다음엔 무슨 일이 일어날 수 있을까요?
이 예에서 지원되는 4개의 이벤트에 대한 최종 분포입니다. 다음 사건 확률은 보정되지 않았습니다.
| 다음 이벤트 | 개연성 |
|---|---|
| 구입 | 37% |
| 포털 방문 | 28% |
| 이메일 클릭 | 21% |
| 쿠폰 교환 | 14% |
이벤트가 누락된 이유는 무엇인가요?
전송된 이메일은 예측 대상이 아닌 입력 컨텍스트 이벤트입니다. 확률은 null입니다. 지원되지 않거나 공개되지 않은 기타 이벤트도 계속 사용할 수 없습니다.
개발자 센터 · 엔지니어링 참조
결정 노드 아래의 모델 계층: 브랜드별 행동 모델(각 구성원의 행동 방식을 나타내는 이벤트 시퀀스 모델)과 이를 실행하는 디지털 트윈 계층(반사실적 시뮬레이션 및 가상 연구 패널). 이 페이지에서는 통합자가 실제로 접근할 수 있는 부분, 즉 입력 이벤트, 서비스 제공 여부를 결정하는 게이트, 출력 결과가 표시되는 표면, 그리고 패널을 구동하는 MCP 도구에 대해 설명합니다.
아래의 관리형 읽기 전용 REST 엔드포인트 또는 MCP 도구를 사용하여 한 명의 회원을 예측할 수 있습니다. 다음 행동 예측 결과와 개인 맞춤 구매 기간은 명확한 가용성 및 권한 확인 절차를 거쳐 동일한 응답을 제공합니다. 이벤트는 기존 통합 인터페이스를 통해 입력되며, 세그먼트, 회원 프로필, 유사 고객, 전송 시간 최적화 및 합성 패널에서 추가 출력을 확인할 수 있습니다.
한 구성원 예측은 테넌트 퓨전 헤드가 준비되면 소비자 신호와 브랜드 수요 컨텍스트를 결합하여 다음 행동과 개인 구매 창을 반환합니다.
대화형 예시
모든 상태 및 수치는 가상 예시이며, 실제 예측이나 작업 공간 준비 상태를 나타내는 것이 아닙니다. 고객 데이터는 전송되지 않습니다.
행동 예측은 계속 사용할 수 있습니다. 구매 기간은 브랜드의 퓨전 헤드가 학습 및 검증될 때까지 사용할 수 없습니다.
이 예에서 지원되는 4개의 이벤트에 대한 최종 분포입니다. 다음 사건 확률은 보정되지 않았습니다.
| 다음 이벤트 | 개연성 |
|---|---|
| 구입 | 37% |
| 포털 방문 | 28% |
| 이메일 클릭 | 21% |
| 쿠폰 교환 | 14% |
전송된 이메일은 예측 대상이 아닌 입력 컨텍스트 이벤트입니다. 확률은 null입니다. 지원되지 않거나 공개되지 않은 기타 이벤트도 계속 사용할 수 없습니다.
개인별 CWM 신호와 TimesFM 브랜드 수요 컨텍스트를 활용합니다.
최소 한 번 구매 가능성. 이러한 기간은 누적되므로 합산하거나 이벤트 분포에 포함시키지 마십시오.
한 회원의 요청이 배포를 반환합니다. purchaseWindows 함께.
curl --request GET \
"https://YOUR_API_HOST/api/v2/cwm/members/YOUR_MEMBER_UUID/next-behaviors" \
--header "Authorization: Bearer YOUR_API_KEY"{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/call",
"params": {
"name": "cwm_predict_next_behaviors",
"arguments": {
"member_id": "YOUR_MEMBER_UUID"
}
}
}API 호스트, 멤버 UUID 및 API 키를 작업공간 값으로 바꿉니다.
필수 접근 권한 · predictions:read는 동작을 반환합니다. 또한 모델이 준비되면 구매 기간을 설정하려면 metrics:read(또는 *) 권한을 부여하십시오.
