行为模型。
它学习会员的实际行为——而不是他们应该如何按照某个细分群体设定的行为。
段描述来自外部的成员。该模型从他们自己的行为中学习他们。
一个紧凑的行为模型，基于您会员的专属事件流（访问、购买、积分、打开、点击等数十种受管事件类型）进行训练。该模型从事件流中学习每个会员的，并实时监测：购买或流失，以及发生的时间。每个品牌一个模型，绝不合并。
一名成员的事件流
指纹
行为模式
下一步是什么
购买与流失概率
什么时候
截止时间 · 参与时长
每个品牌一个模型 · 仅使用您的会员数据进行训练 · 绝不与其他数据合并
为何采用模型
属性告诉你一个人是谁。行为告诉你他们会做什么。
规则失效
“90 天内购买 3 次”这条规则在你写下它的时候确实有效。但会员会发生变化，规则却不会。一个经过学习的模型会随着每个事件更新，而不是等待有人重新调整阈值。
平均值隐藏用户身份
细分市场平均数据显示，这类会员每 40 天购买一次。而这位会员每 12 天（或 80 天）购买一次。基于会员的预测取代了千篇一律的细分市场猜测。
相似者需要的不仅仅是人口统计数据
“同龄，同城”寻找长相相似的人。行为指纹可以找到行为相似的人——相同的访问节奏、类别和反应。这就是预测价值的东西。
它是如何构建的
有意精简。
这并非一个读取了整个互联网的庞大基础模型。它是一个紧凑型行为模型——刻意保持小巧，以便每个品牌都能负担得起：仅使用您的数据进行训练，随着您的用户群变化进行重新训练，并且成本足够低，可以持续进行验证，而不是每季度一次。
规模小也意味着可追溯性。训练是确定性的——相同的数据生成相同的模型，位对位——并且每个模型都有版本号，因此任何成员的任何分数都可以追溯到生成它的确切模型。当审计员、监管机构或您自己的团队询问“为什么是这个number？”时，都有答案。
当模型错误时——每个模型有时都是错误的——规模较小且针对每个品牌意味着爆炸半径是一个品牌的预测，通过不断的重新验证来捕捉，其背后有玻璃盒数学。不是一个同时悄悄地为每个人漂移的共享模型。
| 共享的“大型模型” | Flash 行为模型 | |
|---|---|---|
| 学习成果 | 每个人的客户，汇集在一起 | 您的会员活动——专属于您 |
| 可重现 | 几乎无法追踪。 | 确定性和版本化——相同的数据，相同的模型 |
| 重新训练 | 根据供应商的日程安排 | 随着您的用户群不断发展——成本低廉，可轻松保持最新状态 |
| 何时出错 | 默默漂流，为大家 | 通过重新验证发现问题；回退到传统的计算方式 |
诚信之门
模型必须依靠您的数据来证明其价值。
每个品牌的模型都会使用该品牌自身预留的透明基准数据进行测试——这些数据是模型在训练过程中从未见过的行为。只有当模型预测效果确实更佳时，才会正式上线。在此之前，平台会运行在…… 玻璃盒子数学 — 它从不伪造自己没有的模型。
测试永不停歇：随着您的用户群不断发展，模型会持续进行重新验证。如果模型不再符合要求，下游功能将自动回退。不会出现静默降级，也不会出现黑盒漂移。
它从中学到什么
受控的行为目录 — 并非它能看到的所有内容。
该模型基于精心整理的行为事件目录进行训练。每种事件类型都被明确允许——有些事件类型则被有意排除，因为一个自信地学习错误知识的世界模型还不如没有模型。
商业
忠诚度
互动
商店
禁止训练——受策略限制。
无反馈循环
模型本身写回的任何内容（它自己的标签、它自己的分数）都被禁止进入其训练数据。一个从自己的输出中学习的模型最终会与自己达成一致；这个不行。
行为，永不满足
它学习的是会员的点击行为，而不是消息内容、自由文本或会员编写的任何内容。该模型识别的是节奏，而非文字。
限制即限制
