Customer Intelligence-Saifs AI (anteprima)

Assegnare un punteggio ai clienti in livelli A/B/C/D con il CLV spiegato, il rischio.

Questo connettore è disponibile nei prodotti e nelle aree seguenti:

Service Classe Regions
Copilot Studio Premium Tutte le aree Power Automate ad eccezione delle seguenti:
     - Governo degli Stati Uniti (GCC)
     - Us Government (GCC High)
     - China Cloud gestito da 21Vianet
     - Dipartimento della Difesa degli Stati Uniti (DoD)
Logic Apps Standard Tutte le aree di App per la logica , ad eccezione delle seguenti:
     - aree Azure per enti pubblici
     - Aree di Azure Cina
     - Dipartimento della Difesa degli Stati Uniti (DoD)
Power Apps Premium Tutte le aree Power Apps ad eccezione delle seguenti:
     - Governo degli Stati Uniti (GCC)
     - Us Government (GCC High)
     - China Cloud gestito da 21Vianet
     - Dipartimento della Difesa degli Stati Uniti (DoD)
Power Automate Premium Tutte le aree Power Automate ad eccezione delle seguenti:
     - Governo degli Stati Uniti (GCC)
     - Us Government (GCC High)
     - China Cloud gestito da 21Vianet
     - Dipartimento della Difesa degli Stati Uniti (DoD)
Contatto
Name Saifs intelligenza artificiale
URL https://saifs.ai/
Email taher@saifytech.com
Metadati del connettore
Editore Saifs intelligenza artificiale
Website https://saifs.ai/
Informativa sulla privacy https://saifs.ai/privacy_policy/customer-intelligence
Categorie IA; Dati

Customer Intelligence - Intelligenza artificiale Saifs

Customer Intelligence - Saifs AI è un server MCP (Model Context Protocol) che assegna un punteggio a un libro di acquisto dei clienti in livelli A/B/C/D con il valore di durata dei clienti (CLV), il valore a rischio, l'aumento dei contatti e una coda di rep SAVE/GROW/VERIFY classificata. Accetta la cronologia degli acquisti (customer_id, date, amount) dalle esportazioni CSV, Excel, Tally o CRM e restituisce un libro mastro per cliente con tracce di spiegazione in modo che i team di vendita assegnano priorità per denaro in gioco, non solo etichette.

Publisher: Saifs AI

Prerequisiti

  • Accesso a Microsoft Copilot Studio (o a un'altra superficie dell'agente di Microsoft supportata)
  • Autorizzazione per creare agenti e aggiungere strumenti MCP
  • Un account saifs per intelligenza artificiale per completare l'accesso alla connessione
  • Esportazione di acquisti con una riga per transazione contenente almeno:
    • customer_id (o equivalente: AccountId, Nome entità e alias simili)
    • date (o equivalente: invoice_date, data fattura)
    • amount maggiore di 0 (o equivalente: ricavi, importo fattura)
  • Facoltativo ma consigliato per l'apprendimento di aumento dei contatti: un registro customer_id dei contatti con e date solo (chiamate, visite o tocco WhatsApp)
  • Per i libri di dimensioni superiori a 500 righe di transazione: sandbox di codice con numpy per eseguire lo script di assegnazione dei punteggi restituito da customer_tiering_get_engine

Recupero delle credenziali

Questo MCP usa OAuth 2.0 con l'intelligenza artificiale Saifs.

Per i produttori che connettono il MCP in Copilot Studio

Gli amministratori e i creatori non creano manualmente le chiavi API. Quando si crea una nuova connessione in Copilot Studio, si viene reindirizzati all'intelligenza artificiale Saifs per l'autenticazione. Dopo aver completato l'accesso, la connessione viene creata e l'agente può chiamare gli strumenti MCP con tale account.

Per i server di pubblicazione/convalida Microsoft (Azure Key Vault)

Gli invii di certificazione configurano OAuth tramite Azure Key Vault (authorization.type = AzureKeyVault). Archiviare i segreti con nomi esatti (con distinzione tra maiuscole e minuscole):

Nome segreto Obbligatorio per OAuth 2.0 Purpose
ClientId Yes OAuth client/ID applicazione
ClientSecret Yes Segreto client OAuth
AuthorizationUrl Sì (OAuth2) Authorization endpoint (Endpoint di autorizzazione)
TokenUrl Yes Punto di accesso
RefreshUrl Se vengono usati i token di aggiornamento Aggiornare l'endpoint
Scopes Se sono necessari ambiti Ambiti separati da spazi

Concedere all'entità 8e91e74f-afe9-41cd-8c3f-17a9562a74ea servizio di certificazione Microsoft Key Vault utente segreti (o accesso in lettura equivalente). Impostare authorization.referenceId nel manifesto MCP sull'URI Key Vault, non un URI segreto.

