Next Best Action: aus Kundensignalen konkrete Maßnahmen ableiten

Mehrere Teams arbeiten mit eigenen Prioritäten, ohne eine gemeinsame Entscheidungslogik. Das CRM hat für einen Teil der Bestandskunden eine Renewal-Erinnerung eingeplant. Das Marketing möchte denselben Kontakten eine Cross-Selling-Kampagne schicken. Customer Success markiert einzelne Top-Konten als retention-kritisch und plant einen persönlichen Anruf. Es fehlt eine verbindliche Regel dafür, welche Aktion beim jeweiligen Kunden zuerst umgesetzt werden soll.

Dieses Muster tritt häufig auf, sobald mehrere Kundenscores und Handlungsmöglichkeiten parallel verfügbar sind. Der Customer Lifetime Value beschreibt die wirtschaftliche Bedeutung des Kunden. Ein Churn-Score schätzt das Risiko einer Kündigung oder Inaktivität. Ein Propensity-Modell bewertet die Wahrscheinlichkeit, dass ein Kunde auf eine bestimmte Maßnahme reagiert. Benötigt wird eine Entscheidungslogik, die diese Signale gemeinsam bewertet und eine priorisierte Maßnahme ableitet: Welche Aktion ist unter den aktuellen Bedingungen sinnvoll, und über welchen Kanal sollte sie erfolgen?

Next Best Action ist erst dann dauerhaft nutzbar, wenn Daten, Regeln, Aktivierung und Erfolgsmessung zusammenpassen. Die relevanten Signale müssen in einem konsistenten Kundenprofil verfügbar sein. Für jede Maßnahme sollten Eignung, Ausschlüsse und Priorisierungsregeln dokumentiert sein. Die Wirkung sollte mit einer geeigneten Kontrollgruppe bewertet werden.

Die Begriffe überschneiden sich, beschreiben aber unterschiedliche Entscheidungsebenen. Die Abgrenzung ist wichtig, weil sie steuert, welche Logik gebaut wird und wer im Unternehmen sie verantwortet.

Next Best Offer konzentriert sich auf die Auswahl eines passenden Produkts oder Angebots. Das ist die klassische Cross- und Up-Selling-Frage, getrieben aus Warenkorb- und Affinitätsmustern. Next Best Action umfasst zusätzlich Service, Information, Kanalwahl, Timing und bewusste Kontaktpause. Die Verantwortung sollte gemeinsam zwischen Marketing, Vertrieb, Service und Data geklärt werden, da in vielen Situationen eine Service- oder Retention-Maßnahme sinnvoller ist als ein weiteres Angebot.

Next Best Activity bezeichnet häufig eine besonders konkrete Handlungsempfehlung für Mitarbeitende im Contact Center oder Vertrieb („biete Tarifwechsel an", „erkläre Rechnungsdetails") und ist damit eine Teilmenge von NBA. Für viele B2B-Anwendungen genügt die Unterscheidung zwischen produktbezogenem Angebot und übergreifender Kundenmaßnahme.

Diese Abgrenzung greift, sobald datengetriebenes Cross-Selling im Spiel ist: Eine Cross-Sell-Empfehlung kann als Angebotskandidat in die übergeordnete NBA-Logik einfließen und gegen andere mögliche Maßnahmen abgewogen werden.

NBA-Lösungen entwickeln sich häufig schrittweise von einfachen Regeln zu komplexeren Modellen. Mit jeder Ausbaustufe steigen Datenbedarf, Betriebsaufwand und Anforderungen an die Wirkungsmessung.

Regelbasierte Trigger eignen sich für klar definierte Lebenszyklusereignisse. Beispiele sind Inaktivität, Vertragsende oder ein nicht abgeschlossenes Onboarding. Die Logik ist transparent und lässt sich ohne Machine Learning umsetzen. Mit wachsender Zahl von Regeln steigen Konflikte, Pflegeaufwand und Ausnahmelogik; eine feste Grenze lässt sich jedoch nicht pauschal angeben. Ohne zentrale Priorisierung können zusätzliche Regeln widersprüchliche Maßnahmen erzeugen.

