Next best action (a próxima melhor ação) é a estratégia de decisão em tempo real que usa dados de cliente, regras de negócio e inteligência artificial para escolher a ação mais valiosa para cada cliente em cada momento. Em vez de seguir o calendário de uma campanha ou um segmento fixo, next best action avalia o contexto, o comportamento e a necessidade prevista de cada pessoa para escolher a interação seguinte: uma recomendação de produto, uma oferta, um conteúdo, um canal ou o momento do contato.
Next best action muda a unidade da decisão. A campanha decide por público; next best action decide por indivíduo. A decisão pode ser tomada dentro da interação, em milissegundos, ou em pontos de decisão programados, e a latência exigida vem do caso de uso. Entre as ações avaliadas está sempre a de não agir.
No Customer Intelligence Loop (COLETAR → UNIFICAR → ENTENDER → DECIDIR → ENGAJAR), next best action ocupa a etapa DECIDIR. As etapas anteriores constroem o perfil e interpretam a intenção; next best action converte essa inteligência em uma ação executável. Em uma Agentic CDP, agentes de IA percorrem o ciclo de forma contínua, dentro dos objetivos e dos guardrails definidos por pessoas.
Next best action e campanha tradicional
A campanha tradicional começa por público, mensagem, canal e data. Next best action começa pelo indivíduo e pergunta qual ação elegível, se houver alguma, vale mais agora.
Uma comparação da CleverTap publicada em 2026 organiza a diferença em quatro eixos: profundidade da personalização, momento, adaptação e supressão. A campanha também personaliza conteúdo; o que muda no next best action é que a decisão é refeita para cada cliente quando o contexto muda.
| Dimensão | Campanha tradicional | Next best action |
|---|---|---|
| Profundidade da personalização | O segmento recebe a mensagem ou a oferta planejada | Cada cliente é avaliado em relação a várias ações elegíveis |
| Momento | O calendário ou o fluxo de automação define quando o contato acontece | Um evento e o contexto atual disparam uma decisão nova |
| Adaptação | A equipe revisa o resultado e altera a campanha à mão | Novos sinais e resultados atualizam as decisões seguintes |
| Supressão | Quem está no público em geral recebe a campanha | O motor de decisão pode escolher não agir quando a intenção ou o valor esperado é baixo |
Next best action, próxima melhor oferta e conceitos vizinhos
A próxima melhor oferta escolhe um item. A próxima melhor ação escolhe o movimento seguinte, que pode ser uma oferta, uma intervenção de atendimento, um conteúdo, uma troca de canal, um adiamento ou nenhuma ação.
| Conceito | Função principal | O que decide |
|---|---|---|
| Recomendação de produto ou próxima melhor oferta | Ordenar produtos, serviços ou conteúdos | O que vender, exibir ou sugerir |
| Orquestração da jornada do cliente | Coordenar uma sequência de etapas entre pontos de contato | Qual etapa ou caminho vem em seguida |
| Personalização | Adaptar o conteúdo ou a experiência | Como a interação escolhida aparece |
| Next best action | Escolher a intervenção elegível de maior valor | Se age, o que faz, quando e por qual canal |
Um teste simples separa personalização de next best action: se o sistema apenas troca o título de uma página, ele personaliza conteúdo. Se ele escolhe entre uma oferta, um contato do atendimento, um conteúdo educativo, outro canal ou o silêncio, ele toma uma decisão de next best action.
Como funciona o next best action
Next best action combina contexto do cliente, catálogo de ações, modelos preditivos e restrições de negócio. Uma decisão só vale quando a ação escolhida pode ser executada e medida.
Perfil unificado e dado atualizado
Uma CDP de tempo real sustenta next best action ao consolidar os dados de vários pontos de contato em um perfil que se atualiza continuamente, a visão 360° do cliente. Entram nesse perfil o histórico de transações, as preferências declaradas, o engajamento anterior, os chamados de atendimento e os sinais da sessão atual, como as páginas que o cliente acabou de ver.
A exigência de atualização vem da decisão. Uma ação dentro da sessão precisa do evento em segundos; uma revisão mensal de conta funciona com dado mais antigo. Defina a latência a partir do caso de uso, em vez de chamar todo programa de next best action de “tempo real”.