行使限制处理权的成员将被排除在端到端训练之外——此规则在流程中强制执行，而非通过政策文件。
隐私，机器强制执行
一个尊重会员的会员模型。
只属于你一个人
每个品牌使用一个模型，该模型仅基于该品牌的成员进行训练。您的模型永远不会学习其他任何人的数据库——也不会训练他们的数据库。
根据请求遗忘
当会员被删除时，他们的数据也会从模型中移除——清除和重新训练是删除机制本身的一部分，而不是事后手动添加的。
仅受监管的事件
该模型基于受控的行为事件目录进行训练，而非基于自由文本、消息内容，也绝不会基于会员要求您限制的数据。
另一半世界模型在此基础上向前发展——数字孪生 →
产品内
您将在四个地方看到它。
没有“模型控制台”可以照顾。该模型的读取表面位于您的团队已经使用的工具中：
会员简介
每个会员页面都包含实时信息：下次购买概率、流失风险、预计时间——以及计算这些数据所依据的事实。
会员 →细分构建器
模型输出是目标字段：按照购买概率、流失风险或预测时间建立受众，就像按层过滤一样。
细分市场 →相似的观众
拥有经过验证的成员的种子；指纹可以找到行为上最近的邻居——受众是根据证据而不是人口统计数据来扩展的。
广告受众 →代理商简报
当SoClaw权衡赢回时，它推理的摘要已经包含模型的含义：风险、风险价值、时机。
SoClaw →一项活动，一个循环周期 — 无需导出，无需过夜批次，无需手动重新评分。
该模型读取会员资料、细分市场以及代理推理中的信息。
相关阅读
继续浏览与此页面最相关的页面。
智能决策
最佳行动建议：谁、哪个优惠、哪个渠道、何时。
了解更多 功能仪表板
实时扫描兑换数据，包括 KPI 趋势、转化漏斗诊断、规则 + LLM 最佳行动建议面板，以及按注册用户群体划分的留存曲线和 14 天收入预测（该预测仅为预测，并非承诺）。
了解更多 功能业务目标
将任何受管控的 KPI 转变为对某人负责的运营目标。将一个目标分解在跨两个轴的单个父子树上 - 时间（年 → 季度 → 月）和组织（公司 → 商店区域 → 商店） - 然后让实际值自动从仪表板读取的相同口径的实际订单中汇总，并显示红色/黄色/绿色状态、进度预测以及目标偏离轨道时的警报。
了解更多 功能SoTag 代表 Slack
Slack 代理将受监管、已审计的数据传递给 Claude 线程内处理：每日异常扫描 + 人工审核优惠券发送。抢先体验。
了解更多 功能SoClaw — 雇佣您的 AI 员工
为您的会员忠诚度计划招聘 AI 员工——这些自主代理各自承担一项实际工作：忠诚度经理负责挽回流失客户，订单经理负责清理收据和订单审核队列，风险经理负责保护积分免受欺诈，营销经理负责将目标转化为可执行的营销活动。每个代理在您设定的权限范围内一次处理一个案例，并记录每个决策；您可以像管理团队一样管理他们，设定目标、预算、任务和反馈。默认关闭，有使用上限，可立即暂停。抢先体验。
了解更多 功能Socialhub Harness — 企业代理运行时
语言模型可以描述您的工作；但它本身无法可靠地完成这项工作——无法基于您的数据、使用您的工具、以相同的方式两次完成多步骤任务。Socialhub Harness 运行时弥补了这一差距。从市场营销、忠诚度管理、风险管理到会员服务专员以及所有幕后助手，每个人工智能都是一个结构化的蓝图（包含模型、上下文、技能、工具和数据），运行时会执行该蓝图：它为智能体奠定基础，将其技能组合成有序步骤，驱动工具，并返回可复现的结果。由于每个操作都通过同一个运行时运行，因此也具备了控制权——40 多个受管控的参与者、一个仅追加的事件日志（带有运行 ID 和蓝图版本标记）以及五项始终开启的安全防护措施。运行时是人工智能运行的基础；而统一的运行时则让您免费获得治理功能。
了解更多