Kunden-Intelligence-Saifs KI (Vorschau)
Score customers into A/B/C/D tiers with explained CLV, risk.
Dieser Connector ist in den folgenden Produkten und Regionen verfügbar:
| Dienst | Class | Regions |
|---|---|---|
| Copilot Studio | Premium | Alle Power Automate Regionen mit Ausnahme der folgenden: - US Government (GCC) - US Government (GCC High) - China Cloud betrieben von 21Vianet - US Department of Defense (DoD) |
| Logik-Apps | Standard | Alle Logik-Apps-Regionen mit Ausnahme der folgenden Bereiche: - Azure Government Regionen - Azure China-Regionen - US Department of Defense (DoD) |
| Power Apps | Premium | Alle Power Apps Regionen mit Ausnahme der folgenden: - US Government (GCC) - US Government (GCC High) - China Cloud betrieben von 21Vianet - US Department of Defense (DoD) |
| Power Automate | Premium | Alle Power Automate Regionen mit Ausnahme der folgenden: - US Government (GCC) - US Government (GCC High) - China Cloud betrieben von 21Vianet - US Department of Defense (DoD) |
| Kontakt | |
|---|---|
| Name | Saifs AI |
| URL | https://saifs.ai/ |
| taher@saifytech.com |
| Connectormetadaten | |
|---|---|
| Herausgeber | Saifs AI |
| Website | https://saifs.ai/ |
| Datenschutzrichtlinie | https://saifs.ai/privacy_policy/customer-intelligence |
| Kategorien | Künstliche Intelligenz; Daten |
Customer Intelligence - Saifs AI
Customer Intelligence - Saifs AI ist ein Model Context Protocol (MCP)-Server, der ein Kundenkaufbuch in A/B/C/D-Ebenen mit erklärtem Kundenlebensdauerwert (CLV), Wert-at-Risk, Kontaktaufstand und einem bewerteten SAVE/GROW/VERIFY-Rep-Warteschlangen bewertet. Es übernimmt den Kaufverlauf (customer_id, date, amount) aus CSV, Excel, Tally oder CRM-Exporten und gibt ein Pro-Kunden-Ledger mit Erklärungsablaufverfolgungen zurück, sodass Vertriebsteams nach Geld priorisieren, nicht nur Etiketten.
Publisher: Saifs AI
Voraussetzungen
- Zugriff auf Microsoft Copilot Studio (oder eine andere unterstützte Microsoft Agentoberfläche)
- Berechtigung zum Erstellen von Agents und Hinzufügen von MCP-Tools
- Ein Saifs AI-Konto zum Abschließen der Verbindungsanmeldung
- Ein Einkaufsexport mit einer Zeile pro Transaktion, die mindestens Folgendes enthält:
-
customer_id(oder gleichwertig: AccountId, Party Name und ähnliche Aliase) -
date(oder gleichwertig: invoice_date, Rechnungsdatum) -
amountgrößer als 0 (oder gleichwertig: Umsatz, Rechnungsbetrag)
-
- Optional, aber empfohlen für kontaktbasiertes Lernen: ein Rep-Contact-Protokoll mit
customer_idunddatenur (Anrufe, Besuche oder WhatsApp berührt) - Für Bücher, die größer als 500 Transaktionszeilen sind: eine Code-Sandbox mit Numpy , um das von
customer_tiering_get_engine
Abrufen von Anmeldeinformationen
Dieser MCP verwendet OAuth 2.0 mit Saifs AI.
Für Hersteller, die den MCP in Copilot Studio verbinden
Administratoren und Hersteller erstellen keine API-Schlüssel manuell. Wenn Sie in Copilot Studio eine neue Verbindung erstellen, werden Sie zur Authentifizierung an Saifs AI umgeleitet. Nach erfolgreicher Anmeldung wird die Verbindung erstellt, und der Agent kann MCP-Tools unter diesem Konto aufrufen.
Für Herausgeber/Microsoft Validierung (Azure Key Vault)
Zertifizierungsübermittlungen konfigurieren OAuth über Azure Key Vault (authorization.type = AzureKeyVault). Geheime Schlüssel mit genauen Namen speichern (Groß-/Kleinschreibung beachten):
| Geheimer Name | Erforderlich für OAuth 2.0 | Purpose |
|---|---|---|
ClientId |
Yes | OAuth-Client/Anwendungs-ID |
ClientSecret |
Yes | Geheimer OAuth-Clientschlüssel |
AuthorizationUrl |
Ja (OAuth2) | Autorisierungsendpunkt (Authorization endpoint) |
TokenUrl |
Yes | Tokenendpunkt |
RefreshUrl |
Wenn Aktualisierungstoken verwendet werden | Endpunkt aktualisieren |
Scopes |
Wenn Bereiche erforderlich sind | Durch Leerzeichen getrennte Bereiche |
Gewähren Sie dem Microsoft Zertifizierungsdienstprinzipal 8e91e74f-afe9-41cd-8c3f-17a9562a74eaKey Vault Geheimen Benutzer (oder gleichwertigen Lesezugriff). Legen Sie authorization.referenceId im MCP-Manifest auf den Key Vault-URI fest, nicht auf einen geheimen URI.
