Next best action marketing erklärt: wie es funktioniert, reale B2C-Beispiele, wie es sich von Segmentkampagnen und marketing automation unterscheidet und was es auf einer Basis von 2 Mio. wert ist.
Next Best Action (NBA) ist ein decisioning-Ansatz, der für jeden Kunden zu jedem Zeitpunkt die einzelne Aktion mit dem höchsten erwarteten inkrementellen Wert auswählt. Er ersetzt Segment-und-Blast-Kampagnen durch kunden- und zeitspezifisches Routing. Im Jahr 2026 werden die meisten großen B2C growth-Programme entweder eine Version von NBA nutzen oder aktiv darauf migrieren.
Der Begriff wurde von Anbietern überladen; Salesforce Einstein, Pega Customer Decision Hub und ein halbes Dutzend CDPs beanspruchen ihn alle für sich. Daher ist es hilfreich, ihn auf die zugrunde liegende Idee zurückzuführen und von Grund auf neu aufzubauen.
Next Best Action marketing ist die Praxis, für jeden einzelnen Kunden zu jedem Zeitpunkt die einzelne marketing Intervention mit dem höchsten erwarteten inkrementellen Wert auszuwählen – anstatt Kampagnen für Segmente zu planen. Die Kandidatenmenge umfasst das Nichtstun. Jede Entscheidung wird gegen einen erhaltenen holdout gemessen, sodass der gemeldete uplift kausal und nicht korrelativ ist.
Drei Dinge sind in dieser Definition tragend. Pro Kunde bedeutet, dass die Entscheidungseinheit eine Person ist, nicht ein Segment. Pro Moment bedeutet, dass die Entscheidung neu bewertet wird, wenn sich der Status ändert, nicht in einem wöchentlichen Turnus. Inkrementeller Wert bedeutet, dass der Score widerspiegelt, was der Kunde tut because der Aktion, nicht was sie sowieso getan hätten.
Die Segmentierung gruppiert Kunden in "Buckets" und wendet eine gemeinsame Behandlung auf den Bucket an. Next Best Action bewertet jede geeignete Kandidatenaktion für jeden einzelnen Kunden und wählt den Gewinner pro Kunde pro Moment aus. Der Unterschied ist wichtig, weil Segmente den pro-Kunden-uplift systematisch unterschreiten: Zwei Kunden im selben Segment können entgegengesetzte Behandlungseffekte haben, und eine segment-level-Behandlung mittelt diese zu einem mittelmäßigen Ergebnis für beide.
Segments können weiterhin als Guardrails oder Berechtigungsfilter (Region, Plan-Tier, Zustimmungsstatus) existieren, sollten aber nicht entscheiden, was gesendet werden soll. Das ist die Aufgabe der kundenbezogenen, aktionsbezogenen Bewertung.
| Dimension | Segmentkampagnen | Regelbasiertes Personalisieren | Next Best Action |
|---|---|---|---|
| Entscheidungseinheit | Ein Segment, wöchentlich entschieden | Ein Regelzweig, bei der Erstellung entschieden | Ein Kunde, der bei Statusänderung neu entschieden wird (re-decided) |
| Ranking score | Priorität des Marketers | Regelreihenfolge | Erwartete inkrementelle Marge pro Aktion |
| Messung | Post-hoc-Attribution | Selten überhaupt gemessen | Preserved holdout, pro Entscheidung |
| Grenzkosten einer weiteren Aktion | Hoch: mehr Sendungen, mehr Ermüdung | Hoch: Regeln vervielfachen sich und kollidieren | Nahe Null: Die Bewertung entscheidet, einschließlich „nichts tun“ |
| Typisches Versagen | Behandelt Kunden, die ohnehin konvertiert hätten | Eingefrorene Logik, die niemand zu ändern wagt | Propensität als uplift neu bezeichnet |
Ein moderner NBA-Stack erfasst in nahezu Echtzeit drei Familien von Signalen: verhaltensbezogene (Produkt-Events, Sitzungsaktualität, Engagement-Abnahme), transaktionale (Käufe, Abrechnungsereignisse, Planänderungen) und kontextbezogene (Gerät, Standort, Saisonalität, frühere Marketing-Exposition). Diese landen in einem Feature Store, der den Zustand jedes Kunden zu jedem Zeitpunkt auflöst.
Zwei Modellfamilien erledigen die eigentliche Arbeit. Propensity modelsdie Wahrscheinlichkeit schätzen, dass ein Kunde eine Aktion ausführt; nützlich für Berechtigung und Priorisierung. Uplift-Modelle, Meta-Learner wie T-learner, X-learner und R-learner schätzen den kausalen Effekt einer spezifischen Intervention auf einen spezifischen Kunden. Uplift ist die Modellfamilie, die NBA tatsächlich benötigt, denn der ganze Punkt ist, Aktionen nach ihrem inkrementellen Effekt zu bewerten, nicht nach ihrem erwarteten Niveau.
Die decisioning engine nimmt die bewerteten actions und wählt einen Gewinner pro Kunde aus, unter Berücksichtigung von constraints: channel capacity, frequency caps, consent, product eligibility, holdout assignment. Sie gibt eine decision pro Kunde pro Moment aus, mit einem vollständigen Provenance Trail, dem Signal, dem segment, der model version und dem vorherigen Experiment, von dem es abstammt.
Die gewählte Aktion wird an den entsprechenden Kanal (E-Mail, Push, In-Product, Call Center, Paid) weitergeleitet, und das Ergebnis wird anhand eines beibehaltenen holdout von Kunden gemessen, die für denselben Zeitraum keine Aktion erhalten haben. Die Auswertung ist Treated-versus-holdout, pro Aktion, pro Kohorte. Alles darunter ist nicht kausal.
