ネクストベストアクション（NBA）とは、顧客データ、業務ルール、AIを組み合わせ、一人ひとりの顧客にいま取るべき最も価値の高いアクションをリアルタイムで判断する手法である。 あらかじめ組んだキャンペーンの配信計画や固定的なセグメントに従うのではなく、顧客ごとの文脈、行動、嗜好、予測される需要をその都度評価し、商品のレコメンデーション、サービスの提案、コンテンツの提示、連絡するタイミングといった選択肢の中から最適な一手を選ぶ。
NBAは、一斉配信型のマーケティングから、顧客単位で内容を変えるエンゲージメントへの転換を意味する。
CDP（カスタマーデータプラットフォーム）が担う5段階の循環、すなわちCustomer Intelligence Loop（収集→統合→理解→意思決定→エンゲージメント）の中で、NBAは意思決定の段階を動かす仕組みにあたる。他の4つの段階は、いずれもNBAが成立するための前提である。収集と統合がプロファイルを組み立て、理解が顧客の意図を抽出し、NBAがその情報を最適なアクションへ変換して、エンゲージメントのチャネルが実行する。エージェンティックCDPでは、AIエージェントがこのループ全体を継続的に回すため、NBAの判断はキャンペーンの周期ではなくミリ秒単位で下される。
マーケティングにおけるネクストベストアクションと従来型キャンペーンの違い
従来型キャンペーンは、対象者、メッセージ、チャネル、配信日程から始める。マーケティングにおけるネクストベストアクションは個人から始まり、いま価値が最も高い実行可能なアクションは何かを問う。
2026年のCleverTapの比較は、パーソナライズの深さ、タイミング、適応、抑制の4つの軸で両者の違いを整理している。キャンペーンもコンテンツをパーソナライズすることはできるが、NBAは文脈が変わるたびに顧客ごとに判断をやり直す。
| 軸 | 従来型キャンペーン | ネクストベストアクション |
|---|---|---|
| パーソナライズの深さ | セグメントが計画されたメッセージやオファーを受け取る | 各顧客が複数の実行可能なアクションと照らして評価される |
| タイミング | カレンダーや自動化フローが接触の時期を決める | イベントと現在の文脈が新しい判断を引き起こす |
| 適応 | チームが結果を確認し、キャンペーンを手作業で変更する | 新しいシグナルと結果が後の判断を更新する |
| 抑制 | 対象者は原則としてキャンペーンを受け取る | 意図や期待値が低いときは、判断エンジンが何もしないことを選べる |
ネクストベストアクションとネクストベストオファーの違い
2つの用語は同じ意味で使われることもあるが、NBAのほうが対象とする範囲は広い。ネクストベストオファー（NBO）が扱うのは、原則として商品やサービスのレコメンデーション、つまり何を売り、何を訴求するかである。NBAは、これに加えて次のような働きかけまで含む。
- オファーと販促：商品のレコメンデーション、アップセル、クロスセル、割引
- コンテンツの提示：顧客の関心に沿った解説記事、資料、動画
- サービス対応：先回りのサポート連絡、契約内容の見直し、解約防止の働きかけ
- 連絡手段の最適化：チャネルの選択と配信タイミングの調整
- 次の一歩への誘導：ライフサイクル上の次の段階へ顧客を導く
NBAが判断するのは、何を提案するかだけではない。そもそも接触すべきか、いつ、どのチャネルで、どのような種類のやり取りを行うかまでを含む。単体のレコメンデーションエンジンというより、顧客とのやり取り全体を組み立てる仕組みである。
関連する概念との違いを整理すると次のとおりである。
| 概念 | 主な役割 | 決めること |
|---|---|---|
| 商品レコメンデーション／ネクストベストオファー | 商品やサービス、コンテンツを順位づけする | 何を売り、何を見せ、何を勧めるか |
| カスタマージャーニーオーケストレーション | 複数の接点をまたぐ多段の流れを調整する | 次にどの段階、どの経路へ進むか |
| パーソナライズ | コンテンツや体験を個々の顧客に合わせる | 選んだやり取りをどう見せるか |
| ネクストベストアクション | 実行可能な働きかけのうち、最も価値の高いものを選ぶ | そもそも働きかけるか、何を、いつ、どのチャネルで行うか |
パーソナライズとNBAは簡単に判別できる。見出しや文言を差し替えるだけならパーソナライズであり、オファー、サポートの働きかけ、解説コンテンツ、別のチャネル、何もしないことのいずれかを選んでいるなら、それはネクストベストアクションの判断である。