Informationen zu Key Vault Setupdetails finden Sie unter Microsoft MCP-Serverzertifizierung – Häufig gestellte Fragen (FAQ).
Support, Datenschutz und Bedingungen:
- Website: https://saifs.ai/
- Unterstützung: https://saifs.ai/contact-us
- Datenschutz: https://saifs.ai/privacy_policy/customer-intelligence
- Bedingungen: https://saifs.ai/eula
Getting Started
Ablauf für Administratoren
- Klicken Sie auf "Neuer Agent".
- Klicken Sie im rechten Menü auf "Extras".
- Klicken Sie auf Das Modellkontextprotokoll (MCP).
- Wählen Sie Customer Intelligence - Saifs AI.
- Klicken Sie auf "Nicht verbunden" und dann auf " Neue Verbindung erstellen".
- Schließen Sie die AI-Anmeldung von Saifs ab, wenn Sie dazu aufgefordert werden.
- Nach der Anmeldung wird die Verbindung erfolgreich erstellt.
Beispiel: Erstellen eines Kundenpriorisierungs-Agents
- Benennen Sie Ihren Agenten, z. B. Kundenpriorisierung.
- Hinzufügen von Anweisungen wie:
You help sales managers prioritize which customers to call today.
When the user provides a purchase export (customer_id, date, amount):
- If there are 500 transaction rows or fewer, call customer_tiering with the rows.
- If there are more than 500 rows, call customer_tiering_get_engine and run the returned script verbatim against the file (numpy required).
Always lead with ranked SAVE / GROW / VERIFY actions and money impact in the user's currency.
Explain tiers in plain language. Do not invent winners or rupee figures the tools did not return.
If identity_cleaning.review_candidates appear, ask the user which accounts to merge and re-send with identity_overrides.
- Klicken Sie auf "Vorschau" , um mit einer kleinen Einkaufs-CSV zu testen.
- Klicken Sie auf Veröffentlichen.
Schnelle Überprüfung nach dem Herstellen einer Verbindung
- Bewertet ein kleines Buch (mindestens genug Kunden und wiederholt Käufer für das Modell passt) mit
customer_tiering. - Bestätigen Sie, dass die Antwort ein Buch pro Kunde, Tierbezeichnungen, Geldschichtzahlen und eine SAVE /GROW /VERIFY-Warteschlange enthält.
- Rufen Sie für eine größere Datei das zurückgegebene Skript wie angegeben auf
customer_tiering_get_engine, speichern sie und führen Sie es aus, und bestätigen Sie, dasscustomer_tiering_result.jsonsie geschrieben ist.
Unterstützte Vorgänge
customer_tiering
Bewertet ein Kundenbuch mit 500 Transaktionszeilen oder weniger in A/B/C/D-Ebenen. Senden Sie die Zeilen direkt; der Server führt die Überlebensmodellierung (BG/NBD), die Modellierung (Gamma-Gamma), die Tiermigration, die Geldschicht und Die Entscheidungskarten aus und gibt dann das vollständige Ergebnis einschließlich eines Pro-Kunden-Ledgers mit Erklärungsablaufverfolgungen zurück.
Wird verwendet, wenn der Benutzer zum Segmentieren, Stufen oder Rangieren von Kunden fragt; Erstellen einer Anrufwarteschleife (SAVE / GROW / VERIFY); Risiko- oder Wachstumskonten finden; Buchexposition schätzen; oder eine CSV/Excel / Tally / CRM-Kaufexport von 500 Zeilen oder weniger.
Verwenden Sie customer_tiering_get_engine für Bücher, die größer als 500 Zeilen sind, stattdessen.
