Next Best Action

Definition: Next Best Action (NBA) ist ein KI-basiertes Entscheidungsframework, das unter Berücksichtigung von Kundenprofil, aktuellem Kontext (Interaktionskanal, Zeitpunkt, Anlass), Kundenwert, Business-Constraints (Budgets, regulatorische Einschränkungen, Angebotsverfügbarkeit) und der Gesamtpalette möglicher Aktionen in Echtzeit die individuell optimale nächste Handlung für jeden Kunden bestimmt — sei es ein Produktangebot, ein Service-Hinweis, ein Retention-Anreiz, ein informativer Inhalt oder gar keine Aktion. NBA geht konzeptionell über klassische Produktempfehlungssysteme hinaus: Es optimiert nicht nur Klick- oder Kaufwahrscheinlichkeit, sondern den langfristigen Kundenwert (Customer Lifetime Value) unter Berücksichtigung aller Business-Constraints und der Customer Experience. Das Framework kombiniert prädiktive Modelle (Propensity-to-Buy, Churn-Risk, CLV-Prognose), Optimierungsalgorithmen (lineare Programmierung, Reinforcement Learning, Contextual Bandits) und Business-Regelwerke zu einem integrierten Echtzeit-Entscheidungssystem. Führende NBA-Plattformen: Pega Customer Decision Hub (Cambridge, Massachusetts), Salesforce Einstein Next Best Action (San Francisco), Adobe Journey Optimizer, SAS Customer Intelligence 360 (Cary, North Carolina).

Erläuterung

Next Best Action als Konzept entstand in der Finanzdienstleistungsbranche der 1990er und 2000er Jahre — einer Branche mit langen Kundenbeziehungen, hohem Customer Lifetime Value und regulatorisch eingeschränkten Kontaktmöglichkeiten. Inbound-Marketing-Momente (Kunden rufen an, besuchen die Filiale, loggen sich im Online-Banking ein) wurden als wertvolle Gelegenheitsfenster erkannt, um proaktiv relevante Angebote zu platzieren. IBM (Armonk, New York) entwickelte frühe NBA-Konzepte für den Bankensektor unter dem Begriff „Analytical CRM". Siebel Systems (San Mateo, 1993 gegründet, 2006 von Oracle übernommen) implementierte erste regelbasierte Recommendation-Engines für Call-Center. Pega (Pegasystems, Cambridge, Massachusetts, gegründet 1983 von Alan Trefler) entwickelte mit dem Customer Decision Hub die profilierteste NBA-Plattform des Markts: Das System kombiniert Adaptive Models (Contextual-Bandit-basiertes ML, das durch Kundenreaktionen lernt), Business-Regelwerke (Regulatorische Constraints, Kampagnen-Budgets, Eligibility-Regeln) und Echtzeit-Entscheidungsoptimierung zu einem integrierten NBA-Stack. Pega-Kunden aus Banking und Telco berichten Steigerungen der Kampagnen-Conversion-Raten von 3–5× gegenüber regelbasiertem Targeting. ING Direct (Amsterdam), HSBC (London) und Verizon (New York) sind bekannte Pega-NBA-Implementierungen. Das theoretische Fundament für NBA lieferte die Entscheidungstheorie: Optimal eine Aktion a aus Aktionsmenge A zu wählen, maximiert den erwarteten Kundenwert E[CLV | a, Kontext] unter Berücksichtigung von Constraints. Contextual Bandits (Multi-Armed-Bandit mit Kontextfeatures) sind der häufig eingesetzte RL-Ansatz: Der Agent lernt durch Beobachten von Kundenreaktionen (hat der Kunde das Angebot angenommen?), welche Aktionen in welchen Kundenkontexten zu welchen Outcomes führen — kontinuierlich und ohne explizit definierte Trainingsepisoden.

