3. Next Best Action定义
在催收业务中，我们每天都在做决策：这个客户今天要不要打？打给谁？用什么话术？给不给减免？传统做法依赖账龄、逾期金额和催收员经验，而Next Best Action（下一最佳动作，简称NBA）要解决的，是在每一个可干预时点，为每一个客户计算出当前最优的那一个动作。它不是一套话术模板，也不是简单的催收队列排序，而是一套"客户状态—动作空间—目标函数—决策引擎"联动的实时决策机制。
一、什么是NBA：从"名单分配"到"逐客决策"
NBA的核心定义可以拆成四个要素：
- 对象：单个客户（或单个案件），而非一批名单。
- 时点：在某个具体触达时点（如每日批处理、客户登录App、来电接通前）做出决策。
- 动作空间：可选动作的集合，例如短信、IVR、人工外呼、委外、减免方案、分期方案、暂缓催收等。
- 目标函数：在回收率、成本、投诉率、客户体验等约束下，最大化期望收益。
用一句话概括：NBA是在给定客户状态和业务约束下，从动作空间中选出期望收益最高的动作，并把这个决策实时或准实时地推送到执行系统。
关键理解：NBA的输出不是"这个客户很重要"，而是"这个客户今天应该执行动作A，预期回收X元，成本Y元，风险Z"。
二、与传统催收策略的区别
传统催收策略通常是"规则+账龄+队列"的组合：M1阶段短信提醒，M2阶段电话催收，M3阶段委外，减免按逾期天数分档。它的优点是稳定、易解释、易落地；缺点是策略粒度粗、动作单一、无法动态优化。NBA则把决策粒度从"批次"下沉到"个体"，从"固定规则"升级为"可学习、可优化的决策函数"。
| 对比维度 | 传统催收策略 | Next Best Action |
|---|---|---|
| 决策粒度 | 账龄段/名单批次 | 单客户/单案件/单时点 |
| 动作空间 | 有限、固定（短信、电话、委外） | 多动作、可组合、可动态调整 |
| 决策依据 | 规则、经验、账龄 | 客户画像、行为预测、收益模型 |
| 优化目标 | 回收率或触达率 | 期望净收益（回收-成本-风险） |
| 更新频率 | 月度/季度策略调整 | 日级/实时/事件触发 |
| 可解释性 | 强，规则直观 | 需借助特征贡献、决策日志解释 |
需要强调的是，NBA并不否定传统策略。实际落地中，传统规则常作为硬约束存在，例如"投诉敏感客户禁止外呼""高龄客户禁止委外"，NBA在约束内做优化。
三、决策引擎的基本逻辑
NBA决策引擎可以理解为一个"状态输入—动作打分—约束过滤—动作输出"的流水线。其基本逻辑如下：
- 状态采集：拉取客户画像、逾期信息、历史触达记录、还款行为、渠道偏好等。
- 动作空间生成：根据业务规则和客户状态，生成当前可执行的动作候选集。
- 效果预测：对每个候选动作预测其转化概率、回收金额、成本、投诉风险等。
- 收益计算：按目标函数计算每个动作的期望净收益。
- 约束过滤与排序：剔除违规动作，按收益排序，选出Top1作为NBA。
- 执行与反馈：将动作推送到外呼、短信、App等系统，并回收结果用于模型迭代。
输入：客户状态 S，动作空间 A = {a1, a2, ..., an}
对每个动作 ai：
p_i = 转化概率预测(S, ai)
r_i = 回收金额预测(S, ai)
c_i = 成本预测(S, ai)
risk_i = 风险预测(S, ai)
score_i = p_i * r_i - c_i - lambda * risk_i
在约束 C 下：
NBA = argmax(score_i)，且 ai 满足 C
输出：NBA、预期收益、决策依据工程提示：决策引擎通常分为离线训练、近线打分、在线服务三层。离线负责模型训练与策略回测，近线负责批量生成每日NBA，在线负责事件触发（如客户登录App时实时推荐动作）。
四、案例与场景：一个M1客户的NBA决策
假设客户A，逾期5天，金额8000元，历史还款良好，近7天未登录App，无投诉记录。传统策略可能直接进入"短信提醒+次日外呼"队列。NBA引擎则会这样计算：
- 动作1：短信提醒，预测转化率12%，成本0.05元，风险低，期望收益约96元。
- 动作2：App弹窗+还款券，预测转化率18%，成本2元，风险低，期望收益约144元。
- 动作3：人工外呼，预测转化率25%，成本8元，风险中，期望收益约200元。
- 动作4：暂缓催收，预测转化率5%，成本0，风险低，期望收益约40元。
若当前目标是净收益最大化，且客户对电话敏感度低，则NBA可能选择"App弹窗+还款券"而非直接外呼，因为它在成本与转化之间取得更优平衡。这就是NBA与传统"一刀切"策略的本质差异：不是动作越强越好，而是当前时点期望收益最高最好。
五、常见误区与复盘
误区1：把NBA当成"排序工具"。NBA不是简单按回收概率排序，而是按期望净收益排序，必须纳入成本和风险。
误区2：动作空间越大越好。动作空间过大导致模型稀疏、执行混乱。建议先聚焦3～5个核心动作，跑通闭环再扩展。
误区3：忽略反馈闭环。NBA的效果依赖持续回流数据。没有执行结果回收，模型会迅速退化。
误区4：只做离线策略，不做在线决策。很多高价值时点（客户登录、来电、点击短信）是事件触发的，离线批量无法覆盖。
复盘时建议关注三个指标：决策覆盖率（有多少客户在时点上有NBA输出）、动作采纳率（执行系统是否按NBA执行）、增量收益（相比传统策略的净收益提升）。只有这三个指标同时改善，NBA才算真正落地。