합성 발췌문만 제공됩니다. 브랜드 모델 응답에는 전체 이벤트 카탈로그 및 적용 범위 메타데이터가 포함됩니다. 공개 사전 참조는 별도의 6개 클래스 어휘를 사용합니다.
{
"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"
]
}합성 데이터 · TimesFM 2.5
128일간의 가상 과거 데이터를 기반으로 한 예측 예시입니다. 최근 패턴과 향후 일일 수요 및 분위수를 비교해 보세요.
합성 수요 단위
| 날짜(UTC) | 포인트 예측 | 10분기~90분기 |
|---|---|---|
| 2026-10-05 | 22.9 | 22.8–23.0 |
| 2026-10-06 | 21.3 | 21.2–21.4 |
| 2026-10-07 | 18.7 | 18.6–18.8 |
| 2026-10-08 | 17.1 | 17.0–17.1 |
| 2026-10-09 | 17.7 | 17.6–17.7 |
| 2026-10-10 | 20.0 | 20.0–20.1 |
| 2026-10-11 | 22.3 | 22.3–22.4 |
| 2026-10-12 | 22.9 | 22.9–22.9 |
| 2026-10-13 | 21.3 | 21.2–21.3 |
| 2026-10-14 | 18.7 | 18.6–18.7 |
| 2026-10-15 | 17.1 | 17.0–17.2 |
| 2026-10-16 | 17.7 | 17.6–17.7 |
| 2026-10-17 | 20.0 | 19.9–20.1 |
| 2026-10-18 | 22.4 | 22.3–22.4 |
| 2026-10-19 | 22.9 | 22.8–23.0 |
| 2026-10-20 | 21.3 | 21.2–21.4 |
| 2026-10-21 | 18.7 | 18.6–18.7 |
| 2026-10-22 | 17.1 | 17.0–17.1 |
| 2026-10-23 | 17.7 | 17.6–17.7 |
| 2026-10-24 | 20.0 | 19.9–20.0 |
| 2026-10-25 | 22.3 | 22.3–22.4 |
| 2026-10-26 | 22.9 | 22.8–22.9 |
| 2026-10-27 | 21.3 | 21.2–21.3 |
| 2026-10-28 | 18.7 | 18.6–18.7 |
| 2026-10-29 | 17.1 | 17.0–17.2 |
| 2026-10-30 | 17.7 | 17.6–17.7 |
| 2026-10-31 | 20.0 | 20.0–20.1 |
| 2026-11-01 | 22.4 | 22.3–22.4 |
| 2026-11-02 | 22.9 | 22.8–22.9 |
| 2026-11-03 | 21.3 | 21.2–21.3 |
TimesFM 2.5 가중치로 생성된 합성 예입니다. 예측은 2026-10-05 (UTC)에 시작됩니다. 데모 날짜는 정해져 있습니다. Quantile 적용 범위는 보정되지 않았습니다. 값은 고객의 수요나 개별 구매 확률을 나타내지 않습니다.
최종 확률 분포 및 순위를 받습니다. 평가된 브랜드 모델이 우선 적용되며 최대 23개의 타겟을 포함합니다. 해당 모델을 사용할 수 없는 경우, 내부 공개 사전 모델이 6개 클래스로 구성된 단일 참조 모델을 생성합니다. 지원되지 않는 이벤트와 컨텍스트 전용 이벤트는 사용할 수 없습니다.
동일한 회원 응답에 자동으로 포함되는 기능: 임차인 전용 경량 헤드는 CWM 신호와 TimesFM 브랜드 트렌드를 결합합니다. 준비된 헤드는 바로 서비스를 제공하며, 교육이나 평가가 부족한 경우 구매 기간만 활용할 수 있습니다.
TimesFM 2.5 서비스가 구성되어 있고 일일 기록이 완료된 경우, 최대 90일 동안의 매출, 주문 또는 판매량을 예측하고, 점 추정치와 9개의 분위수를 제공합니다.
