skenario simulasi panel sintetis beserta batas kegunaan sebenarnya, batas kepercayaan maksimum, dan kolom inputnya masing-masing. Hubungi terlebih dahulu untuk memilih jenisnya. Membutuhkan metrics:read.
run_synthetic_panel
(segment_id, kind, fields)
Jalankan panel sintetis: kembaran digital anonim dari suatu segmen bereaksi terhadap stimulus, menghasilkan laporan arah yang jujur (tidak pernah berupa angka absolut sebenarnya). Mengembalikan run_id untuk di-polling. Dibatasi oleh batas run harian + ≤50 kembaran. Membutuhkan synthetic:write.
get_synthetic_report
(run_id)
Bacalah laporan jujur yang dibekukan untuk menjalankan panel sintetis — pembacaan arah, batas kepercayaan, bendera penekanan, tema — atau blockReason Jika belum siap. Membutuhkan metrics:read.
get_synthetic_calibration
((tidak ada))
Kalibrasi panel sintetis merek (tingkat keberhasilan prediksi sintetis masa lalu vs kenyataan; null sampai ada backtest). Membutuhkan metrics:read.
Alur tipikal
1.list_synthetic_scenarios → pilih jenis + baca batasan kegunaannya
2.run_synthetic_panel(segment_id, kind, fields) → run_id// memerlukan synthetic:write
3.get_synthetic_report(run_id) → pembacaan terarah · batas kepercayaan · penekanan · tema — atau blockReason
4.get_synthetic_calibration() → Tingkat keberhasilan merek Anda vs. kenyataan (null sampai ada pengujian data historis)
Kontrak yang harus dipatuhi dalam desain: jumlah eksekusi dibatasi (batas eksekusi harian, ≤50 kembar per eksekusi); laporan bersifat arah, bukan angka absolut; eksekusi yang gagal dalam pemeriksaan kejujurannya (keruntuhan panel, penjilatan, sampel terlalu kecil) akan menghasilkan blockReason atau flag penekanan alih-alih hasil yang memuaskan — perlakukan itu sebagai terminal, bukan dapat dicoba ulang. Batasan dan aturan yang sama berlaku baik jika eksekusi dimulai oleh manusia atau agen Anda. Pengaturan, otentikasi, dan cakupan: MCP Panduan Integrasi.
5 · Jaminan yang dapat Anda bangun
Isolasi per merek
Satu model per penyewa, dilatih hanya pada anggota penyewa tersebut. Tidak ada penggabungan lintas merek — baik ke arah mana pun.
Deterministik & berversi
Data yang sama menghasilkan model yang sama, bit demi bit; setiap skor dapat dilacak ke versi model yang menghasilkannya.
Penghapusan lengkap
Penghapusan anggota menghapus data pelatihan dan penyematan mereka sebagai bagian dari transaksi penghapusan — bukan berdasarkan jadwal pembersihan.
Dibersihkan dari konten usang
Embedding yang sudah melewati masa berlakunya akan dihapus sesuai jadwal, dan model yang sudah usang akan berhenti melayani secara otomatis.