Next Best Action & personalisiertes Marketing

Kunden werden über viele Kanäle angesprochen, mit Kampagnen, die pro Produkt geplant werden, nicht pro Person. Next Best Action (NBA) ersetzt Kampagnenlisten durch eine Echtzeit-Entscheidung: Welche Aktion (Angebot, Information, Bindungsgeste, Service-Schritt oder bewusst nichts) hat für diesen Kunden, jetzt, auf diesem Kanal den höchsten erwarteten Wert – unter Beachtung von Einwilligung, Berechtigung und Kontaktgrenzen? Sie verbindet Vorhersagemodelle, Bandit-artiges Lernen und ausdrückliche Geschäftsregeln; LLMs erzeugen zunehmend den Wortlaut, nicht die Entscheidung.

Problem & Nutzen

• Heute: Das Marketing fährt Batch-Kampagnen mit Segmentregeln; die Kanäle (E-Mail, App, Callcenter, Web, Filiale) sind unabgestimmt, sodass Kunden widersprüchliche oder irrelevante Botschaften erhalten, während gute Momente verpasst werden.
• KI-Nutzen: Eine Entscheidungsebene vermittelt zwischen allen Kanälen, bewertet jede zulässige Aktion nach erwartetem Wert (Neigung x Wert, idealerweise Uplift statt reiner Neigung) und lernt aus den Ergebnissen. Gewinne entstehen durch Relevanz, weniger verschwendete Kontakte (geringere Ermüdung und Abmeldungen) und die Abstimmung von Marketing, Vertrieb und Service.
• Belege: Anbieter wie Pega, Salesforce und Adobe veröffentlichen Kundenfallstudien; die Zahlen sind selbst berichtet und kontextabhängig. Betrachten Sie sie als Hypothesen und messen Sie die Inkrementalität mit Holdout-Gruppen [1][4]. Eine allgemeine Uplift-Zahl wird hier bewusst nicht genannt.

Varianten

• Banken/Versicherungen/Telko: NBA für Cross-Selling, Kundenbindung und Service über Callcenter, App und Filiale; die stärksten regulatorischen Vorgaben (Eignung, Fairness; Kreditentscheidungen sind ausgenommen und fallen unter die Hochrisiko-Regeln).
• Handel/E-Commerce: Angebote auf der Website und im CRM, Gutscheine, Nachkauf-Erinnerungen; überschneidet sich mit REC-001, REC-006 und REC-009.
• NBA im Kundenservice: Agentenunterstützung, die in einem laufenden Kontakt den nächsten Schritt oder eine Bindungsgeste vorschlägt.
• Verlag/Medien: dynamische Paywall und Optimierung der Abo-Konversion. Eine Neigung pro Besucher entscheidet zwischen freiem Zugang, Registrierungsschranke, dosierter Paywall, Testangebot oder Rabattangebot. Beispiele: Sophi (Globe and Mail), Piano (Composer, Neigungs-Scoring) und Deep.BI. Öffentlich berichtete Fälle sind u. a. FAZ, NZZ und El Confidencial. Daten und Regeln entsprechen denen der NBA; Ziel ist Abo-Konversion und Kundenbindung, nicht die Klickrate. Verwandt: PRED-003 (Abwanderung) und OPT-004 (dynamische Preisgestaltung). Vorsicht: Preisdifferenzierung nach personenbezogenen Daten wirft verbraucherrechtliche und Fairness-Fragen auf (siehe Risiken).
• B2B: kontobasierte NBA für Vertriebsmitarbeiter (siehe REC-010).

