Was ist eigentlich Next Best Action? In diesem Beitrag wollen wir uns ansehen, was genau hinter dem Konzept Next Best Action (NBA) steckt. Wir sehen uns dafür an, was die typischen Herausforderungen des klassischen Marketings sind und wie Next Best Action diese Herausforderungen automatisiert löst. Anschließend daran wollen wir uns ansehen, was die Unterschiede und Zusammenhänge zwischen Next Best Action und Next Best Offer sind.
Lassen Sie uns in der Reihenfolge starten:
1. Definition: Was ist Next best Action?
2. Probleme und Herausforderungen der klassischen Vermarktung
3. Wie setzt sich ein Next-Best-Action-Framework zusammen?
4. Anwendungsbeispiele des Next Best Action
5. Next Best Action vs. Next Best Offer: Unterschiede und Gemeinsamkeiten
6. Fazit zum Next Best Action
7. FAQ: Die wichtigsten Fragen schnell beantwortet
Definition: Was ist Next Best Action?
Das Konzept Next Best Action (NBA = die nächste beste Handlung) ist ein analytischer, auf Daten basierender Kommunikationsansatz. Durch die – auf künstlicher Intelligenz gestützte – Analyse der historischen Kundendaten lassen sich direkte prognostizierte Handlungsempfehlungen für das Marketing-, Vertriebs- oder Serviceteam auf Kundenebene ableiten.
Mit Next Best Action lassen sich Entscheidungen völlig automatisiert und datengestützt treffen: und das alles orientiert an den Interessen und Bedürfnissen der Kunden. So lässt sich die Kommunikation mit dem Kunden oder mit potenziellen Neukunden gezielt, personalisiert und effektiv gestalten.
Um zu verstehen, warum Sie in einen Next Best Action Ansatz investieren sollten, sehen wir uns im folgenden Abschnitt zunächst die typischen Probleme in der Kundenkommunikation und im CRM an.
Probleme und Herausforderungen der klassischen Vermarktung
Marketing- und Vertriebsmitarbeiter stehen immer wieder vor denselben Herausforderungen. Die Anzahl an Kunden und Produkten steigt, dadurch nimmt der persönliche Kontakt zum Kunden ab. Die Kommunikationskanäle vervielfältigen sich und trotzdem wünscht sich der Kunde eine individuelle Betreuung. All diese Herausforderungen sorgen letztendlich für einen sinkenden Marketing ROI.
Sehen wir uns an, welche Voraussetzungen wir erfüllen müssen, um eine gute Vermarktung zu leiten und gleichzeitig, welche Herausforderungen vorliegen:
| Die Voraussetzungen | Die Herausforderungen |
| – Die Angebote sollen Relevanz für den Kunden haben – Richtige Angebote sollen zur richtigen Zeit, über den richtigen Kanal folgen – Produktauswahl soll für Kunde vorselektiert sein – Produkte, die die Unternehmensziele fördern, sollten priorisiert sein | – Wer ist der Kunde eigentlich? – Welche Angebote sind die Richtigen? – Über welchen Kanal soll ich kommunizieren? – Wann kann ich die Produkte vorschlagen? – Wie soll ich eine Vorauswahl aus tausend Produkten treffen? – Welche Produkte fördern die Unternehmensziele? – Wer ist eigentlich für das alles zuständig? |
Insgesamt können wir festhalten: Die Steuerung von Kundenkommunikation ohne technische und intelligente Unterstützung ist ineffizient. Moderne Prozesse im Marketing, Vertrieb und Service müssen also:
- skalierbar,
- personalisiert
- und kosteneffizient sein.
Und das funktioniert nur mit Künstlicher Intelligenz.
Lassen Sie uns nun ansehen, wie genau wir Künstliche Intelligenz für den Next-Best-Action-Ansatz verwenden.
Wie setzt sich ein Next-Best-Action-Framework zusammen?
Der Ansatz Next Best Action ist als ein gesamtheitliches Kommunikationsframework zu betrachten. Dieses setzt sich aus unterschiedlichen Modulen und Funktionen zusammen, abhängig von den gewünschten Zielen des Unternehmens und der Ausbaustufe:
- Next Best Offer (= das nächste beste Angebot): Gibt an, welches Produkt wir welchem Kunden wann anbieten sollen
- Next Best Service (= die nächste beste Service-Leistung): Wie kann ich dem Kunden am besten weiterhelfen?