Per informazioni dettagliate sulla configurazione di Key Vault, vedere Microsoft certificazione server MCP - Domande frequenti.

Supporto, privacy e condizioni:

Getting Started

Flow per gli amministratori

  1. Fare clic su Nuovo agente.
  2. Nel menu a destra fare clic su Strumenti.
  3. Fare clic su Model Context Protocol (MCP).
  4. Selezionare Customer Intelligence - Intelligenza artificiale Saifs.
  5. Fare clic su Non connesso, quindi su Crea nuova connessione.
  6. Completare l'accesso di Saifs per intelligenza artificiale quando richiesto.
  7. Dopo l'accesso, la connessione viene creata correttamente.

Esempio: creare un agente di definizione delle priorità del cliente

  1. Assegnare un nome all'agente, ad esempio Priorità cliente.
  2. Aggiungere istruzioni, ad esempio:
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.
  1. Fare clic su Anteprima per testare con un volume condiviso cluster di acquisto ridotto.
  2. Fare clic su Pubblica.

Verifica rapida dopo la connessione

  1. Assegnare un punteggio a un piccolo libro (almeno un numero sufficiente di clienti e ripetere gli acquirenti per il modello da adattare) con customer_tiering.
  2. Verificare che la risposta includa un libro mastro per cliente, etichette di livello, cifre a livello di denaro e una coda SAVE/GROW/VERIFY.
  3. Per un file di dimensioni maggiori, chiamare customer_tiering_get_engine, salvare ed eseguire lo script restituito come specificato e verificare customer_tiering_result.json che sia scritto.

Operazioni supportate

customer_tiering

Assegna un punteggio a un libro cliente di 500 righe di transazione o meno in livelli A/B/C/D. Inviare le righe direttamente; il server esegue la modellazione di sopravvivenza (BG/NBD), la modellazione della spesa (Gamma-Gamma), la migrazione a livelli, il livello money e le carte decisionali, quindi restituisce il risultato completo, incluso un libro mastro per cliente con tracce di spiegazione.

Usare quando l'utente chiede di segmentare, classificare o classificare i clienti; creare una coda di chiamate (SAVE/GROW/VERIFY); trovare conti a rischio o crescita; stimare l'esposizione del libro; o assegnare un punteggio csv/Excel/Tally/CRM purchase export di 500 righe o meno.

Per i libri di dimensioni superiori a 500 righe, usare customer_tiering_get_engine invece .

Parametri obbligatori

Parametro Type Description
transactions array Acquistare righe. Ogni elemento richiede customer_id, datee amount (> 0, finito).

Parametri facoltativi

Parametro Type Description
customer_name string In ogni transazione: nome leggibile facoltativo quando customer_id è un codice. Usato per le etichette; il raggruppamento usa customer_idancora .
as_of string Data YYYY-MM-DDdi analisi . Il valore predefinito è la data della transazione più recente.
horizon_months numero intero Orizzonte di proiezione CLV in mesi (valore predefinito 12).
annual_discount_rate number Tasso di sconto annuale per CLV (valore predefinito 0,10).
currency string Codice di valuta ISO solo per la visualizzazione (INR, USD, EUR). Nessuna conversione FX.
currency_symbol string Eseguire l'override del simbolo di visualizzazione (ad esempio ^ o $).
risk_period_months numero intero Finestra sulla quale viene valutato il rischio di varianza (impostazione predefinita 3).
contact_effectiveness number Frazione di fallback della varianza a rischio recuperata da un contatto quando mancano i dati appresi (impostazione predefinita 0,30).
assumed_upgrade_prob number Fallback P(aggiornamento | contattato) quando i dati appresi non sono sufficienti (impostazione predefinita 0.15).
rep_contacts array Facoltativo [{customer_id, date}, ...]. Compila matrici di migrazione toccate e non modificate e apprende l'aumento dei contatti per livello (≥ 10 transizioni interessate). Osservazionale, non causale.
min_customers_for_model numero intero Al di sotto di questo conteggio, BG/NBD rifiuta di adattarsi (impostazione predefinita 10).
min_repeat_buyers_for_model numero intero Al di sotto di questo numero di acquirenti ripetuti, BG/NBD rifiuta di adattarsi (impostazione predefinita 5).
include_diagnostics Boolean Se true, includere i parametri MLE e la diagnostica con adattamento a più avvio (impostazione predefinita false).
rep_queue_max_items numero intero Lunghezza massima della coda SAVE/GROW/VERIFY giornaliera (impostazione predefinita 8).
rep_queue_min_save_revenue number Ignorare i candidati SAVE con ricavi di durata inferiori a questo (valore predefinito 0).
identity_overrides object Il giudizio si fonde per review_candidates da una chiamata precedente: {raw value -> account}.