ネクストベストアクションの仕組み
NBAは、複数のデータと判断の要素を組み合わせてリアルタイムの推奨を生成する。
統合された顧客データ
リアルタイムCDPが土台となり、あらゆる接点の顧客データを一つのプロファイルへ集約して継続的に更新する。Customer 360と呼ばれる状態である。行動データ、取引履歴、属性情報、嗜好、エンゲージメントの傾向に加え、閲覧中のページや位置情報といったリアルタイムのシグナルも含まれる。
業務ルールと制約
推奨の枠組みは組織の側で定める。接触頻度の上限、チャネルの優先順位、対象者の条件、規制対応上の要件、事業戦略上の優先度などである。こうしたルールを置くことで、AIが導いた推奨が事業目標と顧客体験の基準から外れずに済む。
予測分析と機械学習モデル
予測分析のモデルが、過去のパターンと統計モデリングにもとづいて、顧客ごとに各アクションへの反応しやすさを評価する。プロペンシティモデリングは解約の確率、顧客生涯価値、商品との相性、接触に適したタイミングを予測する。新しいデータが入るたびに機械学習が予測を更新するため、精度は運用しながら上がっていく。
スコアリング：プロペンシティ、期待値、タイミング
NBAのスコアリングは三つの問いを分ける。プロペンシティは各アクションについて成果の確率を見積もる。期待粗利益はその確率にマージン、またはあらかじめ定めた別の価値を掛け合わせる。タイミングはアクションの窓が開いているか、それがどの程度の速さで変わるかを問う。粗利益は結果を予測するが、そのアクションが何を引き起こすかは示さない。
2026年のPecan AIのフレームワークは、プロペンシティだけでは不十分な理由を示している。想定した割引はプロペンシティ0.38、マージン12ドルで、期待粗利益は4.56ドルになる。一方、定価のバンドルはプロペンシティ0.11、マージン70ドルで、期待粗利益は7.70ドルとなり、プロペンシティの低いアクションが上位に来る。これは説明用の計算であり、実測のベンチマークではない。
目的がインクリメンタリティである場合、各アクションの成果を、何もしない場合または現行の方針と比べて見積もり、その効果に価値を掛け、インセンティブと配信のコストを差し引く。Pecanは「モデルが順位づけ、ルールが絞り込む」という運用原則をまとめているが、本番のシステムはハードな制約をスコアリング前に絞り込み、スコアリング後に共有の制約を調整し、実行前に再検証すべきである。タイミングは順位を調整したり、アクションの窓を閉じたりすることがある。
意思決定エンジン
意思決定エンジンは、データ、ルール、モデルの出力を統合し、顧客ごとに候補となるアクションを採点して順位づけする。収益への貢献、解約防止への効果、顧客満足度といった事業目標に照らして複数の候補を比較し、その瞬間に期待値が最も高いアクションを選ぶ。顧客インテリジェンスを実際の判断へ変換する部分がここにあたる。
部門ごとの活用事例
マーケティング
NBAによって、セグメント単位のキャンペーンから顧客単位のエンゲージメントへ移れる。数千人に同じメールを送るのではなく、その時点の文脈に応じて一通ずつ内容を変えられる。ランニングシューズを閲覧している顧客にはパーソナライズしたウェアのレコメンデーションを出し、ノートPCを購入したばかりの顧客には周辺機器を提示する、といった具合に、行動と嗜好、予測される意図から動的に決まる。
営業
営業チームはNBAを使ってアプローチの優先順位と進め方を決める。どの見込み客が成約に近いか、どの製品に関心があるか、いつ接触すべきかをNBAが示す。B2Bであれば、情報収集の段階にいる見込み客には導入事例を送り、購買意欲を見せている見込み客にはデモの日程を打診する、という判断の使い分けになる。
カスタマーサポート
サポート部門は、先回りの対応と問い合わせの解決にNBAを用いる。不満の兆候が出ている顧客や同じ問題を繰り返している顧客に対して、専門担当者からの連絡やサービスクレジットの自動付与を推奨できる。対応中には、関連するナレッジベースの記事を提示したり、適切な場面に限ってアップセルの機会を知らせたりする。
業界別の事例
| 業界 | 判断の文脈 | 実行可能な次のアクション |
|---|---|---|
| 銀行 | 商品への関心、残高、資格、同意、連絡方針 | 教育コンテンツ、資格を満たす商品オファー、担当者からの連絡、または何もしない |