- Kanalaffinitäten: Über welche Kanäle erreichen wir Kunde X am besten?
- Verhaltensvorhersagen: Reaktionsvorhersagen auf Kommunikation und Kundenverhalten
- Business Rules: Die Geschäftslogik ist ein Grundbaustein für Next Best Action
- Kommunikationsstrategie: Regelt die Anzahl der Kontakt und steuert die Ausspielung von einzelnen Kampagnen
In der folgenden Grafik sehen wir den Prozess hinter einem Next-Best-Action-Framework. Um es kurz wiederzugeben: Wir importieren die historischen Kundendaten und pflegen sie dann in verschiedene KI-Modelle ein. Anschließend folgt die Aussteuerung der Komplexität (erneut durch KI), damit wir schließlich trennscharfe Ergebnisse vorliegen haben.
Die Ergebnisse stellen wir dem Kampagnen-Management zur Verfügung, die wiederum Ihre Kampagnen (an den Ergebnissen orientiert), über die passenden Kanäle ausspielen.
Das Ziel des Next-Best-Action-Ansatzes ist es, den Entscheidungsprozess im Marketing und Vertrieb auf der Basis von vielen verschiedenen Vorhersagen automatisiert ablaufen zu lassen.
Es geht dabei um:
- eine Dynamisierung von Inhalten und Ansprachen
- die richtige Kanalauswahl
- die Wahl der richtigen Rabatte
- das Vorhersagen von Kundenverhalten in Bezug auf die Datenschutzeinwilligungen bei hohem Werbedruck
- ein einheitliches Regelwerk für ein einheitliches Kommunikations-Framework und das in allen Kanälen
- und vieles mehr
Als Ergebnis des NBA-Frameworks erhalten wir eine kundenindividuelle Handlungsempfehlung, wie zum Beispiel: Kunde…
- …A interessiert sich für Produkt X: Schlage Produkt X vor
- …B ist affin für Kommunikationskanal Print: Schicke Angebote per Brief
- …C interessiert sich für größeren Vertrag: Upsell-Möglichkeit nutzen
Die folgende Grafik stellt ein vereinfachtes Next-Best-Action-Framework dar. Hier geht es um die Vorhersage von Produktaffinitäten von Kunde G bezogen auf verschiedene Marken. In einem nächsten Schritt werden die Kanalaffinitäten „Print“ und „Callcenter“ vorhergesagt, um schließlich durch die Entscheidungslogik die passenden Produkte über den passenden Kanal für Kunde G vorzuschlagen.
Ist das NBA-Framework erst im Marketing- und Vertriebsprozess implementiert, liefert es automatisierte und datengestützte Handlungsempfehlungen. Diese Handlungsempfehlungen basieren auf den Ergebnissen mehrerer analytischer Konzepte, wie Empfehlungssysteme, Kundenwertmodelle oder Affinitätsmodelle.
Um einen tieferen Einblick in die Funktionsweise und Komplexität so eines analytischen – auf maschinellem Lernen basierten – Konzepts zu erlangen, betrachten wir im Folgenden letzteres Modell etwas genauer: Das Affinitätsmodell.
Die Entwicklung eines Affinitätsmodells
In der Praxis kann man zwischen zwei Affinitätsmodellen unterscheiden:
- Ein Purchase & Look-Alike Modell lernt aus dem Kundenverhalten der Grundgesamtheit aller Kunden. Diese Art von Modell beschreibt Affinitäten, die wir aus den historischen Kundenverhalten ableiten. Wir beantworten hier die Frage: Wie wird sich der Kunde X von sich selbst aus in der Zukunft verhalten?
- Ein Response Modell beschreibt, wie ein Kunde auf eine konkrete Marketing-Maßnahme reagiert. Hier beziehen wir nur Kunden mit in das Modell, die von einer bestimmten Maßnahme betroffen sind. Dadurch bekommen wir Aufschluss über das Verhalten des Kunden in Interaktion mit einer bestimmten Kampagne.