다음 이벤트 확률은 지원되는 후보에 대해 합계가 100%이며 보정되지 않았습니다. 구매 기간은 7/30/90일 이내에 최소 한 번의 구매를 예측하며 누적되며 이벤트 클래스로 정규화되지 않습니다. 경과된 침묵은 이벤트 벡터에 포함되지 않습니다. 공개 사전 참조는 작업 공간 유효성 검사를 통과하지 못했습니다.
수요 분위수는 총체적인 불확실성을 나타내는 지표이며, 개별 구매 구간이 아니며 보정되지 않았습니다. 누락된 데이터는 여전히 사용할 수 없습니다. 자체 평가 전에는 정확도 향상에 대한 어떠한 보장도 제공되지 않습니다.
# 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_windows구매 확률은 0~1 단위와 누적 단조 윈도우를 사용합니다. 학습 및 검증이 완료될 때까지 응답에는 다음과 같은 확률이 포함됩니다: {"7":null,"30":null,"90":null} 및 보정됨: false. 기존의 CWM 0~100 범위의 점수는 의미를 유지합니다. 종합 예측은 UTC 기준 하루 동안 1점과 10분기부터 90분기까지의 데이터를 반환하며, 누락된 일별 데이터는 0으로 채워지지 않습니다. 카테고리 이름에는 다음이 필요합니다. catalog_gmv 또는 units_sold초안 입력 지표가 공개됩니다. 테넌트 및 멤버 인증은 서버 측에서 이루어집니다. 준비 상태를 구분합니다. service_unavailable, awaiting_training, awaiting_validation 준비 완료. TimesFM 2.5 가중치는 Apache 2.0을 사용합니다.
다음 행동 반응 사용 predictionKind: next_event 및 단위: probability_0_1한 가지 대응 방안에는 유통 및 purchaseWindows개별 전문가 결과는 내부용입니다. 구매 융합은 메트릭 접근이 허용되면 자동으로 실행됩니다. 검증된 테넌트 헤드는 누적 7/30/90일 확률을 제공합니다. 권한, 교육, 검증 또는 입력이 누락되면 모든 창이 닫힙니다. null 명확한 이유가 있습니다. 사용 가능한 행동 예측은 계속 읽을 수 있습니다. 이러한 창은 다음 이벤트 분포와 합산되지 않습니다. 브랜드 모델의 행에는 48개의 표준 이벤트가 모두 포함됩니다. 26개는 소비자 행동이고, 39개는 시퀀스 어휘에 포함되며, 23개는 예측 목표 상한입니다. 활성 평가 세대에서 지원하는 후보만 확률이 부여됩니다. 다른 모든 행에는 확률이 있습니다. null 그리고 명시적인 가용성. 기존 입력 빈도 범위는 코퍼스 존재 증거로서 미약하며 출처가 가려진 태그 대상을 인증할 수 없습니다. 새로운 스냅샷은 검증 멤버와 가려진 행을 제외하고 최적화 프로그램 학습 기간의 긍정적인 대상을 사용합니다. 최종 분포에는 순위가 포함됩니다. entropyBits, retainedModelMass, coverageBasis, modelVersion 그리고 보정됨: false사용 가능한 검증된 브랜드 모델은 다른 전문가 의견을 요청하지 않고 직접 사용됩니다. 그렇지 않은 경우, 유효한 공개 사전 분포는 내부적으로 동일하게 평균화되어 하나의 저하된 pv/fav/cart/buy/rmcart로 통합됩니다. buy_disc 참조. 집계는 구별됩니다 single_tenant_model 출처 uniform_valid_experts어휘는 후보 키 공간을 식별합니다. 두 어휘는 절대 혼합되지 않습니다. 균일 참조는 학습된 다중 클래스 게이트가 아니며 테넌트 검증을 거치지 않았습니다. 공개 클래스 학습 범위는 검증되지 않았습니다. 반올림된 0의 질량은 클래스 학습이 없음을 증명하지 않습니다. 이 엔드포인트는 다음을 필요로 합니다. predictions:read; purchaseWindows 추가적으로 필요한 것 metrics:read 또는 *. 측정 권한이 없으면 구매 구성 요소가 보고됩니다. metrics_scope_required 측정이나 융합 호출은 수행하지 않습니다. 상태는 획득한 구성 요소가 모두 충족될 때만 '정상'이고, 부분/참조 결과일 경우 '저하'이며, 둘 다 충족되지 않을 경우 '사용 불가'입니다. 개인 외부 처리 전에 저장소 액세스 및 실시간 처리 자격이 재확인되며, 증거가 불충분한 경우 '사용 불가'로 유지됩니다. 하나의 요청은 실시간 정보를 공유합니다. CWM 행동 및 구매 관련 모든 영역에 걸쳐 내부적으로 지문 인식을 적용합니다.