Regras de negócio e restrições
Monte o conjunto de ações candidatas e retire as que não passam em consentimento, elegibilidade de canal, controle de frequência, elegibilidade de produto, estoque, conformidade ou margem mínima. Pontue apenas as ações que sobraram, incluindo a de não agir. Restrições compartilhadas, como verba de campanha ou capacidade de atendimento, exigem arbitragem depois da ordenação individual.
No Brasil, a verificação de consentimento é uma restrição dura, não um atributo do perfil. A LGPD, fiscalizada pela ANPD, exige base legal por finalidade de tratamento, e o opt-in do WhatsApp vale por canal: estar no conjunto de candidatos e poder receber a mensagem são duas verificações distintas.
Revalide os fatos mutáveis imediatamente antes da execução, como preço, estoque, saldo e status do chamado. Se a ação vencedora deixou de ser válida, o motor de decisão executa a próxima válida ou não age. As regras também definem a política inicial de next best action, e não só os guardrails: a ordenação por modelo é opcional.
Modelos preditivos
A análise preditiva (predictive analytics) estima como o cliente tende a responder a cada ação. A modelagem de propensão (propensity modeling) prevê a probabilidade de compra ou de cancelamento, e o valor de vida do cliente dá peso econômico a uma ação de relacionamento. Next best action funciona só com regras, mas é o modelo que leva a ordenação para além dos segmentos definidos à mão.
Pontuação: propensão, valor esperado e momento
A pontuação separa três perguntas. A propensão estima a probabilidade do resultado para cada ação. O valor esperado bruto multiplica essa probabilidade pela margem, ou por outro valor definido pela empresa. O momento pergunta se a janela da ação está aberta e em quanto tempo ela se fecha. O valor esperado bruto prevê um resultado, mas não mostra o que a ação causa.
Um framework da Pecan AI publicado em 2026 mostra por que a propensão sozinha não basta. No exemplo hipotético da Pecan, um desconto tem 0,38 de propensão e US$ 12 de margem, o que dá US$ 4,56 de valor esperado bruto; um pacote a preço cheio tem 0,11 de propensão e US$ 70 de margem, o que dá US$ 7,70. A ação de menor propensão fica em primeiro lugar. O cálculo é ilustrativo, não um resultado medido.
Quando o objetivo é incrementalidade, estime o resultado de cada ação em relação a não agir, ou em relação à política vigente, multiplique esse efeito pelo valor e subtraia o custo do incentivo e da entrega. A Pecan descreve a divisão de papéis de forma direta: o modelo ordena e as regras filtram. Em produção, o sistema filtra as restrições duras antes de pontuar, arbitra as restrições compartilhadas depois e revalida a escolha antes de executar.
O motor de decisão
O motor de decisão combina o perfil atual, os scores por ação, o momento e as restrições, ordena os candidatos restantes em relação a um objetivo declarado, como margem, retenção ou satisfação, e devolve a ação válida de maior valor. Next best action nomeia a saída dessa política; a decisão com IA (AI decisioning) é um dos métodos para produzi-la; um motor de decisão em tempo real é o runtime de baixa latência que a entrega.
A ação escolhida segue para um canal de execução, e o resultado volta para o perfil. É esse retorno que transforma a inteligência de cliente (customer intelligence) em um ciclo fechado de decisão e aprendizado, em vez de uma recomendação isolada.
Casos de uso no relacionamento com o cliente
Marketing
Next best action ajuda o marketing a escolher entre intervenções concorrentes. Um visitante que navega por tênis de corrida pode receber uma recomendação, um lembrete algumas horas depois ou nenhuma mensagem, quando a pressão de contato já está alta. A decisão considera intenção, histórico de compra, margem e preferência de canal, que no varejo brasileiro costuma apontar para o WhatsApp antes do e-mail.
Vendas
Equipes de vendas usam next best action para priorizar o contato e escolher o passo seguinte. Um cliente em potencial ainda em pesquisa recebe um estudo de caso; quem mostra sinal de compra é encaminhado a um vendedor. A ordenação respeita a propriedade da conta, o consentimento e as regras de território.