NBA-Architektur und Entscheidungslogik

• Propensity-Modelle als NBA-Grundlage: NBA-Systeme basieren auf Propensity-Modellen für jede mögliche Aktion: Kaufwahrscheinlichkeit (Propensity to Buy) für jedes Angebot, Churn-Wahrscheinlichkeit für Retention-Aktionen, Upsell-Wahrscheinlichkeit für höherwertige Produkte, Service-Bedarf-Prognose für proaktive Service-Kommunikation. Propensity-Modelle (typisch: Gradient Boosting oder Logistic Regression) werden auf historischen Kundendaten trainiert und erzeugen für jeden Kunden eine Wahrscheinlichkeit pro Angebot und Aktion. Der NBA-Algorithmus selektiert dann die Aktion mit dem höchsten erwarteten Wert unter Business-Constraints (z. B. Maximum 3 Angebote pro Monat pro Kunde, Kreditprodukt nur für Kunden mit Kreditwürdigkeitsprüfung).
• 1:1-Marketing versus Segmentierung: Klassisches Segment-Marketing: Alle Kunden in Segment X erhalten Aktion Y — eine einzige Entscheidung für Tausende Kunden. NBA: Jeder einzelne Kunde erhält eine individuell berechnete optimale Aktion — Tausende individuelle Entscheidungen. Der Übergang von Segment-basiertem zu NBA-basiertem Marketing erfordert eine Daten- und Technologie-Transformation: einheitliche Echtzeit-Kundenprofile (CDP), prädiktive Scoring-Infrastruktur und Echtzeit-Entscheidungs-API-Integration in alle Kundenkontaktkanäle. ING berichtete, nach NBA-Implementierung von 20 Segmenten auf 1:1-Decisions gewechselt zu haben — mit messbar besserer Kundenzufriedenheit und Konversionsrate.
• Omnichannel NBA-Orchestration: NBA-Systeme müssen über alle Kundenkontaktkanäle konsistent entscheiden: Web (welchen Banner/Content zeigen?), Mobile App (welche Push-Notification senden?), E-Mail (welchen Newsletter-Inhalt personalisieren?), Call Center (welches Angebot dem Agenten empfehlen?), Filiale/POS (welches Angebot beim Checkout präsentieren?). Konsistenz ist kritisch: Ein Kunde, der online ein Angebot gesehen und abgelehnt hat, darf nicht im Call Center dasselbe Angebot erhalten — NBA muss den Kanal-übergreifenden Interaktionsverlauf kennen. Real-Time Interaction Management (RTIM — Forrester-Begriff) beschreibt diese Omnichannel-Echtzeit-Entscheidungsfähigkeit.
• Business-Constraints und ethische Guardrails: NBA-Systeme müssen Business-Constraints enforced haben: Regulatorische Einschränkungen (kein Kreditprodukt an Kunden unter Schuldnerberatung), Marketing-Fatigue-Limits (maximal N Angebote pro Monat pro Kanal), Budget-Constraints (monatliches Kampagnenbudget pro Angebots-Typ), Eligibility-Rules (Nur-Neukunden-Angebote nicht an Bestandskunden), Brand-Safety (kein Upselling bei aktivem Beschwerde-Ticket). Ohne sorgfältig definierte Constraints optimiert NBA auf kurzfristige Metriken zu Lasten von Kundenvertrauen und Compliance.

NBA-Implementierung und Branchen-Benchmarks

• Banking und Finanzdienstleistungen als Vorreiter: Finanzdienstleister setzen NBA am weitesten entwickelt ein: Hohe Customer Lifetime Values (Bankkundenbeziehungen dauern durchschnittlich 14 Jahre — Accenture, 2019), regulierte Kontaktmöglichkeiten (Cold Calling eingeschränkt) und reichhaltige Transaktionsdaten schaffen ideale Bedingungen. ING (Amsterdam) berichtete nach Pega-NBA-Implementierung einen 14-fachen ROI auf Marketing-Investitionen. HSBC (London), Commonwealth Bank of Australia (Sydney) und ABN AMRO (Amsterdam) gehören zu den am weitesten entwickelten NBA-Implementierungen. Telekommunikationsunternehmen (Vodafone, T-Mobile) sind zweite Vorreiterbranch für NBA — hoher Churn, lange Kundenverträge und vielfältige Angebotspalette (Tarife, Hardware, Services) schaffen grossen NBA-Wertbeitrag.
• Technologie-Anforderungen und CDP-Integration: NBA erfordert eine solide Daten-Infrastruktur: Einheitliches Echtzeit-Kundenprofil (CDP oder Real-Time Data Platform), Streaming-Daten-Integration (Kundenaktionen werden in Millisekunden verarbeitet), niedriglatente Entscheidungs-API (Sub-100ms für Web-Anwendungen), Feature-Store für prädiktive Modelle und Feedback-Loop-Integration (Kundenreaktionen werden als Trainingsdaten für Adaptive Models zurückgespielt). Ohne diese Infrastruktur-Voraussetzungen reduziert sich NBA auf Batch-Scoring — wertvoll, aber nicht das volle Real-Time-Potenzial.