Faraday 是一个提供按需客户上下文（on-demand customer context）的预测平台，通过 API、MCP（Model Context Protocol）和 UI 界面交付数据，用于驱动 AI 智能体、个性化体验和更明智的决策。
【用途】 Faraday 面向需要丰富客户数据来构建现代客户体验的 AI 智能体和业务流程。它提供覆盖约 2.4 亿美国成年人的上下文数据，可通过 MCP、实时 API 和批量部署方式获取。
【主要能力】
- 上下文数据：可从 1,400 多个消费者和身份数据点中选择所需字段，通过 API、MCP 和文件追加方式使用。数据涵盖人口统计、财务信号、生活方式属性和行为指标。
- 预测模型：利用客户自有数据自动构建并部署定制机器学习模型，提供转换倾向（propensity to convert）、最佳下一步推荐（next best offer）、流失倾向和人群聚类（persona clustering）等预测。
- 数据丰富：支持对线索或客户列表进行身份数据（电话、邮箱、地址）补充，以及消费者信息（人口统计、财务信号、生活方式、行为指标）的丰富。
- 人群分析：通过聚类分析识别顶级细分群体和最佳客户。
- 模型构建器：提供 Propensity 模型构建器（自定义购买倾向、流失倾向模型）和 Recommender 模型构建器（自定义最佳推荐模型）。
【使用方式】
- 无代码仪表盘：通过 app.faraday.ai 上传数据、配置预测并可视化探索结果。
- REST API：提供完整文档，支持批量部署和实时查询，返回丰富后的身份信息和预测分数，响应时间低于 200ms。
- 原生 MCP 服务器：允许 AI 智能体在其上下文窗口内安全检索客户上下文。
- 原生集成：直接连接数据仓库（Snowflake、BigQuery、Redshift）以及 Salesforce、Shopify 等 50 多个下游平台。
【数据来源】 Faraday 使用两个数据源进行预测：一是 Faraday Identity Graph（FIG），覆盖约 2.4 亿美国成年人及其家庭，包含 1,400 多个消费者属性、人口统计、财务信号、生活方式属性及纵向历史；二是客户自有记录，如交易、转化和互动数据。两者通过身份解析（identity resolution）匹配，合并后构建定制预测模型。建模时仅筛选与客户结果相关的数据点，而非提供原始数据转储。
【方案与适用场景】 两种方案基于同一个 Faraday Identity Graph，底层数据相同：
- Faraday Pro：自助式，无需合约或最低消费，按匹配付费，注册可获得 200 个免费积分。适合已有客户或线索、主要想了解更多信息（人口统计、财务信号、人生阶段等）并愿意自行选择属性、调用 API 的用户。支持实时查询、文件上传或数据仓库连接，也可在 Pro 中构建倾向性和人群模型。支持 MCP。
- Faraday Enterprise：托管账户，在相同平台基础上配备专属上下文顾问，协助激活、建模策略和持续支持。适合复杂用例，例如基于完整事件历史构建模型和受众，按年度合作。支持 MCP。Enterprise 为销售主导，需联系销售开通。
- Row Pro：若目标是获取陌生人的直邮名单，则属于独立产品 Row Pro。
【集成与安全】 Faraday 成立于 2012 年，处理来自数千个美国品牌的 PII（个人身份信息），将消费者和客户数据安全列为首要任务。
【客户案例】
- John Hardy（珠宝品牌）：使用按需数据即时增强客户画像并实现个性化。
- American Standard：通过 Faraday 分数优先处理高价值线索，成交利润率提高 3 倍。
- Bespoke Post（订阅品牌）：持续根据产品属性对客户特征评分，实现 5 倍 ROI、每客户收入提升 5%、流失率降低 3%。
- Bee's Wrap：将销售数据与 Faraday 上下文结合，生成人群画像和客户洞察，成功入驻 Target 550 家门店。
- Boll and Branch：使用 Faraday 生成的人群画像发送最佳创意版本，邮件转化率提升 30%。
【限制】 资料未提供具体定价、免费额度之外的费用细节、数据覆盖区域（仅提及美国成年人）、模型精度或合规认证等信息。