Erforderliche Parameter
| Parameter | Typ | Description |
|---|---|---|
transactions |
array | Kaufzeilen. Jedes Element benötigt customer_id, dateund amount (> 0, endlich). |
Optionale Parameter
| Parameter | Typ | Description |
|---|---|---|
customer_name |
string | Bei jeder Transaktion: optional lesbarer Name, wenn es sich um customer_id einen Code handelt. Wird für Etiketten verwendet; Die Gruppierung wird weiterhin verwendet customer_id. |
as_of |
string | Analysedatum YYYY-MM-DD. Der Standardwert ist das letzte Transaktionsdatum. |
horizon_months |
integer | CLV-Projektionshorizont in Monaten (Standard 12). |
annual_discount_rate |
Zahl | Jährlicher Abzinsungssatz für CLV (Standard 0,10). |
currency |
string | ISO-Währungscode für die Anzeige (INR, USD, EUR). Keine FX-Konvertierung. |
currency_symbol |
string | Anzeigesymbol außer Kraft setzen (z. B. (*) oder $). |
risk_period_months |
integer | Fenster, über das das Vernachlässigungsrisiko bewertet wird (Standard 3). |
contact_effectiveness |
Zahl | Fallbackanteil von Risikoabbrüchen, die von einem Kontakt wiederhergestellt werden, wenn gelernte Daten fehlen (Standard 0,30). |
assumed_upgrade_prob |
Zahl | Fallback-P(Upgrade | kontaktiert) wenn die gelernten Daten nicht ausreichend sind (Standard 0.15). |
rep_contacts |
array | Optional[{customer_id, date}, ...]. Erstellt touchierte oder unberührte Migrationsmatrizen und lernt den Kontakt zum Aufheben pro Ebene (≥ 10 touchierte Übergänge). Beobachtung, nicht kausal. |
min_customers_for_model |
integer | Unter dieser Anzahl lehnt BG/NBD ab (Standard 10). |
min_repeat_buyers_for_model |
integer | Unter dieser Wiederholungszahl des Käufers lehnt BG/NBD ab (Standard 5). |
include_diagnostics |
Boolescher Wert | Wenn true, schließen Sie MLE-Params und Multistart-Fit-Diagnose (Standard false) ein. |
rep_queue_max_items |
integer | Maximale Länge der täglichen SAVE/GROW/VERIFY-Warteschlange (Standard 8). |
rep_queue_min_save_revenue |
Zahl | Save kandidaten with lifetime revenue below this (default 0). |
identity_overrides |
Objekt | Urteilszusammenführungen für review_candidates einen vorherigen Anruf: {raw value -> account}. |
Identitätsreinigung
Kunden-IDs werden vor der Bewertung serverseitig bereinigt. Groß-/Kleinschreibung, Abstand, Satzzeichen, Rechtssuffix und Wortreihenfolgevarianten (z. BACME PVT LTD / / Acme Pvt. Ltd.Acme Private Limited. ) werden durch Regel zusammengeführt. Senden Sie Werte genau so, wie sie in der Quelle angezeigt werden; nicht vorab normalisieren. Mehrdeutige Gruppen, die menschliches Urteil benötigen, werden in identity_cleaning.review_candidates unvermerzter Weise zurückgegeben, um sie zu lösen.identity_overrides
Was Sie zurückholen (konzeptionell)
- A/B/C/D-Ebenen basierend auf prognostiziertem CLV (nicht nur vergangener Umsatz)
- Erklärungsablaufverfolgungen für den Grund, warum ein Konto auf einer Ebene landete
- Risikowert, Kontaktaufhebung und Upgrade auf dem Kopf, der als Währungsbereiche mit Vertrauen eingerahmt ist
- Gefährdungszahlen auf Buchebene
- Eine bewertete SAVE/GROW/VERIFY Rep-Warteschlange
customer_tiering_get_engine
Für Bücher , die größer als 500 Transaktionszeilen sind. Gibt ein vollständiges, lauffähiges Python Skript zurück, das das Buch in A/B/C/D-Ebenen mit dem gleichen Modellierungsstapel und derselben Geldebene bewertet. Führen Sie sie in Ihrer Code-Sandbox für die Transaktionsdatei des Benutzers aus. Zeilen durchlaufen das Modell niemals als Token, sodass ein Buch mit 10.000 Zeilen dasselbe kostet, um das Modell als 600 Zeilen zu koordinieren.
Erforderliche Parameter
| Parameter | Typ | Description |
|---|---|---|
file_path |
string | Pfad zur Transaktionsdatei (CSV / TSV / JSON) innerhalb der Sandbox. Eine Zeile pro Kauf mit Kunden-ID, Datum und Betrag > 0. Spaltennamen sind flexibel abgestimmt. |
Optionale Parameter
| Parameter | Typ | Description |
|---|---|---|
contacts_path |
string | Optionaler Pfad zu einem Rep-Contact-Protokoll (nur Kunden-ID + Datum). Bei ausreichend berührten Übergängen wird der Kontaktwert pro Ebene gemessen und nicht angenommen. |
currency |
string | ISO-Währungscode für die Anzeige (Standard USD). |
as_of |
string | Analysedatum YYYY-MM-DD. Standardmäßig wird die neueste Datei verwendet. |
Ausführen des zurückgegebenen Skripts
- Speichern Sie das zurückgegebene Skript genau wie angegeben (geben Sie die Mathematischen nicht erneut ein, kürzen, formatieren oder reimplementieren).
