Wie eine Next-Best-Action-Engine entscheidet

Teil 1 von 3 unserer Serie zu Next Best Action im Banking. In den beiden folgenden Teilen geht es um die Ausspielung je Kanal (Teil 2) und um Transaktionsdaten als wichtigstes Signal (Teil 3).

Warum „die eine richtige Aktion" eine Rechenaufgabe ist

Eine Bank hat für jeden Kunden an jedem Tag mehrere mögliche nächste Schritte: ein Kredit-Angebot, ein Cross-Sell für eine Versicherung, eine Erinnerung an eine ungenutzte Kreditkarte, oder schlicht keine Ansprache, weil der Kontaktfrequenz-Deckel erreicht ist. Next Best Action (NBA) ist der Ansatz, der aus dieser Menge an Optionen pro Kunde und Moment eine einzige, umsetzbare Empfehlung ableitet. Pega definiert NBA als Ansatz, der „künstliche Intelligenz mit Echtzeit-Interaktionsdaten kombiniert, um hyperrelevante Kundenerlebnisse zu schaffen" (Pega). Entscheidend ist der Unterschied zur klassischen Kampagne: „Kampagnen sind bankzentriert und kalendergetrieben. Next Best Action ist kundenzentriert und ereignisgetrieben" (Backbase). Genau diese Verschiebung — von der Kampagnenwelle zur fortlaufenden Mikro-Entscheidung — beschreibt auch McKinseys Einordnung, wonach sich Präzision im Retail Banking „von statischer Segmentierung zu dynamischer, echtzeitfähiger, hyperpersonalisierter Ansprache" entwickeln muss (McKinsey Global Banking Annual Review).

Diese Entscheidung lässt sich nicht mit einer einzelnen Regel oder einem einzelnen Score treffen. Sie ist das Ergebnis von vier Faktoren, die zusammenwirken müssen — und die eine NBA-Engine wie die von Acceleraid strukturiert kombiniert.

Die vier Bausteine der Entscheidungslogik

Propensity-Scores. Der erste Baustein ist die Wahrscheinlichkeit, mit der ein Kunde auf ein bestimmtes Angebot reagiert oder ein bestimmtes Produkt annimmt. Anders als ein einzelner Churn- oder Cross-Sell-Score behandelt eine NBA-fähige Prediction Engine mehrere Produktlinien parallel: Girokonto, Konsumentenkredit, Sparprodukt, Versicherung, Kreditkarte. Diese Multi-Produkt-Propensity ist notwendig, weil Bankkunden selten nur für ein Produkt gleichzeitig „reif" sind — die Engine muss also nicht nur berechnen, ob, sondern auch wofür ein Kunde am ehesten ansprechbar ist. Ein konkreter Beleg für den Wert dieses Ansatzes: Ein Multi-Label-Modell, das zehn Ereignistypen für die kommenden 90 Tage prognostiziert, erreichte in einem dokumentierten Banking-Anwendungsfall eine Precision@12 von 73 % und war damit elfmal treffsicherer als eine heuristische Baseline (Kumo.ai).

Lifecycle-Phase. Der zweite Baustein verortet den Kunden im Kundenlebenszyklus — Akquisition, Wachstum, Reife oder Retention. Ein identischer Propensity-Score für ein Kreditangebot bedeutet in der Akquisitionsphase etwas anderes als in der Retentionsphase: Im ersten Fall geht es um Erstansprache, im zweiten um Bindung eines abwanderungsgefährdeten Kunden. Die Lifecycle-Phase liefert damit den Kontext, der aus einem Score eine sinnvolle Handlung macht.

Kanalpräferenz. Der dritte Baustein bestimmt, wo und wie die Aktion ausgespielt wird — Online-Banking, App-Push, E-Mail oder Filiale. Wie unterschiedlich Kanäle wirken, zeigt sich am deutlichsten bei Push-Nachrichten: Kontextualisierte Pushes erreichen im Banking- und Finance-Sektor eine Öffnungsrate von 14,4 % gegenüber 4,19 % bei generischen Nachrichten (Batch: Push Notifications Benchmark 2025). Eine NBA-Engine muss diese Kanalwirkung kennen und die Empfehlung entsprechend timen und formatieren — Details dazu im zweiten Teil dieser Serie.

