CWM — Consumer World Model · Tüketici anlayışı · Çekirdek
Davranışları anlayın, sinyalleri inceleyin ve benzer kitleleri çalışma alanı, API veya MCP ile bulun.
Yeni CWM hesabına 500.000 karşılama kredisi
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.
Gözlenen davranışları, tüketici durumunu ve satın alma, uzun süreli hareketsizlik ile sepetten çıkarma gibi standart model sinyallerini inceleyin. Eksik veriler ve her sinyalin sınırları belirtilir.
Davranışsal benzerlikleri, kümeleri ve anormallikleri inceleyin. Benzerlik bir kitleyi araştırmaya yardımcı olur; dönüşüm oranını garanti etmez.
Konsol, REST API veya MCP üzerinden uygulama ve AI istemcilerinde CWM kullanın. Sınırlı yetkili anahtarlar çalışma alanına erişimi kontrol eder.
Analiz için desteklenen veri biçimleri ve yeterli davranış geçmişi gerekir. Kullanılamayan sinyaller açıkça belirtilir. Yeni hesapta müşteri verisi veya tahmin bulunmaz.
Analizleri konsolda inceleyin veya uygulama ve AI istemcilerine CWM sorgulama yetkisi verin. Desteklenen verileri içe aktarın, sınırlı yetkili anahtar oluşturun ve kullanılabilir işlemler için açık referansa bakın.
API ve MCP referansını açın →Yeni hesaplar kredi alır. Uygun işlemler yayımlanan tarifelere göre kredi tüketir. Çalışma alanında ek kredi satın alabilir, bakiyenizi ve kullanımınızı inceleyebilirsiniz.
E-posta ve parola veya Google ile kaydolun ve CWM kullanıcı sözleşmesini kabul edin. Bölgesel hizmet kullanılabilirliği kayıt sırasında gösterilir.
CWM’yi deneyin →Davranış modelleme, dijital ikizler, marka bazında model doğrulama ve simülasyonlar, self servis alanında şu anda kullanılabilen standart işlemlerden ayrı açıklanır.
CWM / Harness / Loop Marketing
Tüketici anlayışı · Çekirdek
Consumer World Model
Davranışları anlayın, sinyalleri inceleyin ve benzer kitleleri çalışma alanı, API veya MCP ile bulun.
Keşfedin CWM →AI yürütme · Çalışma zamanı
SocialHub Harness
AI’a bağlam, beceriler ve araçlar sağlayın. İzinler, bütçeler ve inceleme kuralları içinde görevleri tamamlayın.
Keşfedin Harness →Pazarlama sonuçları · Uygulama
Agentic Retention Loop
Davranışı yakalayın, karar verin, kanallarda harekete geçin ve sadakat oluşturun. Sonuçları sonraki döngüye aktarın.
Keşfedin Loop Marketing →Gözlenen sonuçlar sonraki döngüye yön verir. Model güncellemeleri veri kalitesi ve doğrulamaya bağlıdır.
CWM
Çalışma alanı oluşturun, konsolu keşfedin ve verilerinizi bağlayın. Gerektiğinde ek kredi satın alın.
Yeni CWM hesabına 500.000 karşılama kredisi
Harness + Loop Marketing
Üç ürünün mevcut verilerinize, kanallarınıza ve iş akışlarınıza nasıl uyduğunu keşfedin.
Demo talep edin →