So funktioniert es

events + CRM/CDP profile (consent-filtered)
  -> real-time context (channel, session, last contacts)
  -> eligibility & suppression rules (consent, contact policy, regulation, stock)
  -> models: propensity / uplift / value / churn risk per action
  -> arbitration (expected value x business weights, constraints)
  -> delivery via channel (web, app, email, agent desktop)
  -> response capture -> online learning + holdout evaluation

• Entscheidungsebene: Eine Strategie-Engine verbindet regelbasierte Berechtigung mit Modell-Scores; im Schritt der „Arbitrierung“ sind die Geschäftsprioritäten (z. B. Bindung vor Upselling) ausdrücklich und prüfbar.
• Modelle: Gradient-Boosted Trees für Neigungen, Uplift-/Kausalmodelle (T-/X-Learner, CausalML) für Behandlungseffekte, kontextuelle Bandits zur Erkundung von Angeboten und Kreativen, Sequenzmodelle für die Vorhersage des nächsten Ereignisses.
• Generative Schicht: Ein LLM entwirft oder personalisiert Texte innerhalb freigegebener Vorlagen und Tonalität; Marken- und Compliance-Prüfung bleiben menschlich oder regelbasiert.
• Mensch-in-der-Schleife (Human-in-the-Loop): Marketer verantworten Angebotskatalog, Regeln, Gewichte und Leitplanken; die Compliance prüft sensible Aktionen; eine dauerhafte Kontrollgruppe misst den tatsächlichen inkrementellen Effekt.

Datenaufbereitung

Benötigte Daten: Kundenstammdaten, Kauf- und Vertragshistorie, Interaktionshistorie über alle Kanäle (E-Mail, Web, Service, Shop), frühere Angebote mit Ergebnis (Ausspielung und Reaktion), Einwilligungen und Kontaktpräferenzen. In einem KMU liegen diese im CRM, ERP oder Shopsystem, im Newsletter-Tool, in Service-Tickets und in Excel-Listen.

Typische Lücken: doppelte Kundendatensätze, keine einheitliche Kunden-ID über Systeme hinweg, fehlende Einwilligungshistorie, versendete Angebote ohne protokolliertes Ergebnis (keine Lerngrundlage), veralteter Produktkatalog und über mehrere Tools verstreute Daten zum Kontaktdruck.

Aufbereitungsschritte: - Kundendatensätze deduplizieren und zusammenführen; eine Kunden-ID definieren (PREP-005, PREP-011). - Jedes Angebot mit Zeitstempel, Kanal, Ergebnis und Holdout-Kennzeichen protokollieren; Labels aus vorhandenen Datensätzen gewinnen (PREP-020). - Zweck und Rechtsgrundlage für die Weiterverwendung der Daten klären (PREP-025) und Trainingsauszüge pseudonymisieren (PREP-022). - Kennzahlen- und Segmentdefinitionen abstimmen (PREP-012).

Werkzeuge: CRM-/CDP-Exporte, Reverse-ETL, dbt, SQL- oder Python-Skripte.

Aufwandsanteil: etwa 50 Prozent des Projekts; ohne saubere Ausspielungsprotokolle kann das System nicht lernen. Siehe auch GUIDE-003 und REC-004.

Umsetzungswege

Welcher Weg für wen

• KMU: A. Marketing-Automation- und CDP-Werkzeuge (z. B. Brevo, HubSpot, Mapp, Emarsys) bieten in der EU hostbare Next-Best-Offer-Funktionen zu KMU-tauglichen Preisen für Standard-E-Mail- und Werbe-Journeys.
• Großunternehmen: B. Die Entscheidungslogik über Kanäle hinweg ist strategisch und datenintensiv; die Arbitrierung auf dem eigenen Data Warehouse mit Cloud-KI-Diensten vermeidet Abhängigkeit von einem Anbieter und hohe Lizenzgebühren pro Nutzer.
• Entwickler: C. Vowpal Wabbit, Open Bandit Pipeline und CausalML auf HW1 geben volle Kontrolle über Entscheidungen und Daten.