이 모델은 통합 기능에서 이미 생성되는 회원 이벤트 스트림(REST API v2(주문, 회원), 웹 및 포털 추적, POS/영수증 캡처, 로열티 및 쿠폰 활동)을 기반으로 학습합니다. 이벤트는 학습에 들어가기 전에 정책 방화벽이 있는 관리 카탈로그를 통과해야 합니다. 방화벽은 관례가 아닌 파이프라인에서 적용됩니다.
구매, 영수증, 포인트 적립/사용, 등급 변경, 쿠폰 청구/사용, 이메일 열람/클릭, 푸시 알림 열람, 포털 방문/클릭, 매장 체크인. 모든 이벤트 유형은 카탈로그에 명시적으로 추가됩니다. 새로운 이벤트 유형은 자동으로 학습되지 않습니다.
모델 자체가 다시 쓰는 모든 항목(자체 태그 및 점수)은 제외됩니다. 모델은 자체 출력에서 학습하면 안 됩니다. 메시지 내용과 자유 텍스트는 훈련에 포함되지 않습니다. 모델은 회원이 클릭했다는 사실을 학습하지만 메시지 내용은 전혀 학습하지 않습니다.
처리 제한(GDPR 제18조)이 적용되는 회원은 엔드 투 엔드 교육에서 제외되며, 삭제된 회원의 데이터(임베딩 포함)는 삭제 과정 자체에서 제거됩니다.
통합업체를 위한 실질적인 결과: 이벤트 피드가 더 풍부하고 깔끔할수록(올바른 회원 신원 확인, 정직한 타임스탬프) 모델이 더 좋습니다. 별도의 "교육 업로드"가 없습니다. REST API 및 웹 추적을 참조하세요.
브랜드 모델은 테넌트별로 결정론적으로 학습되며(동일 데이터 ⇒ 동일 모델, 버전 관리), 해당 브랜드의 자체 비축 데이터에서 투명한 기준선을 충족한 후에만 제공합니다. 하위 소비자들은 모델을 직접 읽지 않고, 단일 제공 조건자를 거칩니다.
만약 어떤 단계라도 실패한다면(모델이 아직 자리를 확보하지 못했거나, 브랜드가 점수 계산을 일시 중단했거나, 모델이 오래되어 버린 경우 등), 모든 소비자는 투명 상자 예측 모델로 되돌아가거나 (유사 모델의 경우처럼) 빈 상태로 돌아갑니다. 그 어떤 것도 0으로 채워지거나 가장하지 않습니다. 임베딩이 없는 회원은 대체 경로를 통해 처리되며, 모델에 추가되지 않습니다.
브랜드가 인식하는 라이프사이클
정직하게 교육하기에는 이력이 부족합니다. 아무것도 도움이 되지 않습니다.
훈련 후, 검증되지 않은 현실을 기반으로 기준선 대비 테스트 진행 중
기준선 초과 달성 - 임베딩 및 예측 기능 제공
스코어링이 중단되거나 모델이 만료되면 자동으로 대체됩니다
아래 멤버 및 세그먼트 표면에서 세 가지 기존 출력 패밀리를 사용할 수 있습니다. 위의 관리형 REST 또는 MCP 예측 인터페이스를 사용하여 통합된 다음 이벤트 배포 및 구매 기간을 설정하세요.