Atendimento
O atendimento usa next best action para escolher entre resolver na hora, procurar o cliente antes que ele reclame ou encaminhar o chamado ao nível superior. Falhas repetidas no mesmo pedido levam ao encaminhamento para um especialista ou a um crédito de serviço; uma dúvida rotineira recebe um artigo da base de conhecimento. A oferta adicional só é elegível quando não atrapalha a resolução do problema.
Exemplos por setor
| Setor | Contexto da decisão | Ações possíveis |
|---|---|---|
| Bancos | Interesse declarado em produto, saldo, elegibilidade, consentimento e política de contato | Conteúdo educativo, oferta de produto elegível, contato do gerente ou nenhuma ação |
| Farmacêutico | Público aprovado, elegibilidade de canal, engajamento anterior e regras de conteúdo | Conteúdo aprovado, visita do representante, contato posterior ou supressão |
| Varejo | Páginas vistas, histórico de pedidos, pagamento confirmado por Pix, estoque e prazo de recompra | Lembrete de reposição, produto complementar, promoção no WhatsApp ou nenhuma mensagem |
Como a CDP sustenta o next best action
Uma plataforma de dados do cliente (CDP) não é obrigatória para next best action. A equipe pode juntar os dados em um data warehouse, pontuar as ações em um motor separado e enviar as decisões às ferramentas de entrega. O que next best action exige é identidade confiável, contexto utilizável, catálogo de ações, caminho de execução e dado de resultado.
A CDP rende mais quando a identidade está fragmentada entre sistemas, quando a decisão depende de um perfil unificado ou quando as ações precisam ser coordenadas entre canais. As capacidades que sustentam a decisão, e que reaparecem em boa parte dos casos de uso de CDP, são:
- Perfil unificado em tempo real: o contexto atual do cliente nos pontos de contato relevantes
- Ativação de dados: entrega coordenada pelos canais conectados, incluindo WhatsApp, e-mail, push e mídia paga
- Orquestração da jornada do cliente: execução da etapa escolhida em cada canal
- Resolução de identidade (identity resolution): reconhecimento consistente entre dispositivos e sessões
- Medição de desempenho: coleta de resultado para avaliar os modelos e alimentar as decisões seguintes
Decisão programada funciona bem em um desenho centrado no data warehouse. Decisão dentro da sessão precisa de acesso ao perfil e de entrega dentro do orçamento de latência da interação. O ponto de decisão determina a tecnologia, e não o contrário.
O Extraco Banks ilustra acesso ao dado, não next best action autônomo. Depois de implantar a Treasure Data Intelligent CDP, o banco relatou aumento de 27% na taxa de conversão das campanhas em um ano e quase US$ 64 milhões em ativos rentáveis acrescentados em 2025. O banco também pilotou o AI Agent Foundry para que as áreas de negócio consultassem dados de empréstimo e de transação sem acesso direto à CDP. O caso não relata seleção de ação nem holdout causal. (Veja o caso completo do Extraco Banks)
O que a IA muda no next best action
A IA amplia o número de sinais e de ações que o sistema avalia, e não substitui objetivo, restrição nem medição causal. Aprendizado por reforço é uma opção avançada, não um requisito.
De regras a decisão adaptativa
O next best action da primeira geração usava regras escritas por pessoas e scores estáticos. Os modelos preditivos acrescentaram probabilidade por cliente; bandits contextuais e aprendizado por reforço adaptam escolhas repetidas a partir do resultado observado. Esses métodos exigem retorno confiável, volume suficiente e proteção ao cliente.
LLMs e IA generativa
Os modelos de linguagem de grande porte (LLMs) costumam gerar o conteúdo depois que uma política estruturada escolhe a ação. Em sistemas agênticos, um agente de IA para marketing também propõe e coordena ações, e nesse caso os serviços governados precisam impor elegibilidade, objetivo de otimização, consentimento, autorização e registro auditável da escolha final.
Para aprofundar a camada de decisão, veja AI decisioning for real-time next-best-action (em inglês).
