SocialHub.AI

Pusat Pembangun · Rujukan kejuruteraan

Consumer World Model

Lapisan model di bawah nod Decide: Model Tingkah Laku setiap jenama (model jujukan peristiwa tentang cara setiap ahli berkelakuan) serta lapisan Digital Twin yang menjalankannya ke hadapan (simulasi kaunterfaktual dan panel penyelidikan sintetik). Halaman ini merangkumi perkara yang sebenarnya boleh disentuh oleh penyepadu: peristiwa yang memberi makan kepadanya, pintu yang memutuskan sama ada ia berfungsi, permukaan tempat outputnya mendarat dan alat MCP yang memacu panel.

Gunakan titik akhir baca sahaja REST atau alat MCP yang dikawal di bawah untuk ramalan seorang ahli. Keputusan tingkah laku seterusnya dan tetingkap pembelian peribadi berkongsi respons, dengan semakan ketersediaan dan kebenaran yang jelas. Peristiwa masih masuk melalui permukaan penyepaduan biasa; output tambahan muncul dalam segmen, profil ahli, rupa yang serupa, pengoptimuman masa hantar dan panel sintetik.

Tingkah laku seterusnya, tetingkap pembelian dan konteks permintaan

Ramalan satu ahli mengembalikan tingkah laku seterusnya dan tetingkap pembelian peribadi, menggabungkan isyarat pengguna dengan konteks permintaan jenama apabila ketua gabungan penyewa sedia.

Contoh interaktif

Satu pengguna. Satu respons ramalan.

Semua keadaan dan nombor adalah contoh sintetik, bukan ramalan langsung atau kesediaan ruang kerja. Tiada data pelanggan dihantar.

Pilih contoh keadaan
Keputusan separa

Ramalan tingkah laku kekal tersedia. Tetingkap pembelian kekal tidak tersedia sehingga ketua gabungan jenama dilatih dan disahkan.

Apa yang boleh berlaku seterusnya?

Satu taburan terakhir ke atas empat peristiwa yang disokong dalam contoh ini. Kebarangkalian peristiwa seterusnya tidak dikalibrasi.

Acara seterusnyaKebarangkalian
Pembelian37%
Lawatan portal28%
Klik e-mel21%
Penebusan kupon14%
Mengapakah acara tiada?

E-mel yang dihantar ialah peristiwa konteks input, bukan sasaran ramalan. Kebarangkaliannya ialah null. Peristiwa lain yang tidak disokong atau tidak ditemui juga kekal tidak tersedia.

Adakah mereka akan membeli dalam tempoh…?

Isyarat peribadi CWM + konteks permintaan jenama TimesFM.

7 hari
Tidak Tersedia
30 hari
Tidak Tersedia
90 hari
Tidak Tersedia

Peluang sekurang-kurangnya satu pembelian. Tetingkap ini adalah kumulatif; jangan tambahkannya bersama atau pada taburan acara.

Gunakan hasil yang sama dalam aliran kerja anda

Satu permintaan ahli mengembalikan pengedaran dan purchaseWindows bersama-sama.

Terokai 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"

Gantikan hos API, UUID ahli dan kekunci API dengan nilai ruang kerja anda.

Akses diperlukan · predictions:read mengembalikan tingkah laku. Berikan juga metrics:read (atau *) untuk mendayakan tetingkap pembelian apabila model sedia.

Lihat petikan respons

Petikan sintetik sahaja. Respons model jenama juga merangkumi katalog acara penuh dan metadata liputan; rujukan awam terdahulu menggunakan perbendaharaan kata enam kelas yang berasingan.

{
  "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"
  ]
}

Data sintetik · TimesFM 2.5

Terokai trend permintaan harian

Contoh ramalan daripada 128 hari sejarah sintetik. Bandingkan corak terkini dengan permintaan harian masa hadapan dan kuantilnya.

Ufuk ramalan

Unit permintaan sintetik

Purata harian terkini
20.0
Ramalan purata harian
20.1
Jumlah ramalan
604.3
Sejarah · 28 hari terkiniRamalan titik
Permintaan sejarah dan ramalan mata masa hadapan dengan kuantil q10–q90Garisan biru laut menunjukkan 28 hari sejarah. Garisan hijau menunjukkan ufuk ramalan yang dipilih. Lorekan menunjukkan julat kuantil q10–q90. Gunakan gelangsar hari untuk memeriksa setiap ramalan.
Hari 1 · 2026-10-05
Ramalan titik
22.9
q10
22.8
q90
23.0
Lihat data ramalan harian
Tarikh (UTC)Ramalan titikq10–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
Muat turun data contoh (JSON) ↓

Contoh sintetik, dijana dengan TimesFM 2.5 pemberat. Ramalan bermula pada 2026-10-05 (UTC); tarikh ditetapkan untuk demo. Liputan kuantil tidak dikalibrasi. Nilai tidak mewakili permintaan pelanggan atau kebarangkalian pembelian individu.