In der folgenden Tabelle sehen wir die beiden Modelle nochmals im Vergleich:
| Machine Learning Modell | Modell lernt | Löst Problem für… |
| Purchase Modell | P(Kauf|x) oder E(Umsatz|x) | …Zielgruppen mit:Hoher/niedriger Kaufwahrscheinlichkeit |
| Response Modell | P(Kauf|x, mit Marketingkampagne) oder E(Umsazu|x, mit Marketingkampagne) | …Zielgruppen mit:Hoher/niedriger Kaufwahrscheinlichkeit mit Marketingkampagne |
Wie bauen wir nun so ein Affinitätsmodell?
- Zunächst bauen wir Trainingsdaten auf (das Flatfile):
Zielvariablen (z.B. Wechsel von Produkt X in Produkt Y) und Zeitraum für Vorhersage (z.B. 3 Monate) bestimmen. - Anschließend bereiten wir die Daten vor:
Wir sortieren Transaktionsdaten, Verhaltensdaten und Produktmetadaten und bringen sie in eine Form, die der Algorithmus lesen kann. - Der Algorithmus findet Muster und Zusammenhänge in den Daten und lernt aus diesen.
- Dann bildet der Algorithmus Modelle, die wir mit Trainingsdaten validieren.
- Schließlich verwenden wir das beste Affinitätsmodell und schließen damit auf zukünftige Affinitäten der Kunden.
Nun, da wir eine Vorstellung davon haben, wie wir so ein Next-Best-Action-Framework bilden können, lassen Sie uns gemeinsam ansehen, was eine Implementierung des Frameworks im Marketing- und Vertriebsprozess mit sich bringt.
Was sind die Vorteile des Next Best Action?
Next Best Action hat sehr viele Vorteile. Dadurch, dass wir uns an den Interessen und Bedürfnissen der Kunden orientieren, optimieren und personalisieren wir unsere Kommunikationsstrategien. So finden die richtigen Produkte zur richtigen Zeit zum passenden Kunden.
Der Prozess, der die Ergebnisse für die Orientierung liefert, ist dabei völlig automatisiert und skalierbar. Somit unterstützen die Ergebnisse des Next-Best-Offer-Ansatzes das Marketing- und Vertriebsteam bei Entscheidungen in der Kundenkommunikation.
Lassen Sie uns nun eine Anreihung an Vorteilen betrachten, die mit der Implementierung eines NBA-Frameworks einhergehen:
- Konkrete Handlungsanweisungen
- Schnelle und gezielte Reaktion auf Kundenbedürfnisse
- Cross- und Up-Selling-Potenziale maximal nutzen
- Gestärkte Kundenzufriedenheit und -bindung
- Effektiver Einsatz von Marketingbudget (Niemand will die Marketing-Gießkanne!)
Da wir nun viel Input zu verarbeiten haben, lassen Sie uns noch ein paar Beispiele zur Veranschaulichung betrachten.
Anwendungsbeispiele des Next Best Action
Abgesehen von den Beispielen, die wir hier besprechen werden, haben wir noch ein paar spannende KI-Use Cases zum Thema Next Best Action auf unserer Homepage. In diesen erklären wir Ihnen detailliert, wie wir unsere KI im NBA-Bereich einsetzen und wie genau diese die Probleme unserer Kunden effektiv löst.
Wie bereits im vorherigen Abschnitt, ergibt es auch hier Sinn, drei Anwendungsbeispiele für die jeweiligen Branchen zu beleuchten.
1. Anwendungsbeispiel: Produkt- und Kanalaffinitäten (Telekommunikation)
Ein Telekommunikationsanbieter hat ein neues Vorteilspaket entwickelt. Dieses lässt sich problemlos zum bestehenden Tarif hinzubuchen und soll mit einer einheitlichen Print-Kampagne versendet werden.
Was ist die Herausforderung?
Der Anbieter hat mehrere hundert Millionen Kunden im Kundenstamm und möchte die Prints gerne an die Kunden verschicken, die sich für das neue Angebot interessieren könnten. Die Marketing-Abteilung wird also beauftragt, diese Kunden zu identifizieren, damit sich die Kampagne besonders im Punkt ROI lohnt. Wie soll das Marketing-Team entscheiden, wer sich für die Kampagne und das Produkt eignet?
