CWM — Consumer World Model · فهم المستهلك · النواة
افهم السلوك وراجع الإشارات واكتشف جماهير مشابهة عبر مساحة العمل أو API أو MCP.
500,000 رصيد ترحيبي لكل حساب CWM جديد
One member prediction returns next behaviors and personal purchase windows, combining consumer signals with brand demand context when the tenant fusion head is ready.
Interactive example
All states and numbers are synthetic examples, not live predictions or workspace readiness. No customer data is sent.
Behavior predictions remain available. Purchase windows stay unavailable until the brand's fusion head is trained and validated.
One final distribution over this example's four supported events. Next-event probabilities are uncalibrated.
| Next event | Probability |
|---|---|
| Purchase | 37% |
| Portal visit | 28% |
| Email click | 21% |
| Coupon redemption | 14% |
Email sent is an input context event, not a prediction target. Its probability is null. Other unsupported or uncovered events also stay unavailable.
Personal CWM signals + TimesFM brand demand context.
Chance of at least one purchase. These windows are cumulative; do not add them together or to the event distribution.
One member request returns distribution and purchaseWindows together.
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"
}
}
}Replace the API host, member UUID and API key with your workspace values.
Required access · predictions:read returns behaviors. Also grant metrics:read (or *) to enable purchase windows when the model is ready.
Synthetic excerpt only. Brand-model responses also include the full event catalog and coverage metadata; public-prior references use a separate six-class vocabulary.
{
"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"
]
}Synthetic data · TimesFM 2.5
An example forecast from 128 days of synthetic history. Compare the recent pattern with future daily demand and its quantiles.
Synthetic demand units
| Date (UTC) | Point forecast | q10–q90 |
|---|---|---|
| 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 |
Synthetic example, generated with TimesFM 2.5 weights. The forecast starts on 2026-10-05 (UTC); dates are fixed for the demo. Quantile coverage is uncalibrated. Values do not represent a customer's demand or individual purchase probabilities.
Receive one final probability distribution and ranking. The evaluated brand model takes priority, with up to 23 covered targets. When it is unavailable, internal public-prior models form a single six-class reference. Unsupported and context-only events remain unavailable.
Included automatically in the same member response: a tenant-private lightweight head combines CWM signals with TimesFM brand trends. Ready heads serve directly; missing training or evaluation leaves only the purchase windows unavailable.
Where the TimesFM 2.5 service is configured and daily history is complete, forecast revenue, orders or units sold for up to 90 days, with point estimates and nine quantiles.
Next-event probabilities sum to 100% over supported candidates and are uncalibrated. Purchase windows separately estimate at least one purchase within 7/30/90 days and are cumulative, never normalized with event classes. Elapsed silence is not conditioned in the event vector. The public-prior reference has not earned workspace validation.
Demand quantiles describe aggregate uncertainty; they are not individual purchase intervals and have not been calibrated. Missing data remain unavailable. No accuracy lift is asserted before your own evaluation.
راجع السلوك المرصود وحالة المستهلك وإشارات النموذج القياسي المتعلقة بالشراء والخمول الطويل وإزالة العناصر من السلة. يوضح النظام البيانات المفقودة وحدود كل إشارة.
استكشف التشابه السلوكي والمجموعات والسلوك غير المعتاد. يساعد التشابه على دراسة الجمهور، لكنه لا يضمن معدل تحويل.
استخدم CWM عبر لوحة التحكم أو REST API أو MCP في التطبيقات وعملاء الذكاء الاصطناعي. تتحكم المفاتيح محدودة الصلاحيات في الوصول إلى مساحة العمل.
يتطلب التحليل صيغ بيانات مدعومة وسجلًا سلوكيًا كافيًا. تُعرض الإشارات غير المتاحة بوضوح. لا يحتوي الحساب الجديد على بيانات عملاء أو تنبؤات.
راجع التحليلات في لوحة التحكم أو امنح التطبيقات وعملاء الذكاء الاصطناعي صلاحية الاستعلام من CWM. استورد البيانات المدعومة وأنشئ مفتاحًا محدود الصلاحيات وراجع العمليات المتاحة في المرجع العام.
اطّلع على مرجع API وMCP →تحصل الحسابات الجديدة على رصيد. تخصم العمليات المؤهلة نقاطًا وفق الأسعار المنشورة. اشترِ رصيدًا إضافيًا وراجع رصيدك واستخدامك داخل مساحة العمل.
سجّل بالبريد الإلكتروني وكلمة المرور أو باستخدام Google، ووافق على اتفاقية مستخدم CWM. تُعرض إتاحة الخدمة بحسب المنطقة أثناء التسجيل.
جرّب CWM →تُعرض نمذجة السلوك والتوائم الرقمية والتحقق من النماذج لكل علامة والمحاكاة بشكل منفصل عن العمليات القياسية المتاحة حاليًا في مساحة الخدمة الذاتية.
CWM / Harness / Loop Marketing
فهم المستهلك · النواة
Consumer World Model
افهم السلوك وراجع الإشارات واكتشف جماهير مشابهة عبر مساحة العمل أو API أو MCP.
استكشف CWM →تنفيذ الذكاء الاصطناعي · بيئة التشغيل
SocialHub Harness
زوّد الذكاء الاصطناعي بالسياق والمهارات والأدوات لإتمام المهام ضمن الصلاحيات والميزانيات وقواعد المراجعة.
استكشف Harness →نتائج التسويق · التطبيق
Agentic Retention Loop
اجمع السلوك وحدد الإجراء وفعّل القنوات وراكم الولاء. تغذّي النتائج الدورة التالية.
استكشف Loop Marketing →تساعد النتائج المرصودة في الدورة التالية. تعتمد تحديثات النموذج على جودة البيانات والتحقق منها.
CWM
أنشئ مساحة عمل واستكشف لوحة التحكم واربط بياناتك. اشترِ رصيدًا إضافيًا عند الحاجة.
500,000 رصيد ترحيبي لكل حساب CWM جديد
Harness + Loop Marketing
اكتشف كيف تتكامل المنتجات الثلاثة مع بياناتك وقنواتك وسير عمل فريقك.
احجز عرضًا توضيحيًا →