Weg A — Kaufen (Standardsoftware) (für die meisten empfohlen)

• Entscheidungsplattformen: Pega Customer Decision Hub, Salesforce Marketing Cloud Personalization/Agentforce Marketing, Adobe Journey Optimizer mit Decisioning, SAS Customer Intelligence 360, Optimove, Braze (mit BrazeAI), Insider, Dynamic Yield, Bloomreach (EU, Wurzeln in der Slowakei/Tschechien), Emarsys/SAP (EU), Cleverpush-artige Werkzeuge für kleine Websites.
• Paywall-Werkzeuge für Verlage: Piano, Sophi, Deep.BI (EU).
• A wählen, wenn: Sie ein CRM/eine CDP und mehrere Kanäle haben, aber kein Data-Science-Team; prüfen Sie EU-Hosting, Anbindung an das Consent-Management und nachvollziehbare Entscheidungsprotokolle.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Scoring und Bandits: Azure ML / Nachfolger von Personalizer, Google Vertex AI, AWS SageMaker oder Personalize in EU-Regionen; Databricks oder Snowflake für Feature Stores.
• Textgenerierung: Frontier-LLM-APIs (Claude, GPT, Gemini, Mistral als EU-Anbieter) mit strukturierter Ausgabe und Vorgaben durch Vorlagen.
• Orchestrierung: CDP (Segment, mParticle, Hightouch/Census als Reverse-ETL, in der EU gehostete Optionen wie Piwik PRO oder Bloomreach) plus Workflow-Engine (n8n).
• B wählen, wenn: Sie eine eigene Arbitrierungslogik auf Ihrem eigenen Data Warehouse wollen.

Weg C — Selbst betreiben (Open Source)

• Bibliotheken: Vowpal Wabbit (kontextuelle Bandits), Open Bandit Pipeline (Off-Policy-Evaluation), CausalML und EconML (Uplift), scikit-learn/XGBoost/LightGBM, Meridian/Robyn nur für Budgetfragen (REC-005).
• Stack: Kafka/Flink oder Redpanda für Ereignisse, Feast für Merkmale, MLflow, Unleash für Rollout-Schalter; offene LLMs (Mistral, Llama, Qwen) für Texte.
• Hardware: HW1 genügt für tabellarische Modelle und Bandits; HW2 nur, wenn ein LLM für Texte selbst betrieben wird.

Weg D — Eigenes Training

Lohnt sich bei großen Kundenstämmen (Millionen) mit reichhaltigen Historien: maßgeschneiderte Uplift-Modelle, Sequenz-/Foundation-Modelle des Kundenverhaltens und Reinforcement Learning mit Off-Policy-Evaluation. Erfordert Monate protokollierter Ausspielung mit randomisierter Exploration, sonst können die Daten keine kausalen Schlüsse stützen.

Stand der Technik (2026)

• Uplift statt Neigung: Die Ansprache derjenigen, deren Verhalten sich durch die Aktion ändert, vermeidet verschwendete Anreize bei Kunden, die ohnehin gehandelt hätten; abgesichert durch randomisierte Holdouts.
• Kontextuelle Bandits und Off-Policy-Evaluation sind die praktischen Arbeitspferde des Lernens; vollständiges RL ist wegen der Anforderungen an Daten und Sicherheit seltener.
• Agentische/LLM-Schicht: LLMs erzeugen Inhaltsvarianten und dialogorientierte Angebote, und „agentisches Marketing“ taucht in den großen Suiten auf, doch die Entscheidung darüber, wer was bekommt, bleibt von Modellen plus Regeln gesteuert [1][2].
• Datenschutzgetriebener Wandel: Der Wegfall von Kennungen Dritter verlagert die Personalisierung auf Erstanbieterdaten, einwilligungsbasierte CDPs sowie Ansätze auf dem Gerät oder in Clean Rooms.
• Grenzen: Rückkopplungsschleifen (das Modell lernt nur über das, was es zeigt), Auswahlverzerrung, Neuheitseffekte, Angebotsermüdung, Streit über die Zuordnung und schwache kausale Belege, wenn es keinen Holdout gibt. Texte von Frontier-Modellen können Behauptungen halluzinieren; halten Sie Aussagen an den Angebotskatalog gebunden.