Satu taburan tingkah laku seterusnya yang lengkap

Terima satu taburan kebarangkalian dan kedudukan akhir. Model jenama yang dinilai diutamakan, dengan sehingga 23 sasaran yang dilindungi. Apabila ia tidak tersedia, model pendahuluan awam dalaman membentuk rujukan enam kelas tunggal. Peristiwa yang tidak disokong dan konteks sahaja kekal tidak tersedia.

Tempoh pembelian 7 / 30 / 90 hari

Disertakan secara automatik dalam respons ahli yang sama: kepala ringan penyewa-persendirian menggabungkan isyarat CWM dengan trend jenama TimesFM. Kepala sedia berkhidmat secara langsung; latihan atau penilaian yang terlepas hanya meninggalkan tetingkap pembelian yang tidak tersedia.

Ramalan jenama dan kategori harian

Di mana perkhidmatan TimesFM 2.5 dikonfigurasikan dan sejarah harian selesai, ramalkan hasil, pesanan atau unit yang dijual sehingga 90 hari, dengan anggaran mata dan sembilan kuantil.

Cara membaca keputusan ini

Kebarangkalian peristiwa seterusnya berjumlah 100% berbanding calon yang disokong dan tidak dikalibrasi. Tetingkap pembelian secara berasingan menganggarkan sekurang-kurangnya satu pembelian dalam tempoh 7/30/90 hari dan bersifat kumulatif, tidak pernah dinormalisasikan dengan kelas peristiwa. Kesunyian berlalu tidak dikondisikan dalam vektor peristiwa. Rujukan awam-terdahulu belum memperoleh pengesahan ruang kerja.

Kuantil permintaan menggambarkan ketidakpastian agregat; ia bukan selang pembelian individu dan belum dikalibrasi. Data yang hilang masih tidak tersedia. Tiada peningkatan ketepatan yang dinyatakan sebelum penilaian anda sendiri.

Butiran 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

Kebarangkalian pembelian menggunakan unit 0–1 dan tetingkap kumulatif dan monotonik. Sehingga dilatih dan disahkan, respons mengandungi kebarangkalian: {"7":null,"30":null,"90":null} dan dikalibrasi: falseSedia Ada CWM Skor jisim 0–100 mengekalkan maksudnya. Ramalan agregat mengembalikan satu mata dan q10..q90 setiap hari UTC yang lengkap; baldi harian yang hilang tidak diisi dengan sifar. Nama kategori memerlukan catalog_gmv atau units_sold; metrik input draf didedahkan. Kebenaran penyewa dan ahli kekal di bahagian pelayan. Kesediaan membezakan service_unavailable, awaiting_training, awaiting_validation dan bersedia. TimesFM Pemberat 2.5 menggunakan Apache 2.0.

Respons tingkah laku seterusnya menggunakan predictionKind: next_event dan unit: probability_0_1. Satu respons termasuk pengedaran dan purchaseWindows; keputusan pakar individu adalah dalaman. Gabungan pembelian dipanggil secara automatik apabila akses metrik membenarkan. Ketua penyewa yang disahkan menyediakan kebarangkalian kumulatif 7/30/90 hari; kebenaran, latihan, pengesahan atau input yang hilang meninggalkan semua tetingkap null dengan sebab yang jelas. Ramalan tingkah laku yang tersedia kekal boleh dibaca. Tetingkap ini tidak dijumlahkan dengan pengedaran peristiwa seterusnya. Baris model jenama merangkumi semua 48 peristiwa standard: 26 ialah tingkah laku pengguna, 39 memasuki perbendaharaan kata jujukan dan 23 ialah siling sasaran ramalan. Hanya calon yang dilindungi yang disokong oleh generasi aktif yang dinilai menerima kebarangkalian; semua baris lain mempunyai kebarangkalian: null dan ketersediaan yang jelas. Liputan frekuensi input legasi adalah bukti kehadiran korpus yang lebih lemah dan tidak dapat mengesahkan sasaran tag bertopeng asal. Gambaran ringkas baharu menggunakan sasaran positif daripada tetingkap latihan pengoptimum, tidak termasuk ahli pengesahan dan baris bertopeng. Taburan akhir termasuk rank, entropyBits, retainedModelMass, coverageBasis, modelVersion dan calibrated: false. Model jenama yang tersedia dan dinilai digunakan secara langsung tanpa meminta output pakar alternatif. Jika tidak, taburan public-prior yang sah diratakan secara sama rata secara dalaman menjadi satu rujukan pv / fav / cart / buy / rmcart / buy_disc yang terdegradasi. agregasi membezakan single_tenant_model daripada uniform_valid_experts; perbendaharaan kata mengenal pasti ruang kunci calon. Kedua-dua perbendaharaan kata tidak pernah dicampur. Rujukan seragam bukanlah get berbilang kelas yang dipelajari dan tidak disahkan oleh penyewa; liputan latihan kelas awam tidak disahkan. Jisim sifar bulat tidak membuktikan tiada latihan kelas. Titik akhir ini memerlukan predictions:read; purchaseWindows juga memerlukan metrics:read atau *. Tanpa kebenaran metrik, komponen pembelian melaporkan metrics_scope_required dan tidak membuat panggilan metrik atau gabungan. Status hanya ok apabila kedua-dua komponen yang diperoleh disiarkan, terdegradasi untuk keputusan separa/rujukan dan tidak tersedia apabila kedua-duanya tidak disiarkan. Akses kedai dan kelayakan pemprosesan langsung disemak semula sebelum pemprosesan luaran peribadi; bukti yang tidak mencukupi masih tidak tersedia. Satu permintaan berkongsi cap jari langsung CWM secara dalaman merentasi tingkah laku dan kepala pembelian.