Pulizia delle identità

Gli identificatori dei clienti vengono puliti sul lato server prima dell'assegnazione dei punteggi. Le varianti maiuscole, spaziatura, punteggiatura, suffisso legale e ordine di parola (ad esempio ACME PVT LTD / / Acme Pvt. Ltd.Acme Private Limited) vengono unite dalla regola. Inviare valori esattamente come appaiono nell'origine; non pre-normalise. I gruppi ambigui che necessitano di un giudizio umano vengono restituiti senza identity_cleaning.review_candidates essere risolti tramite identity_overrides.

Cosa si torna indietro (concettualmente)

  • Livelli A/B/C/D basati su CLV stimati (non solo ricavi passati)
  • Analisi del motivo per cui un account è atterrato in un livello
  • Valore a rischio, aumento dei contatti e aggiornamento a capovolto incorniciato come intervalli di valuta con fiducia
  • Cifre di esposizione a livello di libro
  • Coda dei repository SAVE/GROW/VERIFY classificata

customer_tiering_get_engine

Per i libri di dimensioni superiori a 500 righe di transazione. Restituisce uno script completo, eseguibile Python che assegna un punteggio al libro in livelli A/B/C/D con lo stesso livello di modellazione e denaro. Eseguirlo nella sandbox del codice nel file di transazione dell'utente. Le righe non passano mai attraverso il modello come token, quindi un libro di 10.000 righe costa lo stesso per orchestrare come 600 righe.

Parametri obbligatori

Parametro Type Description
file_path string Percorso del file di transazione (CSV/TSV/JSON) all'interno della sandbox. Una riga per acquisto con identificatore cliente, data e importo > 0. I nomi delle colonne corrispondono in modo flessibile.

Parametri facoltativi

Parametro Type Description
contacts_path string Percorso facoltativo di un log dei contatti del repository (solo identificatore cliente + data). Con transizioni toccate sufficienti, il valore del contatto viene misurato per livello anziché assunto.
currency string Codice di valuta ISO per la visualizzazione (USD predefinito).
as_of string Data YYYY-MM-DDdi analisi . Il valore predefinito è più recente nel file.

Come eseguire lo script restituito

  1. Salvare lo script restituito esattamente come specificato (non ritipare, abbreviare, riformattare o riabilitare i calcoli matematici).
  2. Modificare solo le righe PATH/AS_OF/CURRENCY/OUT/OVERRIDES/CONTACTS nella parte inferiore, se necessario.
  3. Eseguirlo in una sandbox con numpy.
  4. Leggi le decisioni stampate e le cifre di titolo; aprire il libro mastro completo per cliente scritto accanto all'input (impostazione predefinita customer_tiering_result.json).

Un riepilogo pre-aggregato per cliente non funzionerà: i modelli necessitano di tempi di acquisto.

Funzionamento dell'assegnazione dei punteggi (lingua normale)

McP combina l'analisi classica dei clienti in un libro mastro spiegato:

  1. Classificazione di base : concentrazione Pareto/ABC come controllo della integrità.
  2. Avviso precoce comportamentale : recency, frequenza e segnali monetari in stile RFM per la traccia di spiegazione.
  3. Probabilità viva : la modellazione di sopravvivenza BG/NBD stima se un conto è ancora attivo.
  4. Spesa e CLV — Gamma-Gamma spendere progetti di modellazione previsti valore futuro; i livelli seguono il CLV stimato.
  5. Migrazione e aumento : transizioni di livello in stile Markov; la cronologia dei contatti del repository facoltativo apprende l'aumento o l'aumento non toccato.
  6. Livello denaro - Trasforma le probabilità in valore a rischio, valore di contatto, aggiornamento a capo e esposizione libro, segnalate come intervalli con fiducia - mai stime di punti bare da sole.

I dati di canale e denaro sono una guida direzionale dalla cronologia degli acquisti, non da un esperimento di laboratorio che dimostra la causazione.

