RESOURCES/Leitfaden
Customer Decisioning: was es ist und was es immer noch nicht kann
Kunden-decisioning ist die Praxis, für jeden einzelnen Kunden zu entscheiden, welche Aktion als Nächstes lohnenswert ist und was sie wert ist. Es sitzt zwischen Kundendaten und den Kanälen, die liefern, und rangiert Kandidatenaktionen nach dem erwarteten Wert statt nach einem Kampagnenkalender. Es beantwortet, was zu tun ist, nicht wie es gesendet werden soll.
Definition
Kundenentscheidungsfindung
Auswahl der action pro einzelnem Kunden, die den höchsten erwarteten Wert verspricht, und anschließende Abwägung dieser Wahl gegenüber jeder anderen action, die um denselben Kunden konkurriert, bevor ein Kanal sie ausführt.
Das Problem, für das Decisioning erfunden wurde
Ein großes B2C-Unternehmen leidet nicht unter einem Mangel an Dingen, die es mit einem Kunden tun könnte. Es leidet unter dem Gegenteil. Zwanzig Programme sind aktiv, ein Kunde qualifiziert sich in derselben Woche für sechs davon, und der Gleichstand wird durch eine Frequenzbegrenzung gebrochen, anstatt durch das Programm, das den größten Umsatz bringt. Decisioning existiert, weil Berechtigung nicht dasselbe ist wie Priorität.
- Das Kampagnenreporting erfolgt pro Programm, sodass nichts die Gesamtwirkung aller vom Kunden erhaltenen Inhalte abbildet.
- Berechtigungsregeln beantworten 'dürfen wir diese Person kontaktieren', niemals 'sollten wir'.
- Nichts tun ist selten ein verfügbares Ergebnis, selbst wenn es das profitable ist.
- Die Priorität wird von demjenigen festgelegt, der sein Programm zuerst erstellt hat.
Die vier Dinge, die eine decisioning-Ebene tun muss
Anbieter unterscheiden sich enorm darin, wie viele davon sie tatsächlich besitzen. Das Wort 'Decisioning' wird für Produkte verwendet, die nur den dritten Punkt erfüllen.
01
1. Kontext zusammenstellen
Lese die Verhaltens-, Transaktions-, Produkt- und Servicehistorie für die Person, von wo auch immer sie bereits existiert. Eine decision layer verbraucht Kontext; sie versucht nicht, das System of Record dafür zu werden.
02
2. Candidate actions aufzählen
Erstelle die Menge der Dinge, die diesem Kunden gerade legitim widerfahren könnten, einschließlich hold. Hier hören die meisten Produkte auf, interessant zu sein: die Kandidatenmenge ist das, was ein Marketer im Kampagnen-Tool erstellt hat.
03
3. Rangfolge nach erwartetem Wert
Jeden Candidate nach dem erwarteten inkrementellen Umsatz bewerten, abzüglich Marge, Kontaktkosten und Ermüdung. Die Rangfolge nach der Wahrscheinlichkeit des Engagements ist ein anderes, schwächeres Ziel und kontaktiert systematisch zu viele Personen, die sowieso konvertiert wären.
04
4. Arbitrieren und Bestätigen
Eine Entscheidung pro Kunde pro Fenster, zurückgeschrieben an den Kanal, der sie ausführen wird, mit einer angehängten control group, damit die Entscheidung später bewertet werden kann.
Wo decisioning im Verhältnis zu den angrenzenden Systemen sitzt
| Ebene | Frage, die beantwortet wird | Primäre Ausgabe |
|---|---|---|
| CDP oder Warehouse | Wer ist dieser Kunde, in einer konsistenten Ansicht? | Vereinheitlichte Profile und Zielgruppen |
| Entscheidungsebene | Welche Aktion ist es wert, für diesen Kunden ergriffen zu werden, und was ist sie wert? | Eine gerankte, dimensionierte Entscheidung pro Kunde, einschließlich hold |
| Engagement-Plattform | Wie wird dies bereitgestellt, in welchem Channel, mit welchem Creative? | Zugestellte Nachrichten und Journey-Status |
| Experimentierplattform | Hat Version A Version B auf dieser Oberfläche übertroffen? | Ein Urteil über einen spezifischen Varianten-Test |
Was die Beweise tatsächlich stützen
Decisioning ist eine etablierte Praxis, aber die uplift-Zahlen, die in Anbieterunterlagen damit verbunden sind, werden üblicherweise zugeschrieben und nicht gegen eine control group gemessen. Die Lücke zwischen beiden ist die nützlichste einzelne Zahl in dieser Kategorie.
