下一步最佳行动引擎：其底层工作原理

"下一步最佳行动"如今出现在每家供应商的宣传幻灯片里。有时候，这个标签背后的东西不过是一个线索评分。有时候，它是某人在 2019 年搭建的一套规则引擎。偶尔，它是一个真正能够针对整个客户组合进行推理的系统。这个标签本身并不能告诉你是哪一种，演示环节也不能。

如果你正在评估这类系统，了解它内部本应运行着什么会很有帮助。一旦你能看清各个阶段，你就能分辨出一个真正的推荐引擎和一份包装过的 if-then 列表，也能对它在你的销售管道变得混乱时是否还能撑住做出一个靠谱的判断。

四个阶段，以及捷径藏在哪里

一个真正的下一步最佳行动（NBA）引擎是一条管道。原始活动数据从一端进入，一条具体的、排好序的建议从另一端出来。中间发生了四件事。

第一，信号摄取。引擎拉取邮件、会议、产品使用情况、支持工单、市场触达、CRM 字段变更、外部企业信息和意图数据。广度在这里是决定成败的关键。一个只能看到 CRM 阶段的引擎，只是基于交易实际情况中的一小片信息在工作，这正是我们在AI 如何读取人类容易忽略的收入信号中所讲的同一种感知缺口。

第二，解读。事件会被转化为含义。三封没有回复的邮件，变成"关键决策人已经沉默"。一个并非原始交易范围内的团队出现的使用量激增，变成"扩展机会"。这是机器学习真正发挥作用的阶段，因为几千笔历史交易中呈现的模式，不是一个人能够记在脑子里的。

第三，候选生成与打分。引擎列出可能的行动方案（重新激活关键决策人、拉入一位高管、发送一份案例研究、升级给人工处理、什么都不做），并根据目标为每一个方案打分，无论目标是推进交易、保住续约，还是拓展客户。每个候选方案都会获得一个预估影响值和一个置信度。

第四，排序与交付。排名最靠前的行动会在恰当的时机被交付给恰当的人，并附带推理依据。在一个好的实现中，工作内容是预先起草好的，所以采取行动只需要点一下鼠标。

一个玩具和一个真正引擎之间的差距，在于每个阶段的深度，尤其是第二和第三阶段。这正是薄弱系统悄悄退化成静态规则的地方。

规则引擎与学习引擎

这是你坐在演示会上时最重要的一个区分点。

规则引擎把某人的假设编码下来。如果阶段等于谈判，且距上次活动的天数大于七天，就建议进行一次跟进。它是透明且可预测的，但它也只知道有人曾想到要写下来的内容，在众多相互竞争的优先事项之间排序表现很差，而且会随着你的业务动作变化而逐渐过时。许多老旧工具中的"下一步最佳行动"功能，其实就是重新刷了一层漆的规则引擎。

学习引擎则从你的历史数据中反推出真正与良好结果相关联的因素。它可以同时权衡数十个信号，浮现出并不显而易见的行动方案，并随着观察到更多成交和失败的交易而不断变得更好。

值得购买的引擎会把两者结合起来。学习模型负责模式识别和优先级排序；一层明确的规则与护栏则让业务能够执行政策，并保持输出的可控性。纯粹的黑箱式学习很难让人信任，纯粹的规则又无法扩展到应对真正的复杂性。把两者放在一起，才能让一个引擎既智能又可问责，这正是让收入 AI 保持准确与可问责所探讨的主题。

难点在于优先级排序

生成一个看似合理的下一步行动很容易。真正的难题是在整个客户组合中进行优先级排序。

一位手头有 40 个未结商机的代表，不需要 40 条建议。他们需要知道今天应该联系哪三笔交易，以及每一笔应该做什么。这就要求引擎进行全局推理，而不是逐笔交易地思考：

• 哪些行动的预期收入影响最大？
• 哪些是时间敏感的，哪些可以再等一周？
• 在哪里一个小小的推动就能起到决定性作用，在哪里交易已经十拿九稳或者已经彻底没戏？
• 新增的销售管道、有风险的续约和扩展打法，如何共享同一份排好序的清单？

这是一个优化问题。一个孤立看待每笔交易的引擎，会心安理得地给一位代表分配超出人力所能完成的工作量，却始终无法回答那个唯一重要的问题：先做什么。妥善处理这种权衡，正是AI 原生架构所要做到的事情，而这通常也是外挂式功能做不到的。

透明度是被采纳的代价

一条代表无法理解的建议，就是一条他们不会采纳的建议。我们见过代表们忽视完全合理的建议，只因为工具只是说了一句"给这个客户打电话"，却没有任何解释。所以一个真正投入生产使用的引擎，交付的必须不仅仅是答案。它需要提供推理依据（是哪些信号促成了这个结论）、置信度（它有多大把握，好让代表校准自己的判断），以及预期结果（如果采取行动，理想情况会是什么样）。

这不仅仅关乎采纳率。它也让人们能够在引擎出错时纠正它，而它有时确实会出错。最健康的部署方式，正是出于这个原因，把人保留在决策环路之中。人在回路模型正是引擎不断变好的方式，而那些把它当作局限性来对待的团队，往往最终会得到一个没人信任的引擎。

关键要点

• 四个阶段：摄取、解读、生成并打分候选方案、排序并交付。要求供应商向你展示每一个阶段。
• 大多数传统的"下一步最佳行动"功能都是规则引擎。好的引擎会在其上叠加学习模型，并保留一层护栏，让业务始终掌控全局。
• 提出一个行动建议很廉价。能够针对整个客户组合进行排序、让代表知道先做什么，才是真正的价值所在。
• 推理依据、置信度和预期结果，必须与每一条建议一同交付，否则代表不会信任它，也没有人能够纠正它。
• 引擎无法对它看不到的东西采取行动，所以信号的广度决定了下游一切的上限。

了解其内部机制，是防止你买到一个披着智能体外衣的规则引擎的最好办法。如果你想看看一个能够针对整个收入全貌进行推理、而不是一次只看一条记录的下一步最佳行动层，Revnewo 值得一看。