Es ist 22:30 Uhr. Ein Kunde besucht Ihre Website über sein Smartphone und überlegt, ein neues Handy zu kaufen. Er zögert. Sollte er an die passende Schutzhülle erinnert werden, die er sich zuvor angesehen hat? Sollte ihm ein Preisalarm angeboten werden? Sollte er sanft zum Kaufabschluss geführt werden oder einfach in Ruhe weitersurfen können?
Momente wie diese verdeutlichen eine bekannte Herausforderung: Obwohl Unternehmen heute über mehr Kundendaten verfügen als je zuvor, ist es nicht immer offensichtlich, wie diese Daten so genutzt werden können, dass die Interaktion relevant und zum richtigen Zeitpunkt erfolgt. Klassische regelbasierte Ansätze sind häufig zu starr, während die Erwartungen der Kunden an personalisierte Erlebnisse kontinuierlich steigen.
Genau hier kann Next Best Action (NBA), unterstützt durch Künstliche Intelligenz (KI), einen entscheidenden Unterschied machen. NBA ermöglicht es, Kundensignale zu interpretieren und in Echtzeit die jeweils sinnvollste Handlung vorzuschlagen. So entstehen Erlebnisse, die sich für Kunden natürlicher anfühlen und gleichzeitig nachhaltiges Wachstum für Unternehmen fördern.
Inhalt
Warum NBA und KI zunehmend an Bedeutung gewinnen
KI hat sich vom Schlagwort in Vorstandskreisen zu einer operativen Priorität in nahezu allen Branchen entwickelt – und das aus gutem Grund.
NBA wird häufig als Echtzeit-Entscheidungsmaschine beschrieben. Statt zu fragen: „Was tun Kunden normalerweise?“, lautet die zentrale Frage: „Welche Maßnahme ist für diesen konkreten Kunden in diesem Moment am sinnvollsten und wie können wir jetzt am hilfreichsten reagieren?“
Dadurch verschiebt sich der Fokus von der Analyse großer Kundensegmente hin zu den individuellen Bedürfnissen einzelner Personen in einer konkreten Situation.
KI stärkt diesen Ansatz, weil sie gleichzeitig eine Vielzahl unterschiedlicher Signale verarbeiten kann, kurzfristige Ziele – etwa Conversions – mit langfristigen Zielen wie Kundenbindung in Einklang bringt und kontinuierlich durch das Testen verschiedener Maßnahmen dazulernt.
Dabei geht es nicht darum, perfekte Vorhersagen zu treffen, sondern fundiertere und reaktionsschnellere Entscheidungen zu ermöglichen, die sowohl den Kunden als auch dem Unternehmen zugutekommen.
Eine vierstufige Reise zu KI-gestützter Next Best Action
1. Das Fundament schaffen
Bevor KI ins Spiel kommt, sollte zunächst klar definiert werden, welche Möglichkeiten das System überhaupt haben soll. Dazu gehört die Festlegung der Maßnahmen, die das System ausführen soll: etwa Social Proof anzeigen, einen Rabatt anbieten, eine E-Mail versenden oder einen Live-Chat starten. Eine überschaubare Anzahl möglicher Aktionen erleichtert dem System den Lernpozess.
Ebenso wichtig ist es festzulegen, welche Ergebnisse im Mittelpunkt stehen. Käufe sind häufig die wichtigste Kennzahl, doch auch Registrierungen, Interaktionen oder Wiederholungskäufe können eine Rolle spielen. Leitplanken wie Lagerbestände, Compliance-Vorgaben oder Begrenzungen der Kontaktfrequenz sorgen dafür, dass Entscheidungen sowohl wirksam als auch verantwortungsvoll bleiben.
Darüber hinaus müssen die richtigen Signale erfasst werden. Mindestens sollten Kontextinformationen wie das verwendete Endgerät oder der Referrer, die ausgespielte Maßnahme sowie deren Ergebnis protokolliert werden. Diese Daten bilden den Feedback-Kreislauf, auf dessen Grundlage das System lernt.
2. Den passenden KI-Ansatz auswählen
Je nach Reifegrad und Zielsetzung können unterschiedliche KI-Verfahren NBA unterstützen.
