Ogni fatto porta tre timestamp.

Un indice vettoriale piatto tratta il corpus come se ogni fatto fosse ugualmente attuale. Questo fallisce la prima volta che un partner di brand chiede cosa dicevano i dati sei mesi fa, quando ha preso la decisione di acquisto primaverile. La piattaforma utilizza un modello bi-temporale. Ogni fatto nella matrice di intelligence porta tre timestamp indipendenti.

learned_at registra quando il sistema ha osservato il fatto, alla data in cui la conversazione e stata arricchita. valid_at registra quando il fatto e diventato vero nel mondo, spesso inferito dalla conversazione ('ho iniziato a notarlo lo scorso autunno' imposta valid_at intorno all'ottobre di quell'anno). invalid_at registra quando il fatto cessa di essere vero. Viene impostato esplicitamente quando arriva una conversazione contradditoria e implicitamente attraverso il decadimento dell'emivita quando nessun aggiornamento conferma il fatto.

I tre timestamp insieme consentono a un unico corpus di rispondere a domande su adesso e a domande su un momento specifico del passato, sullo stesso corpus di dati, senza rieseguire l'analisi.

Un partner di brand esegue una query oggi. Il risultato e lo stato attuale del corpus, filtrato per il suo perimetro. Lo stesso partner di brand esegue la stessa query con un parametro as-of-maggio. Il risultato e il corpus com'era in quel maggio, filtrato per il suo perimetro. Entrambe le risposte sono corrette. Entrambe vengono citate in riferimento alle conversazioni che le hanno prodotte. Nessuna delle due richiede di rieseguire la pipeline di arricchimento.

Questo e cio che rende il livello verificabile in un contratto con un partner di brand. Uno strumento restituisce la migliore stima attuale. Un'infrastruttura restituisce la risposta che l'acquirente aveva alla data della decisione. Quando un partner di brand verifica la propria decisione di acquisto del Q2 rispetto ai dati per cui ha pagato nel Q2, la piattaforma gli mostra gli stessi dati che stava guardando nel Q2. Questa e la proprieta da cui dipende il SLA del partner di brand.

Un copilota consulente beauty che raccomanda 'salti il fondotinta, provi il siero' deve essere fondato su un fatto la cui finestra di validita include oggi. Se il fatto era vero a marzo ed e stato contraddetto a settembre, il copilota non deve agire sulla versione di marzo. Il modello bi-temporale impone questo a livello del layer di recupero. Una query senza parametro as-of esclude qualsiasi fatto il cui invalid_at precede oggi. Il rifiuto e nell'API di recupero.

La stessa proprieta protegge la dashboard. Un operatore che chiede 'cosa stanno dicendo i nostri consulenti sul nuovo profumo' ottiene la risposta attuale. La risposta storica e disponibile con un parametro aggiuntivo. Entrambe sono marcate con la loro finestra di validita.

Il decadimento non e un tasso globale unico applicato all'intero corpus. Le dieci dimensioni si muovono a velocita diverse e il modello calibra un'emivita per dimensione. La calibrazione seguente e il riferimento di base pubblicato da due anni di lavoro. Ogni verticale lo affina sul proprio corpus.

Le emivite sono regolabili per verticale. Un deployment in farmacia manterra i fatti regolatori e di conformita a un'emivita piu lunga rispetto a un deployment nel retail, perche il ritmo dei cambiamenti regolatori e piu lento del ritmo delle preferenze dei consumatori. Le emivite sono metodologia e accompagnano il deployment.

L'emivita e il riferimento di base. Tre segnali aggiustano il decadimento di un singolo fatto rispetto al riferimento. Salienza. Un punto di attrito nominato da un consulente su cento decade rapidamente. Un punto di attrito nominato da quaranta decade lentamente. Il conteggio delle corroborazioni tra conversazioni indipendenti e una proprieta di primo livello sul fatto. Pressione di recenza. Un fatto non aggiornato per diversi cicli di emivita perde peso di recupero, anche se non e arrivata alcuna prova contradditoria. Prove contradditorie. Un nuovo fatto contradditorio accelera il decadimento di quello vecchio. Il vecchio fatto viene o invalidato o suddiviso in una variante delimitata per segmento dove vale ancora.

Il caso di suddivisione e cio che rende il modello onesto. Un'affermazione su un brand puo cessare di essere vera globalmente pur rimanendo vera per un segmento. Il modello bi-temporale e il vettore di segmento cooperano qui. Il fatto non viene eliminato. Viene delimitato a dove si applica ancora.

La validita bi-temporale non e solo una proprieta analitica. E una proprieta commerciale. La dashboard espone l'orologio dell'obsolescenza all'operatore: 'trentasette percento dei fatti di percezione del brand sono usciti di validita negli ultimi sessanta giorni.' Questa frase e la giustificazione economica del livello Refresh, esposta automaticamente dal modello. L'operatore vede il decadimento. Il livello Refresh (6.000 USD per ogni cento conversazioni aggiuntive) converte il decadimento in un evento commerciale.

L'economia completa del Refresh, inclusa l'interazione tra la cadenza e i livelli di prezzo, si trova su Economia del Refresh. Le superfici della dashboard si trovano su Platform.