Uma escada de maturidade
A escada a seguir é um modelo editorial da cdp.com, não uma certificação de mercado. A escada descreve escopo de decisão crescente, com as pessoas responsáveis pelos objetivos e pelos controles em todos os níveis.
| Nível | Arquitetura | O que decide | Limitação típica |
|---|---|---|---|
| 1. Jornadas por regra | Segmentos e fluxos se/então | Qual ramo predefinido é executado | A regra fica difícil de manter conforme as ações se multiplicam |
| 2. Score preditivo no segmento | Scores de propensão ou de risco alimentam campanhas | Quem entra em uma ação planejada | Um mesmo score é reaproveitado em ações de valores diferentes |
| 3. Score por ação com restrições | Modelos por ação mais um motor de decisão | Qual ação elegível tem o maior valor esperado | Modelos e catálogo de ações exigem operação contínua |
| 4. Decisão adaptativa com IA | Bandits ou aprendizado por reforço dentro de guardrails | Mensagem, canal, momento, frequência ou nenhuma ação | Depende de dado de resultado confiável, de volume e de monitoramento |
| 5. Orquestração agêntica | Agentes planejam e coordenam várias decisões | Estratégia de várias etapas dentro dos limites aprovados | Exige objetivo claro, caminho de aprovação e escalonamento |
Next best action agêntico com guardrails humanos
Sistemas agênticos planejam e executam várias etapas, enquanto as pessoas definem estratégia, política e limite de risco. Ação sensível ou de baixa confiança passa por aprovação antes de sair. A IA cuida da pontuação e da execução dentro desses controles, e as pessoas respondem pelos efeitos.
Como implementar next best action
Prove uma decisão antes de estender next best action a vários canais:
- Escolha um ponto de decisão de alto volume. Defina o momento do cliente, um resultado de negócio mensurável e o dono da decisão. O guia de casos de uso de CDP traz um método para selecionar o piloto.
- Monte um catálogo pequeno de ações. Comece com duas ou três ações concorrentes mais a opção de não agir. Registre para cada uma a elegibilidade, as exclusões, o requisito de canal, o custo e o valor esperado.
- Audite dado, controles e registro. Confirme a cobertura de identidade, a atualização do perfil, o consentimento, a disponibilidade do canal e a captura de resultado. Registre em log o conjunto de candidatas, a ação escolhida, a versão da política ou do modelo, o código do motivo, o grupo de atribuição e o resultado observado.
- Filtre, pontue, arbitre e revalide. Remova as ações inelegíveis, pontue o restante com a política mais simples que sirva, arbitre a verba e a capacidade compartilhadas e recheque os fatos mutáveis antes da entrega. Exija aprovação humana onde o risco justificar.
- Crie um holdout antes de lançar. Compare a política nova com a anterior, verifique o ganho incremental e os guardrails de cliente, e amplie só depois que o resultado se mantiver estável.
Essa sequência separa qualidade do modelo de prontidão operacional. Um score sofisticado não vale nada se a ação não pode ser entregue, e lançar rápido não prova causalidade.
Como medir se o next best action funciona
Next best action funciona quando melhora a política anterior sem custo inaceitável para o cliente. Taxa de resposta não prova isso, porque o cliente de alta propensão talvez convertesse de qualquer forma.
Para testar, sorteie uma unidade estável, como o cliente ou a conta, entre next best action e a política vigente, e relate o ganho por intenção de tratar (intention to treat). Um braço sem intervenção mede o efeito de agir e responde a outra pergunta. Alocação e duração saem da taxa base, do efeito mínimo detectável, da confiança e do poder desejados e da unidade de sorteio; a atribuição de grupo precisa se manter estável entre canais.
O teste de incrementalidade (incrementality testing) pergunta se a intervenção causou resultado adicional. A modelagem de uplift estima de quem o comportamento muda por causa do tratamento; a modelagem de propensão estima quem tende a responder. A atribuição descreve pontos de contato e não substitui um controle válido.
Uma análise do BCG publicada em 2026 afirma que, quando as organizações voltam a medir programas guiados por propensão com métodos de uplift, de 20% a 40% dos programas ativos costumam mostrar ganho incremental desprezível. O BCG não divulga amostra nem método de cálculo, então trate a faixa como indicação de direção. A análise agrupa as fraquezas de next best action em quatro lacunas: arquitetura, ciência, modelo operacional e medição.