Gemeinsame Bausteine & Kombinationen

• Teilt Merkmale, CDP und Experimentier-Infrastruktur mit REC-004 (Segmentierung), REC-006 (E-Mail/Versandzeitpunkt), REC-009 (Kundenbindung), REC-001 (Produktempfehlungen) und DATA-027 (Experimentieren).
• Eingaben aus: PRED-003 (Abwanderungs-Scores), OPT-004 (Preis-/Rabattgrenzen), AGENT-011 (CRM-Pflege).
• Ausgaben an: REC-005 (Inkrementalitätsbelege zur Kalibrierung von MMM).
• Ein Feature Store und ein Entscheidungsprotokoll können all dem dienen.

Aufwand, Kosten & Kennzahlen

• Weg A: 2-6 Monate für die ersten Kanäle; Enterprise-Lizenzen kosten typischerweise fünf- bis siebenstellige Beträge pro Jahr, KMU-Werkzeuge deutlich weniger.
• Weg B: 3-9 Monate inklusive Data Engineering; die Hauptkosten sind Daten und Personal, nicht Modell-APIs.
• Weg C/D: 6-12+ Monate, erfordert Data Science und ein Plattform-Team.
• Kennzahlen: inkrementelle Konversion/inkrementeller Umsatz gegenüber dem Holdout, Uplift pro Kontakt, Kontaktermüdung (Opt-out, Abmeldung, Beschwerdequote), Customer Lifetime Value, Abwanderung, Angebotsannahme, Entscheidungslatenz, Anteil der Entscheidungen mit gültiger Einwilligung.

Menschen & Veränderung

Einbinden: zuerst Geschäftsführung und die Marketing- oder CRM-Leitung (Prozessverantwortung); die IT für CDP und Kanalanbindung; die/den Datenschutzbeauftragte(n) frühzeitig, weil Profiling und automatisierte Angebote eine Rechtsgrundlage und oft eine Einwilligung brauchen (GUIDE-005); die Rechtsabteilung für Werbe- und Verbraucherrecht; das Serviceteam, damit Angebote zu offenen Beschwerden passen.

Betriebsrat: kommt darauf an. Kundengerichtete Entscheidungen allein lösen §87 Abs. 1 Nr. 6 BetrVG nicht aus. Er greift, wenn das Werkzeug Handlungen der Beschäftigten protokolliert, z. B. wenn Callcenter-Agenten Empfehlungen folgen und an der Annahmequote gemessen werden; dann ist eine Betriebsvereinbarung abzuschließen und nach §90 Abs. 1 Nr. 3 BetrVG zu informieren (GUIDE-004). Öffentliche Stellen beteiligen den Personalrat.

Datenschutz: AVV mit jedem Anbieter; eine DSFA (Art. 35 DSGVO) ist bei systematischem Profiling in großem Umfang voraussichtlich nötig; prüfen Sie Art. 22 DSGVO, wenn Entscheidungen erhebliche Auswirkungen auf Kunden haben.

KI-Kompetenz: Fördern Sie die Kompetenz der Beschäftigten nach Art. 4 der KI-Verordnung (AI Act); schulen Sie Marketer und Agenten darin, wie Empfehlungen entstehen und wann man sie übersteuert (GUIDE-006).