- Bearbeiten Sie nur den PFAD / AS_OF / CURRENCY / OUT / OVERRIDES / CONTACTS Zeilen unten bei Bedarf.
- Führen Sie sie in einem Sandkasten mit Numpy aus.
- Lesen Sie die gedruckten bewerteten Entscheidungen und Schlagzeilenfiguren; öffnen Sie das vollständige Buch pro Kunde, das neben der Eingabe geschrieben wurde (Standard
customer_tiering_result.json).
Eine vorab aggregierte Zusammenfassung pro Kunde funktioniert nicht – die Modelle benötigen die Kaufdauer.
Funktionsweise der Bewertung (Nur-Sprache)
Der MCP kombiniert klassische Kundenanalysen in einem erklärten Ledger:
- Baseline ranking — Pareto / ABC konzentration as a sanity check.
- Verhaltensbasierte Frühwarnung – RFM-Stil-Reency-, Frequenz- und geldpolitische Signale für die Erklärungsablaufverfolgung.
- Alive-Wahrscheinlichkeit – BG/NBD-Überlebensmodellierung schätzt, ob ein Konto noch aktiv ist.
- Ausgaben und CLV – Gamma-Gamma Modellierungsprojekte voraussichtlichen zukünftigen Wert; Stufen folgen der vorhergesagten CLV.
- Migration und Aufstockung – Markov-Stil-Leistenübergänge; Optionaler Rep-Contact-Verlauf lernt berührt und bleibt unberührt.
- Money Layer – Wandelt Wahrscheinlichkeiten in Risiko, Wert des Kontakts, Aufwärtsupgrade und Buchexposition um, die als Bereiche mit Vertrauen gemeldet werden – niemals nur bare Punktschätzungen.
Kanal- und Geldzahlen sind ein direktionaler Leitfaden aus der Einkaufshistorie, kein Laborexperiment, das die Ursache beweist.
Bekannte Probleme und Einschränkungen
- Aktives Konto erforderlich. Ein aktives Saifs AI-Konto mit Zugriff auf Customer Intelligence ist erforderlich. Tools können erst aufgerufen werden, wenn die OAuth-Anmeldung erfolgreich für die Verbindung abgeschlossen wurde.
- Mindestdaten für die Anpassung. Unterhalb der konfigurierten Kunden- und Wiederholungskäuferschwellenwerte (Standardwerte: 10 Kunden, 5 Wiederholungskäufer), lehnt BG/NBD ab. Fügen Sie mehr Verlauf hinzu, oder verringern Sie Schwellenwerte nur, wenn das Buch wirklich klein ist und der Benutzer eine schwächere Passform akzeptiert.
- Kaufdauer erforderlich. Aggregierte Zusammenfassungen pro Kunden können nicht bewertet werden. Export von Einkäufen auf Zeilen- oder Rechnungsebene.
- Größenbeschränkung für Zeilenpfade.
customer_tieringakzeptiert 500 Transaktionszeilen oder weniger. Größere Bücher müssen plus eine numpy Sandkasten verwendencustomer_tiering_get_engine. - Identitätszusammenführungen sind regelbasiert. Die automatische Reinigung führt klare Rechtschreib-/Groß-/Kleinschreibungs-/Suffixvarianten zusammen. Mehrdeutige Paare (z. B
Acme & Co. vsAcme Pvt Ltd) bleiben getrennt, bis Sie sich nach der Überprüfung bewerbenidentity_overrides. - Der Kontaktlift ist beobachtungsgef?n.
rep_contactsverbessert Geldschichtschätzungen, wenn dicht genug (≥ 10 berührte Übergänge pro Ebene). Es handelt sich nicht um einen zufälligen Kausalnachweis. Geringe Ebenen fallen aufcontact_effectiveness/assumed_upgrade_prob. - Währung ist eine Anzeigebezeichnung. Das Übergeben von INR oder USD wandelt keine Beträge um. Senden Sie bereits Beträge in der währung, die Sie melden möchten.