| 製薬 | 承認済みの対象者、チャネルの資格、過去のエンゲージメント、コンテンツのルール | 承認済みの教育コンテンツ、担当者によるフォローアップ、後日の連絡、または抑制 |
| 小売 | 商品閲覧、購入履歴、在庫、再購入のタイミング、価格感度 | 再購入のリマインダー、補完商品、プロモーション、またはメッセージなし |
CDPがネクストベストアクションを支える仕組み
CDPは、パーソナライズされたエンゲージメントを大規模に実現するためのリアルタイムのデータ基盤と意思決定機能を備えており、NBAの実行基盤として使われる。
- リアルタイムのプロファイル統合：全接点にわたる最新の顧客プロファイルへ即座にアクセスできる
- オーディエンスのアクティベーション：データアクティベーションにより、推奨されたアクションを実行チャネルへそのまま渡せる
- カスタマージャーニーオーケストレーション：NBAの推奨にもとづき、チャネルと接点をまたいだエンゲージメントを調整する
- 名寄せ：デバイスやセッションをまたいで同一人物を正しく認識し、判断の一貫性を保つ
- 成果の計測：クローズドループの分析でNBAの効果を測り、モデルを改善する
CDPがなければ、組織は分断されたデータをもとに判断せざるを得ない。プロファイルの一部しか見えていない状態で推奨を出すため、内容が不完全になったり、チャネルごとに食い違ったりする。
AIがネクストベストアクションにもたらした変化
NBAはもともとデータにもとづく手法だったが、AIの進歩によって扱える範囲と精度が変わった。初期のNBAは、ルールベースのロジックと単純な統計モデルに頼っていた。現在のAI意思決定は、人間が見落とすような複雑なパターンを機械学習で検出し、継続的な学習によって推奨を更新する。ただしAIが広げるのは判断材料と選択肢の幅であり、目的、業務上の制約、因果の測定を置き換えるものではない。強化学習はそのための選択肢の一つであって、必須の要件ではない。
ルールから適応的な判断へ
初期のNBAは、人間が書いたルールと静的なスコアを用いていた。予測モデルが顧客ごとの確率を加えた。コンテクスチュアルバンディットと強化学習は、繰り返される選択を成果から適応させることができるが、信頼できるフィードバック、十分な量、顧客への防護策を必要とする。
大規模言語モデルと生成AI
大規模言語モデル（LLM）と生成AIの登場によって、NBAはあらかじめ用意したアクションの一覧を超えて広がった。限られたオファーやメッセージの中から選ぶのではなく、顧客ごとの状況や文体に合わせて、コンテンツ、商品説明、メール本文、チャットの応答をその場で生成できる。
実運用のCDP環境でAIによる意思決定がどう動いているかは、リアルタイムのネクストベストアクションを支えるAI意思決定の解説で詳しく扱っている。
実践的なNBA成熟度ラダー
以下のラダーはcdp.comの編集上のモデルであり、業界の認定ではない。意思決定の範囲を段階的に広げる一方で、目的と統制に対する責任を人間が担い続けることを示す。
| 段階 | アーキテクチャ | 何を決めるか | 典型的な限界 |
|---|---|---|---|
| 1. ルールベースのジャーニー | セグメントとif/thenのワークフロー | あらかじめ定義された分岐のどれを実行するか | アクションが増えるにつれてルールの維持が難しくなる |
| 2. セグメント内の予測スコア | プロペンシティスコアまたはリスクスコアがキャンペーンに供給される | どの顧客が計画されたアクションに入るか | 同じスコアが価値の異なるアクションに使い回されることがある |
| 3. スコアリングと制約の組み合わせ | アクション単位のモデルと意思決定エンジン | どの実行可能なアクションが最も高い期待値を持つか | モデルとアクションカタログに継続的な運用が必要 |
| 4. 適応型AI意思決定 | ガードレール内のバンディットまたは強化学習の手法 | メッセージ、チャネル、タイミング、頻度、または何もしない | 信頼できる成果データ、量、モニタリングが必要 |
| 5. エージェンティックオーケストレーション | エージェントが複数の判断を計画し調整する | 承認された範囲内での複数ステップの戦略と実行 | 明確な目的、承認経路、エスカレーションが必要 |
エージェンティックNBAと人間によるガードレール