Regulatorische Leitplanken. Der vierte Baustein ist im deutschen und europäischen Kontext keine Kür, sondern Pflicht. Die BaFin verlangt in MaRisk AT 4.3.5 Tz. 6 für Modelle mit Merkmalen „technologiegestützter Innovation und künstlicher Intelligenz" ausdrücklich eine „hinreichende Erklärbarkeit" — zusätzlich zur angestrebten Genauigkeit (BaFin, Rundschreiben 06/2024 (BA)). Tz. 2 verlangt zudem, dass Angemessenheit und Eignung eines Modells vor dem Einsatz bewertet und danach regelmäßig überprüft werden. Wichtig für die Einordnung: AT 4.3.5 gilt für Modelle im Risikomanagement, nicht automatisch für jedes Marketing-Modell — die Umsetzungsfrist für das Modul lag beim 1. Januar 2024 (PwC Deutschland). Auf EU-Ebene stuft der AI Act in Anhang III Nr. 5(b) KI-Systeme als hochriskant ein, die „für die Bewertung der Kreditwürdigkeit natürlicher Personen oder zur Erstellung ihrer Kreditwürdigkeitsbeurteilung verwendet werden sollen, mit Ausnahme von Systemen zur Aufdeckung von Finanzbetrug" (EU AI Act, Annex III). Die EBA hält in ihrem Faktenblatt fest, dass diese Hochrisiko-Einstufung im Banken- und Zahlungssektor an Kreditwürdigkeit und Scoring anknüpft — Marketing- beziehungsweise Customer-Engagement-KI wird dort nicht als hochriskant benannt (EBA: AI Act — implications for the EU banking and payments sector). Für NBA-Anwendungen im Marketing heißt das: Die Erklärbarkeitspflicht aus MaRisk bleibt relevant, sobald KI-Komponenten im Risikomanagement zum Einsatz kommen — die AI-Act-Hochrisiko-Kategorie greift dagegen primär bei Kreditvergabeentscheidungen, nicht bei jeder NBA-Ausspielung.

Diese vier Bausteine wirken nicht isoliert. Eine Engine gewichtet sie gegen kommerzielle Ziele — Marge, Kontaktfrequenz-Limits, Kampagnenvorgaben — und destilliert daraus die eine Empfehlung, die für einen Kunden in einem bestimmten Moment über einen bestimmten Kanal ausgespielt wird.

Erklärbarkeit ist keine Nachrüstung, sondern Konstruktionsprinzip

Ein häufiger Irrtum ist, Erklärbarkeit als nachgelagerte Dokumentationspflicht zu behandeln, die erst entsteht, wenn die Aufsicht danach fragt. MaRisk AT 4.3.5 Tz. 2 verlangt jedoch, dass Angemessenheit und Eignung eines Modells bereits vor dessen Einsatz bewertet werden — Erklärbarkeit muss also von Anfang an Teil des Modell-Designs sein, nicht ein nachträglich aufgesetztes Reporting (BaFin). In der Praxis bedeutet das: Jede Empfehlung, die eine NBA-Engine ausspielt, sollte sich auf die zugrunde liegenden Score-Beiträge zurückführen lassen — warum genau dieser Kunde, warum genau dieses Produkt, warum genau jetzt. Das ist nicht nur eine Frage der Aufsichtskonformität, sondern auch der internen Steuerung: Ein Fachbereich, der einer Empfehlung nicht widersprechen oder sie nachvollziehen kann, wird sie im Zweifel ignorieren oder falsch priorisieren. Erklärbarkeit ist damit gleichzeitig Compliance-Anforderung und Voraussetzung für operative Akzeptanz.

Next Best Action ist mehr als Next Best Product

Ein häufiges Missverständnis: NBA wird mit Next Best Product (NBP) gleichgesetzt. NBP beantwortet nur eine Teilfrage — welches Produkt hat für diesen Kunden die höchste Abschlusswahrscheinlichkeit? NBA beantwortet die umfassendere Frage: Ist ein Produktangebot überhaupt die richtige Aktion, oder wäre stattdessen eine Service-Nachricht, eine Warnung vor einer bevorstehenden Gebührenänderung oder gar keine Kontaktaufnahme sinnvoller? NBP ist damit ein Input in die NBA-Entscheidung — einer von mehreren Propensity-Scores —, aber nicht deren Ersatz. Diese Unterscheidung ist auch der Grund, warum probabilistische KI-Scores laut Backbase mit deterministischen Regeln kombiniert werden: Ein hoher NBP-Score für ein Kreditangebot darf beispielsweise durch eine Regel überschrieben werden, die verhindert, dass ein Kunde in der 90-Tage-Kündigungsfrist eines anderen Produkts zusätzlich beworben wird (Backbase).

