Next Best Offer и Next Best Action модели

Термины NBA и NBO часто путают, но между ними есть четкая иерархия: выбор общего шага и расчет конкретного коммерческого предложения.

Next Best Action — это методология и система принятия решений, которая в конкретной точке пути клиента определяет, какой шаг принесет максимальную долгосрочную пользу. Когда компания внедряет NBA, продажа перестает быть единственной целью. В зависимости от контекста алгоритм выбирает один из вариантов:

• решить сервисную проблему (перевести тикет на старшего специалиста поддержки или отправить инструкцию к товару);
• удержать клиента (поставить задачу менеджеру позвонить при высоком риске оттока);
• обучить и прогреть (пригласить нового лида на вебинар вместо продажи в лоб);
• сменить канал (переключиться с игнорируемого email на пуш или мессенджер);
• не беспокоить клиента вовсе, если лимит касаний исчерпан.

Next Best Offer — это предиктивный подход, который вычисляет конкретный товар, услугу, комплект или стимул с максимальной вероятностью покупки и выгодой для бизнеса прямо сейчас. Если NBA отвечает на вопрос «Что нам сейчас делать с клиентом?», то NBO решает задачу «Что именно и на каких условиях ему предложить?».

Алгоритм NBO оценивает каждый доступный оффер по формуле:

Оценка оффера = Вероятность покупки × Потенциальная маржинальность

В зрелых системах из ожидаемой маржи дополнительно вычитают стоимость канала (например, платного SMS или звонка колл-центра) и риск отписки клиента. Побеждает вариант с максимальным баллом. Оффер в NBO — это не всегда скидка. Если модель видит, что человек готов купить по полной цене, она предложит сопутствующий товар, бесплатную доставку или бонусы, сохранив маржу бизнеса. На практике внедрение таких моделей дает прирост выручки на 3–15% и увеличивает ROI продаж на 10–20%.

В архитектуре систем NBA — это общая стратегия, а NBO — ее часть, отвечающая за продажи. Когда алгоритм NBA решает, что сейчас уместно продавать, он передает управление модели NBO. Разницу легко увидеть на трех ситуациях:

• Клиент обратился с жалобой. Изолированный алгоритм NBO может предложить недовольному клиенту докупить товар или оформить кредитку, что вызовет негатив. Система NBA видит открытую претензию, блокирует любые продажи и ставит паузу в рассылках до решения проблемы.
• Давно не покупавший клиент читает блог. Прямая продажа через NBO здесь даст низкую конверсию. Алгоритм NBA сначала предложит полезный контент для вовлечения и только после фиксации интереса подключит оффер от NBO.
• Брошенная корзина. Здесь задачи сходятся: система выбирает лучший канал, время и стимул — простое напоминание для лояльных покупателей или промокод на доставку для чувствительных к цене.

Кроме того, NBA работает как единый арбитр между отделами компании. Например, в банке отделы кредиток, ипотеки и страхования конкурируют за внимание одного клиента. NBA оценивает инициативы всех департаментов и пропускает через дневной лимит контактов только один, самый ценный шаг.

Важно также отличать эти подходы от смежных инструментов:

Показательный пример разницы между обычными рекомендациями и NBO из практики интернет-магазина косметики: блок «Похожие товары» после покупки крема давал конверсию 1,2%, так как предлагал другие кремы, которые клиенту уже не нужны. Когда внедрили NBO с учетом срока расходования баночки (45 дней) и стали предлагать докупку за неделю до того, как средство закончится, конверсия выросла до 6,8%.

Принятие решения проходит через воронку из нескольких слоев: сбор контекста → формирование списка возможных действий → фильтрация недопустимого → расчет вероятностей → выбор лучшего шага → доставка и сбор обратной связи.

Фильтр допуска работает ДО скоринга. Нельзя смешивать правила и коммерческий прогноз в одном балле, иначе высокая вероятность продажи перевесит запрет, и система отправит рекламу клиенту без согласия на рассылки. Поэтому сначала жесткими правилами отсекаются контакты без согласия (152-ФЗ), превышения лимитов частоты, товары не в наличии и клиенты с открытыми жалобами. Если после фильтрации ни один оффер не проходит порог ценности, алгоритм выбирает действие «Ничего не делать».

От простых правил к машинному обучению и Uplift. Внутри вычислительного ядра компании используют методы разной сложности:

• Бизнес-правила и RFM-анализ делят базу по давности, частоте и сумме покупок. Это надежный старт, который дает точность прогнозов на уровне 60–70%.
• Модели градиентного бустинга и нейросети анализируют десятки поведенческих признаков, повышая точность прогноза отклика и оттока до 80–95%.
• Инкрементальное моделирование (Uplift) решает главную проблему обычных моделей — раздачу скидок лояльным клиентам, которые купили бы товар и сами. Uplift-алгоритм считает разницу между вероятностью покупки с коммуникацией и без нее. Он направляет бюджет только на «убеждаемых» клиентов, не тратит маржу на безусловно лояльных и не трогает тех, кого лишнее напоминание спровоцирует отписаться.