Die Lösung
Wir implementieren ein Next-Best-Action-Framework in den Marketingprozess des Telekommunikationsanbieters. Auf diesem Wege können wir genau die Kunden identifizieren, die zum einen für Printmedien, und zum anderen für das Angebot affin sind. Das Marketing-Team folgt nun lediglich den – Machine Learning gestützten – Handlungsempfehlungen und versendet die Kampagne an die passenden Adressaten.
2. Anwendungsbeispiel: Markenaffinitäten und Umsatz pro Produktkategorie (E-Commerce)
Ein E-Commerce Unternehmen der Fashion-Branche möchte die Verkaufszahlen gerne steigern. Dafür möchten Sie den Kunden passende – den Interessen des Kunden entsprechende – Angebote und Verkaufstrigger senden.
Die Herausforderung:
Durch die Größe des Kundenstamms wirkt der Kunde auf die Marketing- und Vertriebsmitarbeiter anonym. Besonders Neukunden können kaum manuell bewertet werden. So ist unklar, welcher Kunde sich für welche Marke oder Produktkategorie interessiert. Außerdem ist unklar, in welcher Produktgruppe der Kunde den höchsten Umsatz akquiriert.
Die Lösung:
Indem wir einen Next-Best-Action-Ansatz als Basis für die Marketingentscheidungen verwenden, können wir personalisierte Angebote versenden. Das funktioniert dadurch, dass wir das vergangene Kunden- und Kaufverhalten analysieren und so ähnliche Kundenprofile gleich bewerten. So können wir sogar Neukunden einschätzen und mit den richtigen Angeboten vom Kauf überzeugen.
Um den Umsatz in den jeweiligen Produktkategorien pro Kunde vorherzusagen, implementieren wir in das NBA-Framework zusätzlich Umsatzmodell. Durch dieses ist abzuschätzen, wie viel Umsatz ein Kunde pro Produktkategorie zu einem bestimmten Zeitpunkt generiert. Da es sich um einen automatisierten und skalierbaren Prozess handelt, ist kein weiterer manueller Aufwand nötig als das Versenden der Angebote.
3. Anwendungsbeispiel: Produktempfehlungen (B2B-Vertrieb)
Ein B2B-Vertriebsunternehmen möchte gerne Bestandskunden anrufen und sie von dem Kauf eines Produkts überzeugen. Da die Betreuung der Kunden selbst viel Zeit in Anspruch nimmt und das Unternehmen nur eine kleine Anzahl an Vertriebsmitarbeitern hat, sollen nur die Kunden kontaktiert werden, die eine hohe Kaufwahrscheinlichkeit für dieses Produkt haben.
Die Herausforderung:
Wie bereits erwähnt ist die Mitarbeiteranzahl im Vertriebs-Team begrenzt. So ist es besonders bei einem Kundenbestand von über tausend Kunden schwer, die passenden Käufer für das Produkt auszuwählen.
Die Lösung:
Auch für das Vertriebs-Team bietet das Next-Best-Action-Framework eine datenbasierte Handlungsempfehlung. Durch die Kauf- und Transaktionsdaten der Vergangenheit wird deutlich, welcher Kunde in der Zukunft mit einer hohen Wahrscheinlichkeit dazu tendiert, ein Produkt zu kaufen oder eher nicht.
Next Best Action vs. Next Best Offer: Unterschiede und Gemeinsamkeiten
Next Best Action (= die nächstbeste Handlung) und Next Best Offer (= das nächstbeste Angebot) sind zwei verschiedene Konzepte. Das Konzept Next Best Offer beschäftigt sich hauptsächlich mit dem Kaufverhalten von Kunden gegenüber Produkten. In Entscheidungsprozessen hilft das Konzept dabei, die Auswahl an höchst personalisierten Produkten zu treffen. Wir finden hier Antworten auf die Frage: Ist der Kunde bereit für den Kauf des Produkts und wie hoch ist die Wahrscheinlichkeit, dass er es kauft? Der Fokus liegt also auf dem Angebot.
Next Best Action können wir wiederum als ein übergeordnetes Konzept betrachten. Es betrachtet eine Reihe an möglichen Aktionen in der Kundenkommunikation. Innerhalb des Next-Best-Action-Frameworks befindet sich das Konzept Next Best Offer. Hier beschäftigt uns die Frage: Wie sollten wir als nächstes – im Interesse des Kunden – handeln? Wollen wir also beispielsweise wissen, welches Produkt der Kunde am ehesten kauft und darüber hinaus, auf welchem Kanal wir ihn am besten kontaktieren, dann sprechen wir von Next Best Action. Denn Next Best Action beinhaltet eine Reihung von Handlungen.