Warum Multi-Produkt-Propensity der Kern ist

Ein Girokonto-Propensity-Score allein trifft keine Aussage über die Kreditwürdigkeit oder das Sparverhalten eines Kunden. Erst wenn eine Bank für dieselbe Kundenbasis parallel Propensity-Scores über Girokonto, Kredit, Sparen, Versicherung und Karten führt, lässt sich die eigentliche NBA-Frage beantworten: Welches der mehreren möglichen „nächsten Produkte" hat aktuell die höchste Relevanz — unter Berücksichtigung dessen, was der Kunde ohnehin schon zuletzt kommuniziert bekommen hat? Diese Multi-Produkt-Sicht ist der Grund, warum eine NBA-Engine eng mit der zugrunde liegenden Prediction Engine verzahnt sein muss: Sie braucht nicht einen Score, sondern ein konsistentes, aktuelles Scoring-Portfolio über alle Produktlinien.

Ohne diese Portfolio-Sicht entstehen in der Praxis zwei typische Fehler. Der erste ist Kanalüberlastung: Wenn Kredit-, Spar- und Kartenteam jeweils unabhängig auf ihren eigenen Score reagieren, erhält derselbe Kunde unter Umständen drei Angebote in kurzer Folge — ein Effekt, der Kontaktfrequenz-Limits unterläuft, ohne dass ein einzelnes Team die Übersicht verliert. Der zweite Fehler ist Priorisierung nach Zufall statt nach Relevanz: Ohne eine Instanz, die alle Scores gegeneinander abwägt, gewinnt oft schlicht das Team mit dem größten internen Kampagnendruck, nicht der für den Kunden tatsächlich passendste Vorschlag. Eine NBA-Engine löst genau dieses Koordinationsproblem, indem sie die Portfolio-Sicht zur strukturellen Voraussetzung macht, nicht zu einer optionalen Erweiterung.

Wie Acceleraid diese Logik umsetzt

Die Prediction Engine & AI Framework von Acceleraid berechnet genau dieses Portfolio aus Affinity-, Churn-, Propensity- und NBA-Scores — erklärbar und auditierbar, wie es Aufsichtsanforderungen wie MaRisk AT 4.3.5 verlangen (Platform). Die CLM/CVM-Orchestrierung verbindet diese Scores mit Lifecycle-Phase, Kontaktfrequenz-Limits und Kanalpräferenzen und übersetzt sie in konkrete, ausspielbare Aktionen für Banken im DACH-Raum und international (Banking). Damit bildet die NBA-Engine exakt die vier Bausteine ab, die in diesem Artikel beschrieben wurden: Propensity, Lifecycle, Kanal und regulatorische Leitplanken — verdichtet zu einer Empfehlung, die sich gegenüber Aufsicht und Fachbereich erklären lässt.

Fazit

Next Best Action ist im Kern eine Gewichtungsaufgabe: vier unterschiedliche Signalquellen — Propensity über mehrere Produktlinien, Lifecycle-Kontext, Kanalpräferenz und regulatorische Grenzen — müssen laufend neu zu einer einzigen Empfehlung verdichtet werden. Banken, die diese Logik nicht explizit und nachvollziehbar modellieren, laufen Gefahr, entweder Erklärbarkeitsanforderungen zu verfehlen oder Kunden mit der falschen Aktion zur falschen Zeit anzusprechen. Diese vier Bausteine bilden damit das Fundament, auf dem sich alle weiteren operativen Fragen — Kanalwahl, Timing, Datenquellen — erst sinnvoll beantworten lassen. Im zweiten Teil dieser Serie geht es darum, wie sich diese eine Empfehlung je Kanal — Online-Banking, App, E-Mail, SMS und Filiale — unterschiedlich ausspielen lässt.

Illustration: KI-generiert. KI-gestützte Inhalte: Bei der Erstellung unserer Beiträge setzen wir KI-Technologien und automatisierte Agenten ein, unter anderem von Microsoft, Google, OpenAI, Anthropic und weiteren Anbietern. Themen, fachliche Ausrichtung und finale Freigabe liegen bei unserem Team.