Pilot und Kommunikation: Pilotieren Sie mit einem Kanal und einem zufälligen Holdout, mit einer Obergrenze für die Kontakthäufigkeit. Typische Sorgen sind verärgerte Kunden, Kontrollverlust und Fairness; begegnen Sie ihnen mit Regeln, Obergrenzen, Opt-outs und der Möglichkeit, als Agent zu übersteuern. Siehe GUIDE-009 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt von der Verwendung ab. Marketing-NBA ist normalerweise ein minimales Risiko. Die Verbote nach Art. 5 gelten für KI, die unterschwellige, manipulative oder täuschende Techniken einsetzt, die das Verhalten wesentlich verzerren und erheblichen Schaden verursachen, oder Schwächen aufgrund von Alter, Behinderung oder sozialer oder wirtschaftlicher Lage ausnutzt [3]. Sprechen Sie Menschen in finanzieller Notlage, Minderjährige oder emotional verletzliche Personen nicht mit Drucktaktiken an. Wird NBA genutzt, um über die Berechtigung für Kredite oder die Versicherungspreisgestaltung zu entscheiden, gerät sie in den Hochrisiko-Bereich nach Anhang III.
• DSGVO: Profiling braucht eine Rechtsgrundlage (Einwilligung oder sorgfältig dokumentiertes berechtigtes Interesse), Transparenz (Art. 13/14), das Recht auf Widerspruch gegen Direktwerbung und Profiling (Art. 21) und die Grenzen des Art. 22, wo Entscheidungen rechtliche oder ähnlich erhebliche Wirkung haben; der EuGH hat im SCHUFA-Fall (C-634/21) automatisiertes Scoring als Entscheidung behandelt [5]. Für Profiling in großem Umfang ist in der Regel eine DSFA erforderlich; Rückschlüsse auf besondere Datenkategorien (Gesundheit, Religion) sind zu vermeiden.
• ePrivacy/TTDSG (Deutschland: TDDDG): Cookies, Gerätekennungen und E-Mail-Marketing brauchen eine Einwilligung; das UWG setzt Regeln für E-Mail- und Telefonwerbung.
• Verbraucherrecht: Personalisierte Preise müssen offengelegt werden (Omnibus-Richtlinie); Dark Patterns werden vom DSA und von der Richtlinie über unlautere Geschäftspraktiken erfasst.
• Gegenmaßnahmen: einwilligungsbewusste Berechtigungsebene, Kontaktobergrenzen, Sperrlisten für schutzbedürftige Personen, Begründungscodes und Entscheidungsprotokolle, regelmäßige Fairness-Prüfungen über geschützte Gruppen hinweg, verpflichtende Kontrollgruppen.

Erste Schritte

1. Kanäle, Einwilligungssignale und Erstanbieterdaten erfassen; die Weitergabe der Einwilligung vor der Modellierung in Ordnung bringen.
2. Eine Journey wählen (z. B. Kundenbindung oder Onboarding) und Angebotskatalog sowie Randbedingungen festlegen.
3. Mit Regeln plus einem Neigungs- oder Uplift-Modell und einem dauerhaften randomisierten Holdout beginnen.
4. Bandits für die Auswahl von Kreativen und Angeboten ergänzen, sobald die Protokollierung zuverlässig ist.
5. LLM-basierte Textvarianten innerhalb freigegebener Vorlagen ergänzen; monatlich auf Ermüdung, Fairness und Compliance prüfen.

Quellen

1. Pega - Customer Decision Hub documentation - https://docs.pega.com/bundle/customer-decision-hub/page/customer-decision-hub/cdh-portal/customer-decision-hub-overview.html
2. Adobe - Journey Optimizer decisioning - https://experienceleague.adobe.com/en/docs/journey-optimizer/using/decisioning/experience-decisioning/gs-experience-decisioning
3. Regulation (EU) 2024/1689 (AI Act), Art. 5 - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
4. Piano - Composer and propensity scoring for publishers - https://docs.piano.io/
5. CJEU, C-634/21 SCHUFA Holding (Scoring), 7 Dec 2023 - https://curia.europa.eu/juris/liste.jsf?num=C-634/21
6. Open Bandit Pipeline - https://github.com/st-tech/zr-obp
7. CausalML (Uber) - https://github.com/uber/causalml
8. Vowpal Wabbit - https://github.com/VowpalWabbit/vowpal_wabbit
9. EDPB - Guidelines on targeting of social media users 8/2020 - https://www.edpb.europa.eu/system/files/2021-04/edpb_guidelines_082020_on_the_targeting_of_social_media_users_en.pdf