Die Next-Best-Action-Engine: Wie sie unter der Haube funktioniert

„Next-best-action" steht heute auf der Folie jedes Anbieters. Manchmal ist das, was hinter dem Etikett steckt, ein Lead-Score. Manchmal eine Regel-Engine, die jemand 2019 gebaut hat. Gelegentlich ist es ein System, das tatsächlich über einen gesamten Kundenstamm hinweg schlussfolgert. Das Etikett verrät Ihnen nicht, welches der drei es ist, und die Demo auch nicht.

Wenn Sie so ein System evaluieren, hilft es zu wissen, was eigentlich im Inneren laufen sollte. Sobald Sie die Stufen erkennen können, können Sie eine echte Empfehlungs-Engine von einer aufgehübschten Wenn-Dann-Liste unterscheiden und eine vernünftige Einschätzung treffen, ob sie standhält, wenn Ihre Pipeline unübersichtlich wird.

Vier Stufen, und wo sich die Abkürzungen verstecken

Eine echte NBA-Engine ist eine Pipeline. An einem Ende geht Rohaktivität hinein, am anderen kommt eine konkrete, priorisierte Empfehlung heraus. Dazwischen passieren vier Dinge.

Erstens, Signalaufnahme. Die Engine zieht E-Mails, Meetings, Produktnutzung, Support-Tickets, Marketing-Touchpoints, CRM-Feldänderungen sowie externe firmografische und Intent-Daten heran. Breite ist hier das ganze Spiel. Eine Engine, die nur die CRM-Phase sieht, arbeitet mit einem winzigen Ausschnitt dessen, was im Deal tatsächlich passiert – dieselbe Wahrnehmungslücke, die wir in wie KI Revenue-Signale liest, die Menschen übersehen behandelt haben.

Zweitens, Interpretation. Ereignisse werden zu Bedeutung. Drei E-Mails ohne Antwort werden zu „Champion ist verstummt". Ein Nutzungsanstieg bei einem Team, das nicht Teil des ursprünglichen Deals war, wird zu „Expansionschance". Auf dieser Stufe beweist maschinelles Lernen seinen Wert, denn die Muster über ein paar Tausend vergangene Deals hinweg kann sich kein Mensch im Kopf merken.

Drittens, Kandidatengenerierung und Bewertung. Die Engine listet die möglichen Maßnahmen auf (Champion erneut ansprechen, eine Führungskraft einbinden, eine Case Study senden, an einen Menschen eskalieren, nichts tun) und bewertet jede gegen das Ziel, sei es den Deal voranzutreiben, die Verlängerung zu schützen oder den Account auszubauen. Jeder Kandidat erhält eine geschätzte Wirkung und ein Konfidenzniveau.

Viertens, Priorisierung und Zustellung. Die beste Maßnahme geht an die richtige Person zum richtigen Zeitpunkt, mit der Begründung im Anhang. In einer guten Implementierung ist die Arbeit bereits vorformuliert, sodass das Handeln nur einen Klick erfordert.

Die Lücke zwischen einem Spielzeug und einer echten Engine liegt in der Tiefe jeder Stufe, besonders der Stufen zwei und drei. Dort brechen schwache Systeme still und leise zu statischen Regeln zusammen.

Regel-Engines und lernende Engines

Das ist die Unterscheidung, die in einer Demo am meisten zählt.

Eine Regel-Engine kodiert die Annahmen von jemandem. Wenn Phase gleich Verhandlung und Tage seit letzter Aktivität größer als sieben, empfehle einen Check-in. Sie ist transparent und vorhersehbar. Sie kennt aber auch nur das, was jemand aufzuschreiben bedacht hat, ist schlecht darin, konkurrierende Prioritäten zu ranken, und veraltet, sobald sich Ihr Vertriebsansatz ändert. Die meisten „Next-Best-Action"-Features in älteren Tools sind Regel-Engines mit neuem Anstrich.

Eine lernende Engine arbeitet aus Ihren historischen Daten heraus, was tatsächlich mit guten Ergebnissen korreliert. Sie kann Dutzende Signale gleichzeitig abwägen, nicht offensichtliche Maßnahmen aufdecken und mit jedem beobachteten abgeschlossenen oder verlorenen Deal besser werden.