Wenn Next Best Action-Programme auf Inkrementalität getestet werden, überlebt ein signifikanter Anteil des gemeldeten Lifts nicht: BCG stellt fest, dass 20 % bis 40 % des gemessenen Uplifts verschwinden, sobald eine randomisierte Kontrolle angewendet wird.
Unabhängige ForschungBCG, Inkrementalität in Personalisierungsprogrammen (2026)Die KI der Engagement-Plattform positioniert ihre Entscheidungsfindung rund um die Auswahl von Inhalten, Kanälen und Zeitpunkten für einen Kunden innerhalb der Journeys, die die Plattform selbst bereitstellt, was einen engeren Rahmen darstellt, als zu entscheiden, welche Opportunity es wert ist, verfolgt zu werden.
AnbieterseiteBraze, BrazeAI Produktseite
Diagnostiziere deinen eigenen Stack an einem Nachmittag
Nichts davon braucht einen Anbieter. Wähle eine Woche und ein Segment deiner Basis aus und beantworte diese Fragen aus deinen eigenen Systemen.
- Liste für eine zufällige Stichprobe von 50 Kunden alles auf, was sie letzte Woche erhalten haben. Zähle, wie viele gegeneinander arbitriert wurden, anstatt unabhängig versendet zu werden.
- Finde die jüngste Entscheidung, bei der die richtige Antwort 'niemanden kontaktieren' war. Wenn es keine gibt, kann dein System diese Ausgabe nicht produzieren.
- Nimm dein bestperformendes Programm und frage, wer die Kontrollgruppe hält. Wenn die Antwort niemand ist, ist der berichtete lift attribution, nicht incrementality.
- Zähle die im letzten Quartal getesteten Hypothesen. Teile durch die Anzahl der verschiedenen Umsatzprobleme, von denen du weißt, dass du sie hast.
- Frage, was mit einem Programm passiert, das unterdurchschnittlich abschneidet. Automatische Ausmusterung oder eine vierteljährliche Überprüfung, für die niemand Zeit hat?
Wann du keine decision Ebene benötigst
- Weniger als etwa 100.000 aktive Kunden: Das Arbitrage-Problem ist klein genug, dass ein guter Analyst und eine priorisierte Roadmap jedes System schlagen werden.
- Ein einziges Produkt mit einem einzigen Preis und einem einzigen bedeutsamen Lifecycle-Moment. Es gibt keinen ausreichenden Candidate set, um eine Arbitration durchzuführen.
- Keine zuverlässigen Ergebnisdaten. Decisioning reiht sich nach dem erwarteten Wert ein, und der erwartete Wert benötigt eine Historie, um von Nutzen zu sein.
- Akquisitionsgeführtes Wachstum, bei dem die Einschränkung neue Kunden sind, nicht der Umsatz pro bestehendem Kunden.
Markin ist ein autonomes Growth-Science-Team für große B2C-Unternehmen. Es untersucht, warum der Umsatz pro Kunde stagniert, bildet eigene Hypothesen zu Marketing, Produkt, Preisgestaltung und technischer Gesundheit, wählt die Next Best Action für jeden Kunden, startet diese über die bereits im Unternehmen vorhandenen Systeme und beweist jede einzelne anhand eines randomisierten holdout.
Decisioning-Tools wählen zwischen den Aktionen, die dein Team bereits erstellt hat. Markin entscheidet, was erstellt werden soll.
Fragen, die Leute stellen
- Was ist der Unterschied zwischen Customer Decisioning und einem CDP?