Contextual Bandits sind ein praxisnaher Einstieg und bauen auf dem klassischen Multi-Armed-Bandit-Problem auf. Dabei steht jeder Hebel eines Spielautomaten für eine mögliche Aktion, und die Herausforderung besteht darin, den Hebel auszuwählen, der den größten Nutzen verspricht.
Contextual Bandits erweitern dieses Prinzip, indem sie zusätzlich den jeweiligen Kontext berücksichtigen, beispielsweise das verwendete Endgerät, das bisherige Surfverhalten oder den Standort, bevor sie eine Maßnahme auswählen. Das System entscheidet also beispielsweise, ob einem Kunden eine Produktempfehlung, ein Rabatt oder Social Proof angezeigt werden sollte. Aus den Ergebnissen lernt das Modell kontinuierlich und findet dabei eine Balance zwischen dem Ausprobieren neuer Möglichkeiten und der Nutzung bereits erfolgreicher Maßnahmen.
Uplift-Modelle gehen noch einen Schritt weiter, indem sie abschätzen, welche Nutzer tatsächlich von einer bestimmten Maßnahme profitieren. So lässt sich beispielsweise erkennen, wem ein Rabatt angeboten werden sollte und wer ohnehin gekauft hätte.
Reinforcement Learning ist deutlich anspruchsvoller und eignet sich insbesondere für die Steuerung mehrstufiger Customer Journeys, etwa wenn Besucher von der Startseite über eine Produktseite bis hin zum Checkout begleitet werden.
Unsere Empfehlung ist, zunächst Contextual Bandits für Entscheidungen auf der Website einzusetzen und diese durch Uplift-Modelle für gezielte Angebote zu ergänzen. Dieser Ansatz verbindet schnelle Erfolge mit tieferen Erkenntnissen, ohne den Einstieg unnötig zu verkomplizieren.
3. Durch Experimente Vertrauen schaffen
Die Einführung von KI schreitet branchenübergreifend schnell voran. Ob daraus echter Mehrwert entsteht oder lediglich ein kurzfristiger Hype, entscheidet letztlich eine konsequente Experimentation. Ohne kontrollierte Tests lässt sich kaum beurteilen, ob Verbesserungen tatsächlich auf die KI zurückzuführen sind oder lediglich auf externe Faktoren wie saisonale Schwankungen.
Ein sicherer Einstieg ist der sogenannte Shadow Mode. Dabei trifft die KI ihre Entscheidungen zunächst im Hintergrund, während Besucher weiterhin das bestehende regelbasierte Erlebnis sehen. Das System protokolliert, welche Entscheidung es getroffen hätte, sodass sich die Vorschläge der KI später mit den tatsächlich eingetretenen Ergebnissen vergleichen lassen. Auf diese Weise kann das Modell validiert werden, bevor es Einfluss auf reale Nutzer nimmt.
Sobald ausreichend Vertrauen aufgebaut wurde, können Bucket Tests durchgeführt werden. Dabei erhält ein Teil der Besucher weiterhin das bestehende System, während der andere Teil die KI-gestützte NBA erlebt. Der Vergleich beider Gruppen ermöglicht eine faire und transparente Bewertung des tatsächlichen Nutzens.
Unsere Erfahrung zeigt, dass Unternehmen mit einem strukturierten Testansatz häufig schon nach relativ kurzer Zeit deutliche Verbesserungen zentraler Kennzahlen erzielen. Wie schnell und in welchem Umfang diese Effekte eintreten, hängt unter anderem vom Besucheraufkommen, der Vielfalt der verfügbaren Maßnahmen und der Qualität des Feedback-Kreislaufs ab.
Damit die KI auch langfristig weiterlernt, empfiehlt es sich, einen kleinen Anteil zufälliger Entscheidungen, in der Regel zwischen fünf und zehn Prozent, beizubehalten. So erkundet das System weiterhin alternative Möglichkeiten, anstatt sich zu früh auf ein einziges Handlungsmuster festzulegen.
Entdecken Sie, wie Sie KI in jedem Schritt Ihres Experimentationsprozesses nutzen können.
4. Verantwortungsvoll skalieren
Hat NBA ihren Mehrwert in kontrollierten Tests nachgewiesen, kann sie schrittweise in den täglichen Betrieb integriert werden. Dazu gehört häufig die Anbindung des NBA-Systems an Plattformen wie Optimizely, Adobe Target oder Dynamic Yield für Website und App sowie an Messaging-Lösungen wie Braze für automatisierte Kundenkommunikation. Eine Customer Data Platform (CDP) stellt dabei in der Regel die erforderlichen Datenströme bereit.