구성원별 행동 지문은 전체 이벤트 시퀀스에서 학습됩니다. 이는 최근접 이웃 유사도 기능을 강화합니다. 행동이 있는 모든 구성원은 행동 지문을 가지므로 태그가 필요하지 않습니다.
회원별 구매 임박도 및 이탈 임박도(0~100)는 행동 변화에 따라 갱신됩니다. "구매 임박도(예상 다음 이벤트, 0~100)"와 같은 세그먼트 조건과 회원 프로필에 표시됩니다.
AI 에이전트는 관리되는 MCP 서버를 통해 디지털 트윈의 리서치 패널을 운영할 수 있습니다. 위의 읽기 전용 예측 도구와 함께 실시간 매니페스트에서 그대로 가져온 네 가지 패널 도구는 다음과 같습니다.
list_synthetic_scenarios
((없음))
합성 패널 시뮬레이션 시나리오 목록과 각 시나리오의 실제 사용성 한계, 신뢰도 상한, 입력 필드를 나열하십시오. 먼저 유형을 선택하십시오. metrics:read 권한이 필요합니다.
run_synthetic_panel
(segment_id종류, 필드)
합성 패널을 실행합니다. 특정 세그먼트의 익명화된 디지털 트윈이 자극에 반응하여 정확한 방향성 보고서(실제 절대 수치는 아님)를 생성합니다. 폴링에 사용할 run_id를 반환합니다. 일일 실행 제한이 있으며, 생성되는 트윈은 최대 50개입니다. synthetic:write 권한이 필요합니다.
get_synthetic_report
(run_id)
합성 패널 실행에 대한 고정된 정직한 보고서를 읽어보세요. 방향성 분석, 신뢰도 상한선, 억제 플래그, 테마 등을 확인할 수 있습니다. blockReason 준비되지 않은 경우. 필요합니다. metrics:read.
get_synthetic_calibration
((없음))
브랜드의 합성 패널 보정(과거 합성 예측의 적중률 대 실제 결과, 백테스트가 존재할 때까지 null). metrics:read 권한이 필요합니다.
일반적인 흐름
list_synthetic_scenarios → 종류를 선택하고 사용성 한계를 확인하세요run_synthetic_panel(segment_id, kind, fields) → run_id // synthetic:write가 필요합니다get_synthetic_report(run_id) → 방향성 읽기 · 신뢰도 상한 · 억제 · 테마 — 또는 blockReasonget_synthetic_calibration() → 브랜드의 히트율과 실제 결과 비교 (null 백테스트가 완료될 때까지)설계 계약 조건: 실행 횟수 제한(일일 실행 횟수 상한, 실행당 쌍둥이 50개 이하); 보고서는 다음과 같습니다. 방향성을 나타내는 숫자이지 절대적인 숫자가 아닙니다.정직성 검증(패널 붕괴, 아첨, 표본 크기 부족)에 실패한 실행은 다음과 같은 결과를 가져옵니다. blockReason 또는 긍정적인 결과 대신 억제 플래그가 표시되는 경우, 이는 최종 결과로 간주하고 재시도할 수 없습니다. 사람이 실행을 시작하든 에이전트가 실행을 시작하든 동일한 제한 및 규칙이 적용됩니다. 설정, 인증 및 범위: MCP 통합 가이드.
테넌트당 하나의 모델만 사용 가능하며, 해당 테넌트의 구성원 데이터만을 기반으로 학습됩니다. 브랜드 간에는 어떠한 데이터도 공유되지 않습니다.
동일한 데이터는 동일한 모델을 생성하며, 모든 점수는 해당 점수를 생성한 모델 버전으로 추적 가능합니다.
구성원 삭제는 정리 일정이 아닌 삭제 트랜잭션의 일부로 교육 데이터와 포함을 삭제합니다.
유효 기간이 지난 임베딩은 정기적으로 삭제되며, 오래된 모델은 자동으로 서비스 제공이 중단됩니다.