1 · Apa yang memberinya makan

Latihan model pada strim peristiwa ahli yang telah dihasilkan oleh integrasi anda — REST API v2 (pesanan, ahli), penjejakan web & portal, penangkapan POS/resit, kesetiaan dan aktiviti kupon. Peristiwa melepasi katalog yang dikawal oleh dengan tembok api dasar sebelum ia boleh memasuki latihan; tembok api dikuatkuasakan dalam perancangan, bukan mengikut konvensyen.

Diterima: peristiwa tingkah laku

Pembelian, resit, mata yang diperoleh/ditebus, perubahan peringkat, tuntutan/penebusan kupon, pembukaan/klik e-mel, pembukaan tolak, lawatan/klik portal, daftar masuk kedai. Setiap jenis acara dimasukkan secara eksplisit ke dalam katalog — jenis acara baharu tidak dilatih secara senyap.

Dihalang: maklum balas & kandungan

Apa-apa sahaja yang ditulis semula oleh model itu sendiri (tag dan skornya sendiri) dikecualikan — model tidak boleh belajar daripada outputnya sendiri. Kandungan mesej dan teks bebas tidak pernah memasuki latihan: model mengetahui bahawa ahli mengklik, tidak pernah apa yang dikatakan oleh mesej itu.

Dihalang: ahli terhad

Ahli di bawah sekatan pemprosesan (GDPR Perkara 18) dikecualikan daripada latihan dari hujung ke hujung, dan data ahli yang dipadamkan — termasuk penyematannya — dialih keluar sebagai sebahagian daripada jentera pemadaman itu sendiri.

Akibat praktikal untuk penyepadu: lebih kaya dan lebih bersih suapan acara anda (resolusi identiti ahli yang betul, cap masa yang jujur), lebih baik modelnya — tiada "muat naik latihan" yang berasingan. Lihat REST API dan Penjejakan Web.

2 · Gerbang kejujuran & predikat penyajian

Model jenama dilatih setiap penyewa, secara deterministik (data yang sama ⇒ model yang sama, versi), dan ia hanya berkhidmat selepas mengatasi garis dasar telus pada data jenama itu sendiri yang ditahan. Pengguna hiliran tidak pernah membaca model secara langsung — mereka melalui predikat penyajian tunggal:

hidang = verified_win ∧ not_paused ∧ not_stale

Jika mana-mana bahagian gagal — model belum mendapat tempatnya lagi, jenama berhenti memberi skor, atau model telah menjadi basi — setiap pengguna kembali kepada model ramalan kotak kaca (atau keadaan kosong yang jujur, dalam kes yang serupa). Tiada apa yang pernah diisi sifar dan tiada apa yang berpura-pura: ahli tanpa penyematan dilayan oleh laluan sandaran, tidak pernah ditambah ke dalam model.

Kitaran hayat yang dilihat oleh jenama

Mengumpul data

sejarah tidak mencukupi untuk dilatih dengan jujur ​​— tiada apa yang berguna

Membandingkan mingguan

dilatih, diuji terhadap garis dasar realiti yang ditangguhkan

Aktif

melepasi garis dasar — ​​penyematan & ramalan berfungsi

Dijeda / basi

pemarkahan berhenti atau model menjadi tua — sandaran automatik

3 · Output dan tempat ia muncul

Tiga keluarga output sedia ada tersedia dalam permukaan ahli dan segmen di bawah. Gunakan antara muka ramalan REST atau MCP yang dikawal di atas untuk tetingkap pengedaran dan pembelian peristiwa seterusnya yang disatukan.