Jeder Category Leader hat ein NBA-Produkt: Salesforce Einstein Next Best Action, Pega Customer Decision Hub, Adobe Journey Optimizer und jetzt die meisten modernen CDPs. Die Stacks unterscheiden sich im Detail, konvergieren aber auf die gleiche konzeptionelle Form. Was sie in der Praxis unterscheidet, ist (a) ob die Modelle wirklich Uplift-basiert sind oder Propensität unter einem Rebranding verpacken, (b) ob ein erhaltener holdout ein erstklassiges Objekt oder ein nachträglich angefügter Gedanke ist und (c) wie viel des Loops tatsächlich eigenständig ist, d.h. Candidate actions vorschlägt und nicht nur aus einem festen Satz auswählt, den der Marketer im Voraus geschrieben hat.
Ein zukünftiger Beitrag in dieser Serie wird einen direkten Vergleich der großen Anbieter anstellen; im Moment gilt für den Käufer folgende Faustregel: Wenn das Produkt dir nicht den inkrementellen Deckungsbeitrag pro decisioning im Vergleich zu einer Kontrolle zeigen kann, erfüllt es nicht die Aufgabe, die NBA erfüllen soll.
Nehmen wir ein Abo-Geschäft mit 2.000.000 aktiven Kunden und einem durchschnittlichen monatlichen ARPU von 9,40 USD – dem Medianwert für Streaming im Jahr 2026 im Markin benchmark set. Sechs Aktionen sind in jeder Woche möglich: ein Tier-Upgrade, ein Add-on cross-sell, ein Nutzungshinweis (usage nudge), eine Retention-Speicherung (retention save), eine Zahlungs-Wiederherstellungsaufforderung (payment-recovery prompt) und keine Aktion.
Die folgenden Beispiele sind die Entscheidungen, die große B2C-Teams am häufigsten über eine NBA-Ebene routen. In jedem Fall entsteht der Wert aus der Auswahl zwischen Aktionen und nicht aus der Aktion selbst.
Marketing automation führt Journeys aus, die von einem Menschen erstellt wurden: Verzweigungslogik, Timing und Angebote sind zum Designzeitpunkt festgelegt und ändern sich nur, wenn jemand den Flow bearbeitet. Next best action marketing entscheidet zur Laufzeit, welche Aktion, falls überhaupt eine, den höchsten erwarteten inkrementellen Wert für diesen Kunden in diesem Moment hat. Sie sind keine konkurrierenden Kategorien: automation ist die Ausführungs-Ebene, NBA ist die decision Ebene, die ihr mitteilt, was, an wen und wann gesendet werden soll. Teams, die NBA zusätzlich zu einer bestehenden Engagement-Plattform einführen, behalten ihre Kanäle und ersetzen nur die Logik, die die Maßnahme auswählt.
NBA wird als inkrementeller uplift pro Entscheidung gegen einen erhaltenen holdout gemessen: ein zufällig zugewiesener Anteil berechtigter Kunden, die im selben Zeitraum keine Aktion erhalten. Das Ergebnis ist treated-minus-holdout auf die Business-Metrik – inkrementeller ARPU, Marge oder Sparquote – niemals Öffnungen, Klicks oder zugeschriebene Konversionen.
Das in dem Rechenbeispiel verwendete ARPU-Niveau ist der Streaming-Median von 2026 aus dem Markin B2C benchmark set (147 Betreiber mit mindestens einer Million aktiven Kunden, die letzten zwölf Monate bis Q2 2026); siehe ARPU Benchmarks nach Branche 2026. Die uplift-Bereiche werden in Markin-Implementierungen mit einem erhaltenen holdout beobachtet und sind keine Garantie: Sie hängen von der Basisgröße, der Kanalbreite und davon ab, wie viel ungenutztes Potenzial besteht, bevor NBA beginnt. Die Definitionen von ARPU, die durchgehend verwendet werden, folgen den ARPU-Berechnungsleitfaden.
Wenn du NBA als Betriebsmodell und nicht als zu kaufendes feature evaluierst, sind die beiden dazu passenden Teile kontinuierliche Entscheidungsfindung (warum der Kalender weg muss) und wie man den ARPU steigert (welche spezifischen Entscheidungen die Zahl tatsächlich beeinflussen). Um für deine eigene Basis eine Zahl festzulegen, schätzt der ROI- und Inkrementalitätsrechner schätzt den uplift, der einen holdout überleben würde, und dimensioniert die Kontrollgruppe, die du bräuchtest, um ihn zu beweisen.
Wenn die Frage ist, welcher Anbieter dies bereits tut, sind die zwei häufigsten Ausgangspunkte Einstein Next Best Action innerhalb von Salesforce und Braze Decisioning Studio innerhalb der Messaging-Ebene. Beide ranken innerhalb ihres eigenen Bereichs; keiner reserviert einen randomisierten holdout pro Entscheidung.
Tiefere Anleitungen zu jedem Teil der Disziplin:
Markin führt Next Best Action als natives Betriebsmodell aus: pro Kunde, pro Moment, nach inkrementeller Marge geordnet, gemessen gegen einen holdout. Erkunde Growth Optimization um es live zu sehen.
Häufig gestellte Fragen
Verwandte Ressourcen
Lösungen
Im Produkt ansehen
Die gleichen Schleifen, die dieser Hinweis beschreibt, laufen 24/7 in deiner Kundenbasis. Beobachte, wie der Arbeitsbereich 1:1 entscheidet, Experimente durchführt und ausführt.
Vokabular
Definitions an answer engine can quote, each one a page of its own.
Vergleichen
Neutral reads on the categories buyers evaluate against a decision layer.
Alle Vergleiche