Acompanhe quatro grupos de métrica ao mesmo tempo:
| Grupo de métrica | O que medir |
|---|---|
| Resultado de negócio | Margem incremental, conversão, retenção ou valor de vida ligados ao objetivo declarado |
| Guardrails de cliente | Cancelamento de inscrição, reclamação, pressão de contato, supressões e resposta negativa |
| Qualidade da decisão | Cobertura de perfis elegíveis, taxa de não ação, substituições manuais e disponibilidade de explicação |
| Operação | Latência da decisão, atualização dos scores, entregabilidade e ações que falharam |
As falhas mais comuns são reaproveitar um score genérico para toda ação, lançar sem holdout válido, atualizar os scores mais devagar que a cadência da decisão e recomendar ações que a equipe de entrega não consegue executar. A medição precisa revelar cada um desses problemas antes que o catálogo de ações e a complexidade do modelo aumentem.
FAQ
Qual a diferença entre next best action e próxima melhor oferta?
A próxima melhor oferta escolhe um produto ou serviço para promover, e next best action escolhe o movimento seguinte com o cliente. Next best action pode recomendar uma oferta, um conteúdo educativo, um contato do atendimento, outro canal, um horário melhor ou nenhuma ação. A escolha de oferta é, portanto, uma das decisões possíveis, e não o desfecho obrigatório de toda interação.
Como funciona o next best action?
Next best action monta o conjunto de ações válidas, pontua as que sobraram, arbitra as restrições compartilhadas e revalida a vencedora antes de executar. O motor de decisão combina propensão, valor e momento por ação com as regras de consentimento, elegibilidade, frequência e conformidade. O resultado da ação volta ao perfil do cliente, o que permite medir o ganho e melhorar as decisões seguintes.
Qual o papel da IA no next best action?
A IA amplia o número de ações e de sinais avaliados e adapta a decisão ao resultado observado, dentro dos objetivos e dos guardrails definidos por pessoas. Modelos preditivos estimam resposta e valor; bandits e aprendizado por reforço ajustam escolhas repetidas. As pessoas seguem responsáveis por estratégia, criação, conformidade, monitoramento, limites de aprovação e escalonamento quando a ação é sensível.
Preciso de uma CDP para fazer next best action?
Não: a CDP ajuda no next best action, mas não é obrigatória. A equipe pode unir os dados de cliente em um data warehouse, pontuar as ações em um motor separado e entregar as decisões pelas ferramentas que já usa. A CDP rende mais quando a identidade está fragmentada, quando o perfil precisa mudar durante a interação ou quando a decisão exige ativação e medição coordenadas entre vários canais.
O que o primeiro projeto de next best action deve incluir?
O primeiro projeto deve cobrir um ponto de decisão de alto volume, duas ou três ações concorrentes, a opção de não agir, guardrails explícitos e um holdout. Escolha um resultado que a equipe observa com confiança e confirme que toda ação recomendada é executável. Amplie canais e complexidade de modelo só depois que o ganho incremental e as métricas de impacto no cliente se mantiverem estáveis.
Como saber se o next best action está funcionando?
Next best action está funcionando quando uma comparação sorteada mostra ganho incremental sem violar os guardrails de cliente e de operação. Compare o grupo de next best action com um holdout sob a política anterior e meça margem incremental, conversão, retenção ou valor de vida. Antes de ampliar o programa, revise cancelamentos de inscrição, reclamações, pressão de contato, latência da decisão e ações que falharam.
Termos relacionados
- Prescriptive Analytics — recomenda a ação ótima e forma o núcleo analítico dos motores de decisão (em inglês)
- Churn Prediction — identifica o cliente em risco que entra na fila das ações de retenção (em inglês)
- Real-Time Personalization — entrega dentro da sessão a experiência que a decisão escolheu (em inglês)
- Customer Journey Analytics — mostra em que ponto da jornada cada ação rende mais (em inglês)
- Segmentação de clientes — o corte por grupo que antecede a decisão cliente a cliente
Este artigo também está disponível em: Next Best Action · ネクストベストアクション（NBA）とは？仕組みと活用事例