Если заказы лежат в CRM, просмотры — в веб-аналитике, а офлайн-чеки — в кассовой системе, алгоритм слеп. Покупатель утром берет ботинки в рознице, а вечером получает сообщение со скидкой 10% на ту же пару, которую смотрел вчера на сайте.

Чтобы этого избежать, фундаментом архитектуры выступает платформа клиентских данных (CDP). Она собирает сведения из всех источников в единый профиль клиента и передает события в модели в реальном времени.

Норма (инфраструктура готова к NBA и NBO):

• Сайт, приложение, CRM и офлайн-чеки склеены в единый профиль без дублей.
• Данные обновляются в реальном времени, а не раз в сутки ночной выгрузкой.
• Товарный каталог размечен по категориям, совместимости и циклу расходования.
• В базе фиксируются не только покупки, но и отказы, возвраты и игнорирование писем.

Тревожные сигналы (запуск моделей преждевременен):

• Данные лежат в разрозненных таблицах без общего ключа склейки.
• В каталоге есть только названия и цены (модель не отличает цикл покупки туши от зимнего пальто).
• Нет автоматического исключения товаров, которые человек уже купил неделю назад.

На практике проекты чаще всего сталкиваются с тремя рисками:

• Холодный старт. Пока данных о новом пользователе мало, используйте популярные товары в категории и алгоритмы «многоруких бандитов», которые подстраивают выдачу по первым кликам в сессии.
• Оптимизация под короткие метрики. Если настроить модель только на клики и покупки сегодня, она начнет спамить и раздавать максимальные скидки. Обязательно включайте в формулу LTV, маржу и штрафы за отписки.
• Сопротивление менеджеров. Сотрудники не любят, когда программа указывает им, что делать. Показывайте в интерфейсе понятную причину рекомендации и дайте менеджеру право отклонить совет с указанием причины («Клиент в отпуске», «Договорились на другой день») — это поможет улучшить саму модель.

Когда система не нужна: если у вас один продукт с линейной воронкой (заявка → звонок → счет), меньше нескольких сотен сделок в месяц или не наведен базовый порядок в CRM, внедрение NBA будет избыточным.

Оценивать результат работы алгоритмов нужно не по открываемости писем, а через A/B-тестирование с глобальной контрольной группой (5–10% базы, которая живет по старым правилам). Сравнивайте чистый прирост выручки, ARPU, маржинальной прибыли и удержания между тестовым и контрольным сегментами.

Внедрять систему лучше итеративно: выберите один сценарий (например, допродажи после покупки), запустите базовую версию на правилах и RFM за 2–6 недель, соберите обратную связь и затем подключайте ML-модели (выход в промышленный режим занимает 8–16 недель).

Российская платформа CDP CleverData Join (входит в реестр отечественного ПО и соответствует 152-ФЗ) закрывает весь цикл задач NBA и NBO:

• Единый профиль 360° (IDGraph). Собирает данные с сайта, из приложений, CRM и офлайн-касс, склеивая идентификаторы в единый профиль (до 200+ млн карточек) без ошибочного слияния разных людей.
• Товарная разметка и реакция на события. Модуль каталогов связывает остатки, цены и циклы потребления товаров с действиями клиента, а сегменты пересчитываются мгновенно в реальном времени.
• Оркестрация и внешние ML-модели. В конструкторе сценариев настраиваются лимиты частоты и правила допуска. Прямо по ходу сценария система может обратиться по API к вашей внешней ML-модели, забрать рассчитанный оффер и отправить его через Email, SMS, Push, Telegram или мессенджер MAX.
• Выдача на сайт и в колл-центр за доли секунды. Модуль оперативного профиля мгновенно отдает рассчитанную рекомендацию во внешние системы, перестраивая витрину сайта при визите или выводя подсказку оператору при звонке. В платформу также встроены готовые инструменты машинного обучения и аналитическая витрина на базе ClickHouse.

Нет. Первые сценарии можно запустить силами CRM-маркетологов на базе бизнес-правил, RFM-матриц и встроенных ML-модулей внутри CDP. Это позволит быстро получить выручку и накопить размеченные данные для сложных моделей.

Если после проверки согласий, лимитов частоты или открытых жалоб ни один оффер не проходит порог ценности, система должна выбрать вариант «Ничего не делать». Это защищает базу от выгорания и отписок.

Первые триггерные сценарии запускаются за 2–4 недели, еще 2–6 недель уходит на накопление статистической значимости в A/B-тестах. Влияние на частоту покупок, ARPU и LTV оценивают на горизонте одного квартала.