CWM — Consumer World Model · ความเข้าใจผู้บริโภค · แกนหลัก
วิเคราะห์พฤติกรรม สัญญาณผู้บริโภค และค้นหากลุ่มที่คล้ายกัน ผ่านเวิร์กสเปซ API หรือ MCP
บัญชี CWM ใหม่รับเครดิตต้อนรับ 500,000 เครดิต
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.
ดูพฤติกรรมที่เกิดขึ้น สถานะผู้บริโภค และสัญญาณจากโมเดลมาตรฐาน เช่น การซื้อ การไม่มีกิจกรรมนาน และการลบสินค้าออกจากตะกร้า พร้อมข้อมูลที่ขาดและขอบเขตของแต่ละสัญญาณ
สำรวจกลุ่มที่มีพฤติกรรมคล้ายกัน การจัดกลุ่ม และพฤติกรรมผิดปกติ ความคล้ายช่วยในการศึกษา แต่ไม่ได้รับประกันอัตราการเปลี่ยนเป็นลูกค้า
ใช้ CWM ผ่านคอนโซล REST API หรือ MCP ในแอปหรือไคลเอนต์ AI โดยใช้คีย์ที่จำกัดสิทธิ์เพื่อควบคุมการเข้าถึงเวิร์กสเปซ
การวิเคราะห์ต้องใช้รูปแบบข้อมูลที่รองรับและประวัติพฤติกรรมที่เพียงพอ ระบบระบุสัญญาณที่ใช้ไม่ได้อย่างชัดเจน บัญชีใหม่ไม่มีข้อมูลลูกค้าหรือผลคาดการณ์
ดูการวิเคราะห์ในคอนโซล หรืออนุญาตให้แอปและไคลเอนต์ AI สอบถาม CWM นำเข้าข้อมูลที่รองรับ สร้างคีย์ที่จำกัดสิทธิ์ และดูคำสั่งที่มีในเอกสารสาธารณะ
ดูเอกสาร API และ MCP →บัญชีใหม่ได้รับเครดิต การทำงานที่เข้าเงื่อนไขจะหักเครดิตตามอัตราที่ประกาศ ซื้อเครดิตเพิ่มและดูยอดคงเหลือกับประวัติการใช้งานได้ในเวิร์กสเปซ
สมัครด้วยอีเมลและรหัสผ่านหรือ Google พร้อมยอมรับข้อตกลงผู้ใช้ CWM ระบบแสดงพื้นที่ให้บริการระหว่างการสมัคร
ลองใช้ CWM →การจำลองพฤติกรรม ดิจิทัลทวิน การตรวจสอบโมเดลรายแบรนด์ และการจำลองสถานการณ์ อธิบายแยกจากคำสั่งมาตรฐานที่ใช้ได้ในเวิร์กสเปซแบบบริการตนเอง
CWM / Harness / Loop Marketing
ความเข้าใจผู้บริโภค · แกนหลัก
Consumer World Model
วิเคราะห์พฤติกรรม สัญญาณผู้บริโภค และค้นหากลุ่มที่คล้ายกัน ผ่านเวิร์กสเปซ API หรือ MCP
สำรวจ CWM →การทำงานของ AI · รันไทม์
SocialHub Harness
ให้บริบท ทักษะ และเครื่องมือแก่ AI เพื่อทำงานภายในสิทธิ์ งบประมาณ และกฎการตรวจสอบ
สำรวจ Harness →ผลลัพธ์การตลาด · แอปพลิเคชัน
Agentic Retention Loop
เก็บพฤติกรรม ตัดสินใจ ดำเนินงานข้ามช่องทาง และสะสมความภักดี พร้อมส่งผลลัพธ์สู่รอบถัดไป
สำรวจ Loop Marketing →ผลลัพธ์ที่สังเกตได้ช่วยกำหนดรอบถัดไป การอัปเดตโมเดลขึ้นอยู่กับคุณภาพข้อมูลและการตรวจสอบ
CWM
สร้างเวิร์กสเปซ สำรวจคอนโซล และเชื่อมต่อข้อมูลผู้บริโภค ซื้อเครดิตเมื่อจำเป็นต้องใช้งานเพิ่ม
บัญชี CWM ใหม่รับเครดิตต้อนรับ 500,000 เครดิต
Harness + Loop Marketing
ดูว่าสามผลิตภัณฑ์ทำงานร่วมกับข้อมูล ช่องทาง และขั้นตอนของทีมอย่างไร
นัดชมเดโม →