Anschließend wird kontinuierliches Monitoring zum entscheidenden Erfolgsfaktor. Dashboards können Kennzahlen wie Conversion Rate, Umsatz pro Besuch oder Abwanderungsraten überwachen und gleichzeitig überprüfen, ob Entscheidungen über unterschiedliche Zielgruppen hinweg fair bleiben oder Anzeichen für einen Model Drift auftreten.
Ebenso wichtig sind klare Governance-Strukturen. Ein zentrales Verzeichnis aller verfügbaren Maßnahmen, die Möglichkeit menschlicher Eingriffe – etwa aus saisonalen oder regulatorischen Gründen – sowie vollständige Audit-Protokolle tragen dazu bei, das System verantwortungsvoll zu betreiben. So kann sich NBA im Laufe der Zeit von einem Pilotprojekt zu einem festen Bestandteil der Customer Experience entwickeln.
Ausblick: Zwischen Personalisierung und Vertrauen
KI-gestützte NBA entwickelt sich derzeit mit hoher Geschwindigkeit weiter. In naher Zukunft könnten diese Systeme nicht nur die passende Maßnahme auswählen, sondern auch die dazugehörigen Inhalte in Echtzeit erstellen. So könnte einem wiederkehrenden Kunden beispielsweise eine Produktbeschreibung angezeigt werden, die automatisch die Eigenschaften hervorhebt, die am besten zu seinem bisherigen Surfverhalten passen. Ebenso wäre denkbar, dass sich die Tonalität einer Push-Benachrichtigung abhängig von der Tageszeit und dem bisherigen Interaktionsverhalten anpasst.
Erste Unternehmen experimentieren bereits mit Large Language Models (LLMs), um personalisierte Inhalte in großem Maßstab zu erstellen. Generative KI kann beispielsweise Betreffzeilen für E-Mails, Überschriften von Hero-Bannern oder Antworten auf häufig gestellte Fragen dynamisch erzeugen und dabei die jeweilige Phase der Customer Journey sowie die aktuellen Absichtssignale eines Besuchers berücksichtigen. Damit entwickelt sich NBA von einer reinen Entscheidungsebene zu einer umfassenden Plattform für die Orchestrierung von Inhalten, die nicht nur entscheidet, was kommuniziert wird, sondern auch wie und wann.
Gleichzeitig bleiben Datenschutz und ethische Fragestellungen von zentraler Bedeutung. Regulierungen wie der EU AI Act werden maßgeblich beeinflussen, wie diese Systeme entwickelt und geprüft werden. Erfolgreich werden diejenigen NBA-Strategien sein, die Innovation mit Transparenz und echtem Respekt für das Vertrauen der Nutzer verbinden.
Fazit
Jede Kundeninteraktion ist ein Entscheidungspunkt. Mit KI-gestützter Next Best Action erhalten Unternehmen die Möglichkeit, diese Entscheidungen fundierter und reaktionsschneller zu treffen, Unsicherheiten zu reduzieren und gleichzeitig bessere Ergebnisse für Kunden und Unternehmen zu erzielen.
Der Weg dorthin muss nicht überwältigend sein. Wer ein solides Fundament schafft, sorgfältig testet und schrittweise skaliert, kann Systeme aufbauen, die schneller lernen und nachhaltiger wachsen.
Bei Up Reply begleiten wir Unternehmen auf diesem Weg: von ersten Pilotprojekten bis hin zu vollständigen Implementierungen. So stellen wir sicher, dass jedes Kundensignal sinnvoll genutzt wird und jede Entscheidung langfristig zum Unternehmenserfolg beiträgt. Sie möchten mehr erfahren? Kontaktieren Sie uns.
Christin Müller ist Senior Consultant bei Up Reply und spezialisiert auf Personalisierung und Experimentation. Mit ihrer umfassenden Erfahrung in datengetriebenem Marketing und der Gestaltung von Customer Experiences unterstützt sie Unternehmen dabei, Kundensignale in relevante und wirtschaftlich erfolgreiche Customer Journeys zu übersetzen. Ihre Leidenschaft gilt der Verbindung von Künstlicher Intelligenz, Testing und Kreativität, um nachhaltiges Wachstum zu ermöglichen.