- Ein CDP vereinheitlicht Kundendaten und verteilt sie. decisioning konsumiert diese Daten und entscheidet, was damit zu tun ist. Sie ergänzen sich und befinden sich an verschiedenen Stellen: Ein CDP beantwortet die Frage 'wer ist dieser Kunde', decisioning beantwortet 'welche Aktion lohnt sich für ihn'. Der Besitz eines CDP gibt dir keine decision layer, und eine decision layer erfordert nicht, dass du dein CDP ersetzt.
- Ist Decisioning dasselbe wie Next Best Action?
- Next Best Action ist das Ergebnis; Decisioning ist der Prozess, der es erzeugt. Ein Next Best Action-Programm, das nach der Klickneigung rankt, ist ein Decisioning mit einer schwachen Zielfunktion. Das Ranking nach erwartetem inkrementellen Umsatz, abzüglich Marge und Kontaktkosten, macht das Ergebnis erst handlungsrelevant.
- Kann die KI meiner Engagement-Plattform das tun?
- Teilweise. Engagement-Plattform-AI ist tatsächlich gut darin, Kanal, Zeitpunkt und Creative für eine Nachricht auszuwählen, die sie senden sollte. Was sie nicht tut, ist zu hinterfragen, ob die Nachricht existieren sollte, sie mit einer Preisänderung oder einer Produktkorrektur zu vergleichen oder überhaupt die Hypothese zu erstellen. Diese leben 'upstream' vom Kanal.
- Wie lange dauert es, bis ein Ergebnis aus der Entscheidungsfindung sichtbar wird?
- Erste Entscheidungen können innerhalb von Wochen live gehen, aber ein Ergebnis, dem du vertrauen solltest, erfordert ein vollständiges Messfenster gegen einen randomisierten holdout, was für die meisten B2C-Unternehmen 8 bis 12 Wochen ab der ersten Live-Kohorte bedeutet. Alles, was schneller ist, ist eher ein Zeichen für Neuheit als für den Effekt.
Vergleichen
Wie sich dies im Vergleich zu den Kategorien verhält, die du bereits kaufst.
Neutral, side by side reads on where the decision layer sits next to the tools in your stack.
Alle Vergleiche- Next-Best Action vs. Next-Best OpportunityNext-Best Opportunity bemisst, was für einen Kunden auf dem Spiel steht. Next-Best Action wählt die Behandlung. Warum die Reihenfolge wichtig ist und wie die beiden verbunden sind.
- Churn prediction vs. Retention decisioningEin churn-Modell sagt dir, wer gefährdet ist. Retention decisioning wählt aus, wen man retten soll, womit und zu welchen Kosten. Warum eine Vorhersage allein selten die retention bewegt.
- Data Warehouse vs. CDP vs. decision layerDrei Ebenen, drei Aufgaben: Speicherung und Modellierung, Identität und Aktivierung sowie kommerzielle Entscheidungen. Was jede besitzt und wo die Grenzen liegen.
Weiterlesen
Customer Decisioning vs. CDP
Die Architekturgrenze, nebeneinander.
Referenzarchitektur für eine decision layer
Wo es sitzt und was es niemals besitzen darf.
Wie man eine Decisioning Platform bewertet
Zwölf Fragen und die Antworten, die dich beunruhigen sollten.
Wie Markin die Inkrementalität misst
Das holdout Design hinter jeder Zahl.
Vokabular
Die Bedingungen, auf denen dieser Leitfaden basiert.
Each one is defined on its own page, precisely enough to quote.
- Survival analysisSurvival analysis models time until an event, handling customers who have not churned yet as censored rather than discarding them.
- Retention curveA retention curve plots the share of a cohort still active against time since acquisition.
- KohortenanalyseCohort analysis groups customers by a shared starting characteristic, usually acquisition month, and follows each group over time.
- Win-backWin-back is the practice of returning a lapsed or cancelled customer to paying status.
- Angebot speichernA save offer is an incentive presented to a customer who is about to leave: a discount, a pause, a plan downgrade or a service…
- MahnwesenDunning is the sequence of retries and communications that recovers a failed payment: retry timing, card-update prompts…