Problemi noti e limitazioni

  • Account attivo obbligatorio. È necessario un account di intelligenza artificiale Saifs attivo con accesso a Customer Intelligence. Non è possibile chiamare gli strumenti finché l'accesso OAuth non viene completato correttamente nella connessione.
  • Dati minimi per l'adattamento. Al di sotto delle soglie di clienti e acquirenti ripetuti (valori predefiniti: 10 clienti, 5 acquirenti ripetuti), BG/NBD rifiuta di adattarsi. Aggiungere più cronologia o ridurre le soglie solo quando il libro è veramente piccolo e l'utente accetta un adattamento più debole.
  • Tempi di acquisto necessari. Non è possibile assegnare punteggi ai riepiloghi aggregati di una riga per cliente. Esportare acquisti a livello di riga o a livello di fattura.
  • Limite di dimensioni del percorso di riga. customer_tiering accetta 500 righe di transazione o meno. I libri più grandi devono usare customer_tiering_get_engine più un sandbox numpy.
  • Le unioni di identità sono basate su regole. La pulizia automatica unisce varianti di ortografia,maiuscole/minuscole/suffisso non crittografate. Le coppie ambigue (ad esempio Acme & Co vs Acme Pvt Ltd) rimangono separate fino a quando non si applica identity_overrides dopo la revisione.
  • L'elevazione dei contatti è osservazionale. rep_contacts migliora le stime del livello denaro quando è abbastanza densa (≥ 10 transizioni toccate per livello). Non è una prova causale casuale. I livelli di tipo sparse rientrano in contact_effectiveness / assumed_upgrade_prob.
  • Valuta è un'etichetta di visualizzazione. Il passaggio di INR o USD non converte gli importi. Invia importi già nella valuta che vuoi segnalare.
  • Modello di acquisto non contrattuale. Lo stack predefinito è destinato a libri non contrattuali/di ripetizione degli acquisti (distributori, agenzie, D2C, commercio). I libri di rinnovo degli abbonamenti puri potrebbero avere bisogno di un'inquadratura diversa; i libri sottili o inadatti devono essere rifiutati con una ragione chiara piuttosto che inadatta.
  • Dati personali. La cronologia degli acquisti può essere dati personali in base alla legge sulla privacy applicabile (incluso il DPDP dell'India). Usare solo i dati che si sono autorizzati a elaborare; mantenere i criteri di conservazione ed eliminazione su richiesta sul posto.
  • Nessun fx, nessun writeback CRM nella versione 1. I punteggi MCP e spiegano; non esegue il push degli aggiornamenti in Salesforce, HubSpot o Dataverse da solo.

Domande frequenti

Come si connette il MCP?

Seguire Flow for administrators (Flusso per gli amministratori ) in Getting Started: New Agent → Tools → Model Context Protocol (MCP) → selezionare Customer Intelligence - Saifs AI → Create New Connection → complete Saifs AI sign-in (Creare una nuova connessione → completare l'accesso ad Intelligenza artificiale Saifs).

Quali colonne sono necessarie nel file?

Almeno: un identificatore del cliente, una data di acquisto e un importo positivo. La maggior parte dei nomi di colonne CRM e Excel vengono accettati senza ridenominazione. Facoltativamente, includere una colonna del nome del cliente quando l'ID è un codice e un log dei contatti separato (customer_id, date) per migliorare le stime di aumento delle prestazioni.

Quale strumento devo usare?

  • 500 righe o meno:customer_tiering (inviare righe nella chiamata allo strumento).
  • Più di 500 righe:customer_tiering_get_engine (eseguire lo script restituito localmente).

Che cos'è la coda SAVE/GROW/VERIFY?

Elenco giornaliero breve e classificato in denaro per i rappresentanti:

  • SAVE — conti con valore materiale a rischio se trascurati
  • GROW : account con aggiornamento a monte se contattato
  • VERIFY : account che necessitano di conferma dell'identità o dei dati prima di agire

Perché le cifre sui soldi mostrano intervalli?

Ogni cifra di valuta viene fornita con la confidenza del modello (ad esempio, un intervallo), non solo una stima di un singolo punto. L'onestà è intenzionale in modo che i manager possano fidarsi dei numeri quando la realtà si trova all'interno della gamma.

È possibile assegnare un punteggio a Tally o Excel esportazioni?

Yes. Qualsiasi esportazione con righe di acquisto (customer_id /party, date, amount) funziona. Pre-pulizia solo se è necessario; Le varianti identity vengono unite dagli strumenti.

Istruzioni per la distribuzione

  1. In Copilot Studio creare un nuovo agente e aggiungere Customer Intelligence - Saifs AI come strumento MCP.
  2. Creare una nuova connessione e completare l'accesso di Saifs AI.
  3. Aggiungere le istruzioni dell'agente per il caso d'uso della priorità delle vendite (vedere Introduzione), Anteprima con un file di acquisto di esempio, quindi Pubblica.
  4. Mantenere la superficie dello strumento MCP live allineata a questa documentazione durante l'invio o l'aggiornamento di pacchetti di certificazione Microsoft in App e agenti per M365 e Copilot tipo di offerta. Le aspettative dei pacchetti (manifesto, definizioni degli strumenti, intro.md, configurazione di autenticazione) sono descritte in Microsoft certificazione del server MCP.

Support

Azioni

Intelligenza artificiale Intelligence-Saifs del cliente

Assegnare un punteggio ai clienti in livelli A/B/C/D con il CLV spiegato, il rischio.

Intelligenza artificiale Intelligence-Saifs del cliente

Assegnare un punteggio ai clienti in livelli A/B/C/D con il CLV spiegato, il rischio.