Die Engines, die sich zu kaufen lohnen, kombinieren beides. Gelernte Modelle übernehmen Mustererkennung und Priorisierung; eine explizite Regel- und Leitplankenschicht erlaubt es dem Unternehmen, Richtlinien durchzusetzen, und hält die Ausgabe kontrollierbar. Reines Blackbox-Lernen ist schwer zu vertrauen. Reine Regeln skalieren nicht auf echte Komplexität. Beides zusammenzubringen macht eine Engine gleichzeitig klug und nachvollziehbar – das Thema von Revenue-KI genau und nachvollziehbar halten.

Der schwierige Teil ist die Priorisierung

Einen plausiblen nächsten Schritt zu generieren ist einfach. Das schwierige Problem ist die Priorisierung über einen gesamten Kundenstamm hinweg.

Ein Vertriebsmitarbeiter mit 40 offenen Opportunities braucht nicht 40 Vorschläge. Er muss wissen, welche drei Deals er heute anfassen sollte und was bei jedem zu tun ist. Das zwingt die Engine, global statt Deal für Deal zu denken:

• Welche Maßnahmen haben die höchste erwartete Umsatzwirkung?
• Welche sind zeitkritisch, und welche können eine Woche warten?
• Wo wäre ein kleiner Anstoß entscheidend, und wo ist der Deal bereits gewonnen oder bereits verloren?
• Wie teilen sich neue Pipeline, gefährdete Verlängerungen und Expansionschancen eine gemeinsame priorisierte Liste?

Es ist ein Optimierungsproblem. Eine Engine, die jeden Deal isoliert behandelt, wird einem Vertriebsmitarbeiter munter mehr Arbeit zuweisen, als ein Mensch leisten kann, ohne je die einzige Frage zu beantworten, die zählt: was zuerst zu tun ist. Diesen Kompromiss gut zu treffen, ist wofür eine KI-native Architektur gebaut ist, und es ist meist das, was ein nachträglich angeflanschtes Feature nicht kann.

Transparenz ist der Preis der Akzeptanz

Eine Empfehlung, die ein Vertriebsmitarbeiter nicht versteht, ist eine Empfehlung, die er nicht befolgt. Wir haben erlebt, wie Vertriebsmitarbeiter völlig vernünftige Vorschläge ignorierten, weil das Tool nur sagte „ruf diesen Account an", ohne Erklärung. Eine Produktions-Engine muss also mehr liefern als die Antwort. Sie braucht die Begründung (welche Signale haben das ausgelöst), die Konfidenz (wie sicher sie ist, damit Vertriebsmitarbeiter kalibrieren können) und das erwartete Ergebnis (wie ein gutes Ergebnis aussieht, wenn gehandelt wird).

Das geht nicht nur um Akzeptanz. Es ist auch das, was es Menschen ermöglicht, die Engine abzufangen, wenn sie falsch liegt, was gelegentlich vorkommt. Die gesündesten Implementierungen behalten genau deshalb einen Menschen im Entscheidungskreislauf. Das Human-in-the-Loop-Modell ist der Weg, wie die Engine besser wird, und Teams, die das als Einschränkung behandeln, landen tendenziell bei einer Engine, der niemand vertraut.

Die wichtigsten Erkenntnisse

• Vier Stufen: Aufnahme, Interpretation, Kandidatengenerierung und -bewertung, Priorisierung und Zustellung. Lassen Sie sich von einem Anbieter jede einzelne zeigen.
• Die meisten älteren „Next-Best-Action"-Features sind Regel-Engines. Die guten legen gelernte Modelle darüber und behalten eine Leitplankenschicht, damit das Unternehmen die Kontrolle behält.
• Eine Maßnahme vorzuschlagen ist billig. Über einen gesamten Kundenstamm zu priorisieren, damit ein Vertriebsmitarbeiter weiß, was zuerst zu tun ist, ist der eigentliche Wert.
• Begründung, Konfidenz und erwartetes Ergebnis müssen jede Empfehlung begleiten, sonst vertrauen Vertriebsmitarbeiter ihr nicht, und niemand kann sie korrigieren.
• Die Engine kann nicht handeln, was sie nicht sehen kann, daher begrenzt die Signalbreite alles Nachgelagerte.

Die Mechanik zu kennen ist die beste Verteidigung dagegen, eine Regel-Engine im Gewand eines Agenten zu kaufen. Wenn Sie eine Next-Best-Action-Schicht sehen möchten, die über das gesamte Revenue-Bild hinweg schlussfolgert statt über einen Datensatz nach dem anderen, lohnt sich ein Blick auf Revnewo.