Propensity-Modelle bewerten für jeden Kunden die Reaktionswahrscheinlichkeit auf eine bestimmte Maßnahme. Die Berechnung kann regelmäßig im Batch erfolgen und als Score in operative Systeme übernommen werden. Damit wird die Auswahl stärker auf individuelles Verhalten und Kontext abgestimmt. Ein reiner Batchscore lernt nur dann aus Ergebnissen, wenn Feedbackdaten strukturiert in Training und Evaluation zurückfließen. Ein Propensity-Modell kann zudem Kunden mit hoher natürlicher Kaufwahrscheinlichkeit priorisieren, ohne den zusätzlichen Effekt der Maßnahme zu messen.

Uplift-Modelle schätzen den inkrementellen Effekt einer Maßnahme gegenüber keiner Maßnahme. Sie versuchen, Kunden zu identifizieren, deren Verhalten durch die Intervention tatsächlich verändert wird. Eine Studie der Boston Consulting Group benennt die Fehlallokation an „Sure Things" als zentrale Schwachstelle klassischer Propensity-Programme. Kunden, die ohnehin kaufen würden, sollten nicht automatisch mit Rabatten oder aufwendigen Maßnahmen priorisiert werden. Uplift ist besonders geeignet, wenn Budget auf tatsächlich beeinflussbare Kunden konzentriert werden soll.

Contextual Bandits und Reinforcement-Learning-Verfahren passen Entscheidungen laufend anhand von Kontext und Feedback an. Sie balancieren zwischen dem Testen neuer Optionen und der Nutzung bereits erfolgreicher Maßnahmen. Einzelne Anbieterbeispiele zeigen deutliche Verbesserungen, lassen sich jedoch nicht ohne vergleichbare Ausgangslage auf andere Unternehmen übertragen. Der Ansatz kann aus laufenden Interaktionen lernen, sofern Outcomes schnell und verlässlich zurückgespielt werden. Benötigt werden genügend Interaktionen je Maßnahme und eine belastbare Feedback-Schleife.

Agentische Ansätze können mehrstufige und dynamische Journeys aus einem definierten Maßnahmenraum zusammensetzen. Für viele B2B-Unternehmen ist dieser Ansatz erst sinnvoll, wenn Daten-, Regel- und Evaluationsprozesse bereits stabil funktionieren. Vor einem solchen Ausbau sollten einfachere Entscheidungs- und Feedbackmechanismen zuverlässig betrieben werden.

In einer zentralen Priorisierung werden die verbleibenden Maßnahmenkandidaten miteinander verglichen. Pega Academy beschreibt diese Arbitration-Mechanik als zentrale Komponente jeder Decision-Engine, weil sie die einzelnen Modellscores in eine vergleichbare Priorität übersetzt:

Ziel ist ein einheitlicher Score, mit dem unterschiedliche Maßnahmenklassen gegeneinander abgewogen werden können.

Der passende Reifegrad hängt von Datenqualität, Interaktionsvolumen und Betriebsfähigkeit ab. Vor einer Produktentscheidung sollte geklärt werden, welche Stufe organisatorisch und technisch tatsächlich betrieben werden kann.

Eine Lakehouse-Architektur kann Datenaufbereitung, Features, Modellverwaltung und Aktivierungs-APIs verbinden. Die Databricks-Referenzarchitektur für NBA in der Telekommunikation beschreibt einen entsprechenden Stack aus Bronze-Silver-Gold-Schichten, Feature Store, MLflow für den Modell-Lifecycle und Model Serving als Aktivierungs-API. Referenzarchitekturen können Orientierung geben, müssen aber auf bestehende Systeme und Anforderungen angepasst werden.

Feste Kundenzahlgrenzen sind nur grobe Heuristiken und sagen wenig über Interaktionsvolumen oder Modellierbarkeit aus. Auch Volumenschwellen sollten nicht als allgemeine Mindestanforderung verstanden werden. Für viele B2B-Unternehmen sind Batch-Propensity oder Uplift ein realistischer Zielzustand, sofern ausreichend Daten und Testdisziplin vorhanden sind. Komplexe adaptive Systeme sind wenig sinnvoll, wenn einfache Regeln, Datenfeedback und Holdouts noch nicht zuverlässig funktionieren. Umgekehrt kann ein rein regelbasierter Ansatz bei hoher Interaktionsdichte und guter Datenbasis langfristig unnötig begrenzt sein.