エージェンティックなシステムは、エージェンティックマーケティングのように複数の手順を計画し実行できるが、戦略、方針、リスクの境界を定めるのは人間である。敏感な、または信頼度の低いアクションには承認が必要な場合がある。AIはそうした統制の中でスコアリングと実行を担い、その結果に対して人間が説明責任を負い続ける。
Extraco Banksの事例が示すのは、自律的なNBAではなく、その前提となるデータアクセスの整備である。同行はTreasure DataのIntelligent CDPを導入した後、キャンペーンのコンバージョン率が前年比27%上昇し、2025年には6,400万ドル近い収益資産を積み増したと報告している。これとは別に、業務部門の担当者がCDPへ直接アクセスせずに融資や取引のデータを照会できるよう、AI Agent Foundryを試験的に導入した。なお、この事例はアクション選択の仕組みや、因果関係を確かめるためのホールドアウトについては報告していない。（Extraco Banksの事例の詳細）
AIの進歩が続くにつれ、NBAはアクションを推奨する機能から、複雑なやり取りを自律的に処理するエンゲージメントの仕組みへと位置づけを変えつつある。人間のチームは、戦略、クリエイティブ、価値の高い関係構築に時間を振り向けられるようになる。
ネクストベストアクションの実装方法
チャネルをまたいでNBAを広げる前に、まず一つの判断で実証する。
- 高頻度の意思決定ポイントを一つ選ぶ。 顧客の瞬間、測定可能な事業成果、意思決定の責任者を定義する。CDPの活用事例を開発するガイドは、パイロットを選ぶための実践的な枠組みを提供する。
- 小さなアクションカタログを作る。 競合する2〜3のアクションと「何もしない」から始める。それぞれについて資格、除外、チャネル要件、コスト、期待値を記録する。
- データ、統制、ログを監査する。 アイデンティティの網羅性、プロファイルの鮮度、同意、チャネルの可用性、成果の取得を確認する。候補の集合、選ばれたアクション、方針またはモデルのバージョン、理由コード、割り当て、観測された成果を記録する。
- 絞り込み、スコアリング、調整、再検証を行う。 ハードに不適格なアクションを除外し、残りに最も単純で適切な方針でスコアを付け、予算や処理能力の共有制約を調整し、配信前に変わりやすい事実を確認し直す。必要な箇所では人間の承認を求める。
- 公開前にホールドアウトを作る。 新しい判断方針を従来のアプローチと比較し、追加の成果と顧客のガードレールを確認し、結果が安定してから拡大する。
この順序は、モデルの品質と運用の準備ができているかを分ける。洗練されたスコアもアクションを配信できなければ価値がなく、速い展開は因果関係を証明しない。
ネクストベストアクションが機能しているかを測る方法
NBAは、許容できない顧客への悪影響なしに従来の方針を改善するときに機能していると言える。レスポンス率はこれを証明できない。プロペンシティの高い顧客は、もともと転換していたかもしれないからだ。
NBAが現在のシステムを改善するかを確かめるには、顧客やアカウントのような安定した単位を、NBAと現行の方針のどちらかに無作為に割り当て、intent-to-treatのリフトを報告する。介入なしのアームを別に設けると、そもそもアクションすることがもたらす効果を測れ、別の問いに答える。割り当てと期間は、ベースラインの率、最小検出可能効果、望む信頼度と検出力、無作為化の単位から設定し、割り当てはチャネル間で安定させる。
インクリメンタリティテストは、介入が追加の成果を引き起こしたかを問う。アップリフトモデリングは、治療によって誰の行動が変わるかを見積もる。プロペンシティモデリングは誰が反応しそうかを見積もる。アトリビューションは接点を説明するが、有効な対照群の代わりにはならない。
2026年のBCG分析は、組織がプロペンシティ主導のプログラムをアップリフト手法で再測定すると、実行中のプログラムの20%〜40%が通常、無視できる追加のリフトしか示さないと述べている。BCGはサンプルや計算方法を開示していないため、この範囲は方向性を示すものとして扱う。同分析はNBAの弱点を、アーキテクチャ、サイエンス、運用モデル、測定の4つのギャップに分類している。
4つの指標グループを同時に追跡する。
| 指標グループ | 測るもの |
|---|---|
| 事業成果 | 目的に結びついた追加マージン、転換、維持、または生涯価値 |
| 顧客のガードレール | 購読解除、苦情、接触圧力、抑制、ネガティブな反応 |