- Nichtvertragliche Kaufmodell. Der Standardstapel zielt auf nichtvertragliche / wiederholungskäufe Bücher (Distributoren, Agenturen, D2C, Handel). Reine Abonnementverlängerungsbücher benötigen möglicherweise einen anderen Rahmen; dünne oder ungeeignete Bücher sollten mit einem klaren Grund abgelehnt werden, anstatt überlastet zu sein.
- Persönliche Daten. Der Einkaufsverlauf kann personenbezogene Daten nach geltendem Datenschutzrecht (einschließlich indiens DPDP) sein. Verwenden Sie nur Daten, die Sie zur Verarbeitung autorisiert haben; Aufbewahrungs- und Löschrichtlinien auf Anforderung beibehalten.
- Kein FX, kein CRM-Rückschreiben in v1. Die MCP punktet und erklärt; Updates werden nicht selbst in Salesforce, HubSpot oder Dataverse übertragen.
Häufig gestellte Fragen
Wie kann ich die MCP verbinden?
Folgen Sie dem Flow für Administratoren unter "Erste Schritte": "New Agent → Tools → Model Context Protocol (MCP)", → Customer Intelligence auswählen – Saifs AI → Create New Connection → vollständige Saifs AI-Anmeldung abschließen.
Welche Spalten benötige ich in meiner Datei?
Mindestens: ein Kundenbezeichner, ein Kaufdatum und ein positiver Betrag. Die meisten CRM- und Excel Spaltennamen werden ohne Umbenennung akzeptiert. Geben Sie optional eine Spalte mit Kundennamen ein, wenn es sich bei der ID um einen Code handelt, und ein separates Kontaktprotokoll (customer_id, date), um Die Schätzungen zu verbessern.
Welches Tool sollte ich verwenden?
-
500 Zeilen oder weniger:
customer_tiering(Zeilen im Toolaufruf senden). -
Mehr als 500 Zeilen:
customer_tiering_get_engine(Führen Sie das zurückgegebene Skript lokal aus).
Was ist die Warteschlange "SAVE/GROW/VERIFY"?
Eine kurze, geldrangige tägliche Liste für Reps:
- SAVE – Konten mit materiellem Wert, die gefährdet sind, wenn sie vernachlässigt werden
- GROW – Konten mit Upgrade-Aufwärtsseite bei Kontakt
- VERIFY – Konten, die eine Identitäts- oder Datenbestätigung benötigen, bevor sie handeln
Warum zeigen Geldzahlen Bereiche an?
Jede Währungszahl wird mit dem Vertrauen des Modells (z. B. einem Bereich) ausgeliefert, nicht nur einer einzelnen Punktschätzung. Diese Ehrlichkeit ist absichtlich, damit Manager den Zahlen vertrauen können, wenn die Realität innerhalb des Bereichs landet.
Kann ich Tally oder Excel Exporte erzielen?
Yes. Jeder Export mit Einkaufszeilen (customer_id / Party, Datum, Betrag) funktioniert. Nur vorbereinigung, wenn Sie müssen; Identitätsvarianten werden von den Tools zusammengeführt.
Bereitstellungsanweisungen
- Erstellen Sie in Copilot Studio einen neuen Agent, und fügen Sie Customer Intelligence hinzu – Saifs AI als MCP-Tool.
- Erstellen Sie eine neue Verbindung und vollständige Saifs AI-Anmeldung.
- Fügen Sie Agent-Anweisungen für Ihren Verkaufspriorisierungsanwendungsfall hinzu (siehe Erste Schritte), Vorschau mit einer Beispielkaufsdatei und dann Veröffentlichen.
- Halten Sie das Live-MCP-Tool bei der Übermittlung oder Aktualisierung von Microsoft Zertifizierungspaketen unter den Apps und Agents für M365 und Copilot Angebotstyps in Einklang. Paketerwartungen (Manifest, Tooldefinitionen,
intro.mdAuthentifizierungskonfiguration) werden in Microsoft MCP-Serverzertifizierung beschrieben.
Support
- Produkt: Customer Intelligence - Saifs AI
- Publisher: Saifs AI
- Website: https://saifs.ai/
- Registrieren / Erste Schritte: https://saifs.ai/
- Kontaktieren Sie uns / Hilfe: https://saifs.ai/contact-us
- Datenschutz: https://saifs.ai/privacy_policy/customer-intelligence
- Bedingungen: https://saifs.ai/eula
- MCP-Endpunkt (Referenz):
https://customer-tiering-mcp-latest.saifs.ai/mcp
Aktionen
| Kunden Intelligence-Saifs KI |
Score customers into A/B/C/D tiers with explained CLV, risk. |
Kunden Intelligence-Saifs KI
Score customers into A/B/C/D tiers with explained CLV, risk.