Pembenaman ahli

Cap jari tingkah laku setiap ahli, yang dipelajari daripada keseluruhan urutan peristiwa mereka. Memperkasakan persamaan jiran terdekat: setiap ahli yang mempunyai tingkah laku mempunyai satu — tiada tag diperlukan.

Kebarangkalian peristiwa seterusnya

Keadaan pembelian setiap ahli yang hampir dan keadaan churn yang hampir (0–100), disegarkan semula apabila tingkah laku berlaku. Didedahkan sebagai keadaan segmen — contohnya "Keadaan Pembelian (peristiwa seterusnya yang diramalkan, 0-100)" — dan pada profil ahli.

Pemasaan setiap ahli

Tetingkap pembelian seterusnya yang dijangkakan dan jam yang terlibat dalam sehari setiap ahli, daripada rentak mereka sendiri.

4 · Memandu panel sintetik ke atas MCP

Ejen AI anda boleh mengendalikan panel penyelidikan Digital Twin melalui pelayan MCP yang dikawal. Empat alat panel, kata demi kata daripada manifes langsung, di samping alat ramalan baca sahaja di atas:

list_synthetic_scenarios

((tiada))

Senaraikan senario simulasi panel sintetik dengan sempadan kebolehgunaan yang jujur, siling keyakinan dan medan input setiap satu. Hubungi dahulu untuk memilih jenis. Memerlukan metrics:read.

run_synthetic_panel

(segment_id, jenis, bidang)

Jalankan panel sintetik: kembar digital yang dinyahkenal pasti bagi sesuatu segmen bertindak balas terhadap rangsangan, menghasilkan laporan berarah yang jujur ​​(tidak pernah nombor mutlak sebenar). Mengembalikan run_id kepada tinjauan pendapat. Dibatasi oleh had larian harian + ≤50 kembar. Memerlukan synthetic:write.

get_synthetic_report

(run_id)

Baca laporan jujur ​​yang dibekukan untuk larian panel sintetik — bacaan berarah, siling keyakinan, bendera penindasan, tema — atau blockReason jika belum bersedia. Memerlukan metrics:read.

get_synthetic_calibration

((tiada))

Penentukuran panel sintetik jenama (kadar kejayaan ramalan sintetik lepas vs realiti; null sehingga ujian belakang wujud). Memerlukan metrics:read.

Aliran tipikal

  1. 1. list_synthetic_scenarios → pilih jenis + baca sempadan kebolehgunaannya
  2. 2. run_synthetic_panel(segment_id, kind, fields) → run_id // memerlukan synthetic:write
  3. 3. get_synthetic_report(run_id) → bacaan berarah · siling keyakinan · penindasan · tema — atau blockReason
  4. 4. get_synthetic_calibration() → kadar kejayaan jenama anda berbanding realiti (null sehingga ujian belakang wujud)

Kontrak kepada reka bentuk terhadap: larian dihadkan (had larian harian, ≤50 kembar setiap larian); laporan adalah berarah, tidak pernah nombor mutlak; larian yang gagal dalam semakan kejujurannya (keruntuhan panel, penjilat, sampel yang terlalu kecil) kembali dengan bendera blockReason atau penindasan dan bukannya hasil yang memuaskan — anggap ia sebagai terminal, bukan boleh dicuba semula. Had dan peraturan yang sama terpakai sama ada manusia atau ejen anda memulakan larian. Persediaan, pengesahan dan skop: MCP Panduan Integrasi.

5 · Jaminan yang boleh anda bina

Pengasingan setiap jenama

Satu model bagi setiap penyewa, dilatih hanya untuk ahli penyewa tersebut. Tiada apa-apa yang dikumpulkan merentasi jenama — dalam kedua-dua arah.

Deterministik & versi

Data yang sama menghasilkan model yang sama, sedikit demi sedikit; setiap skor boleh dikesan kepada versi model yang menghasilkannya.

Pemadaman-selesai

Pemadaman ahli memadamkan data latihan dan pembenaman mereka sebagai sebahagian daripada transaksi pemadaman — bukan pada jadual pembersihan.

Dihapuskan kekosongan

Benam yang melebihi tempoh kesegarannya dihapuskan mengikut jadual, dan model yang lapuk berhenti disiarkan secara automatik.