Lassen Sie uns zur Veranschaulichung eine Tabelle ansehen. In dieser sind die Konzepte NBA und NBA nochmals übersichtlich gegenübergestellt:
| Kategorie | NBA | NBO |
| Bedeutung | Die nächstbeste Handlung | Das nächstbeste Angebot |
| Fokus | Der gesamte Kommunikations- und Vermarktungsprozess | Produkte |
| Nutzen/Beinhaltet? | Beinhaltet die Steuerung und Automatisierung von Kommunikationsvorhaben aus Basis von Vorhersagen und Business Rules. Analytische Bestandteile davon sind: – Produktaffinität – Kanalaffinität – Next Best Offer – Next Best Service | – Gibt Vorschlag für ein oder mehrere Produkte, die Kunden gefallen könnten – Gibt Wahrscheinlichkeit oder Wertbeitrag (Umsatz) für Kunden und Produkt an – Gibt Zeitpunkt an, an welchem wir Produkt anbieten sollen |
Fazit zum Next Best Action
Zusammenfassend können wir also sagen, dass das Konzept Next Best Action viele Vorteile mit sich bringt. Besonders für Entscheidungen im Marketing und Vertrieb, bietet NBA eine große Unterstützung. Indem wir uns an den Handlungsempfehlungen des NBA-Frameworks orientieren, vermarkten wir skaliert, optimiert und automatisch.
Wenn auch Sie ein Next Best Action Framework in Ihrem Marketing- und Vertriebsprozess implementieren möchten, dann kontaktieren Sie uns doch gerne! Gemeinsam führen wir ein unverbindliches Beratungsgespräch.
Spannende Next Best Offer Projekte:
In diesem Anwendungsfall zeigen wir, wie wir einem Telekommunikationsunternehmen mittels einer Up-Selling Optimierung zu zahlreichen Vorteilen verholfen haben. Zudem gehen wir auf …
Sie möchten Ihren Umsatz mit einem Produktempfehlungssystem steigern, wissen aber nicht wie? Dann hilft Ihnen dieser KI-Use Case weiter. In diesem KI-Anwendungsbeispiel …
Sie würden gerne wissen, wann Sie welchem Kunden, zu welchem Zeitpunkt das richtige Angebot machen können? Dann sind Sie bei diesem KI-Anwendungsfall …
Wie können aus tausenden von Produkten genau die Produkte ausgewählt werden, die für den Kunden relevant sind? Genau mit dieser Frage beschäftigte …
Wie lassen sich Kunden die eine bisher kostenfreie-Version verwenden zu dem Abschließen eines kostenpflichtigen Abos überreden? Durch die richtige Kommunikation zum richtigen Zeitpunkt! In folgendem Anwendungsbeispiel demonstrieren wir Ihnen, wie wir …
Jedem Kunden das richtige Angebote zur richtigen Zeit machen und so das Cross-Selling optimieren? Mit dem intelligenten Next-Best-Offer-System ist das kein bloßes Zukunftsversprechen mehr, sondern längst Realität. In …
FAQ: Die wichtigsten Fragen schnell beantwortet
Next Best Action (NBA= die nächste beste Aktion) ist ein Kommunikationsframework, was auf Künstlicher Intelligenz basiert. Durch dieses können wir die nächste beste Handlung für unsere Kundenkommunikation skaliert, optimiert und automatisch vorhersagen.
Durch Next Best Action können wir vorhersagen, welcher Kunde zu welchem Zeitpunkt das richtige Produkt über den richtigen Kanal vorgeschlagen bekommen sollte. Damit garantieren wir personalisiertes, effektives und kundenzentriertes Marketing.
Next Best Action (NBA) sagt die nächste beste Handlung für eine kundenindividuelle, personalisierte Kommunikation voraus. Das Konzept ist als Framework zu betrachten, welches wiederum mehrere Konzepte – unter anderem Next Best Offer – beinhaltet. Next Best Offer (NBO) ist ein Konzept, welches das nächste beste Angebot vorhersagt. Durch NBO können wir bestimmen, welches Produkt das Richtige für den Kunden ist.