| 判断の品質 | 資格を満たすプロファイルの網羅性、非アクション率、上書き、説明の提供有無 |
| 運用 | 判断のレイテンシー、スコアの鮮度、配信可能性、失敗または利用不能なアクション |
よくある失敗は、すべてのアクションに一つの汎用スコアを使い回すこと、有効なホールドアウトなしで公開すること、判断の周期より遅くスコアを更新すること、配信チームが実行できないアクションを推奨することである。測定は、アクションカタログやモデルの複雑さが増す前に、それぞれの問題を明らかにするべきである。
FAQ
ネクストベストアクションとネクストベストオファーの違いは何か
ネクストベストオファーが扱うのは商品やサービスの提案に限られるが、ネクストベストアクションはオファーに加えて、コンテンツの提示、サービス対応、連絡手段の選択、次の一歩への誘導までを対象とする。 NBAは何を提案するかだけでなく、いつ、どのチャネルで、どのような種類のやり取りを行うかまで判断する。そもそも今は接触しないという選択肢も候補に含める点が、レコメンデーションに特化したNBOとの違いである。
ネクストベストアクションはどのような仕組みで動くのか
CDPが提供する統合された顧客データ、業務ルールと制約、プロペンシティモデリングなどの機械学習モデルを組み合わせ、候補となるアクションをリアルタイムで採点する。 意思決定エンジンが複数の候補を事業目標に照らして評価し、その顧客とその瞬間について期待値が最も高いものを選び、適切なチャネルで実行する。成果は計測されてモデルへ戻り、次の判断の材料になる。
ネクストベストアクションでAIはどのような役割を果たすのか
AIは、手作業の設定を前提としたルールベースの仕組みを、継続的に学習し最適化する自律的な意思決定基盤へと変えた。 機械学習が複雑なパターンを検出して成果を予測し、大規模言語モデルがメッセージそのものの生成を担う。現在の焦点は、複数の手順にまたがるエンゲージメント戦略を、最小限の監督のもとで自ら計画し実行するエージェンティックAIに移っている。
ネクストベストアクションを実行するのにCDPは必要か
いいえ。CDPはネクストベストアクションに役立つが、必須ではない。 チームは顧客データをデータウェアハウスで結合し、別のエンジンでアクションのスコアを付け、既存のツールで判断を配信できる。CDPが最も価値を持つのは、アイデンティティが分断されているとき、プロファイルをインタラクション中に更新する必要があるとき、または複数のチャネルにわたる連携したアクティベーションと成果の回収が必要なときである。
最初のネクストベストアクションの展開には何を含めるべきか
最初の展開は、高頻度の意思決定ポイント一つ、競合する2〜3のアクション、何もしないという選択肢、明示的なガードレール、そしてホールドアウトをカバーすべきである。 チームが確実に観測できる成果を選び、推奨されるすべてのアクションが実行可能であることを確認し、新しい方針を従来のアプローチと比較する。追加のリフトと顧客への影響の指標が安定してから、チャネルとモデルの複雑さを加える。
ネクストベストアクションが機能しているかどうかはどうやって分かるのか
ネクストベストアクションが機能しているのは、無作為化された比較が、顧客または運用のガードレールを破らずに追加の改善を示すときである。 NBAのグループを従来の方針下のホールドアウトと比較し、追加マージン、転換、維持、または生涯価値を測定する。プログラムを拡大する前に、購読解除、苦情、接触圧力、上書き、判断のレイテンシー、失敗したアクションを事業成果と併せて確認する。
Related Terms
- エージェンティックCDP：AIエージェントがNBAの判断をループの速度で自律的に回す、第3段階のCDP
- Customer Intelligence Loop：NBAが意思決定の段階を担う、5段階の継続的な循環
- エージェンティックAI：複数の手順にまたがるNBAの戦略を自律的に実行するAIシステム
- 解約予測：解約防止のNBAを必要とする顧客を特定する
- リアルタイムパーソナライゼーション：NBAの判断にもとづいて個別の体験を届ける
- 処方的分析：最適なアクションを推奨する、NBAエンジンの分析面の中核
- カスタマージャーニー分析：どのアクションが成果につながるかを示すジャーニーのパターン分析
この記事は他の言語でも読めます： Next Best Action · Next Best Action: o que é e como funciona