Next Best Action Agent — Klasse 5 des Asseco Platform AI Agents Framework. KI-gestützte Empfehlungen für den FMCG-Außendienst. Drei priorisierte Maßnahmen pro Ladenbesuch, maßgeschneidert für jeden Standort. Flächendeckend im Einsatz bei über 55.000 Außendienstmitarbeitern in 62 Ländern.
Next Best Action Agent von Asseco Platform: Die KI empfiehlt, was genau jetzt in diesem Geschäft zu tun ist. Drei Sub-Agenten in Klasse 5: In-store Recommendation Agent (Retail Image Recognition), Guided Selling Agent (Sales and Retail Execution, RAO-Funktion, POI Best-in-Class 2025), Order Recommendation Agent (Third Party Field Execution).
AI Agents Framework → Klasse 5
Next Best Action Agent: Die KI empfiehlt, was genau jetzt in diesem Geschäft zu tun ist.
Jedes Geschäft ist anders. Jeder Besuch findet in einem anderen Kontext statt. Der Next Best Action Agent analysiert die Daten jeder spezifischen Verkaufsstelle — Kaufhistorie, Regalzustand, Vertragseinhaltung, Filialprofil — und rankt die drei wirkungsvollsten Maßnahmen, die der Vertriebsmitarbeiter hier und jetzt ergreifen sollte.
Jedes Geschäft ist anders. Die KI weiß, was in diesem speziellen Fall zu tun ist.
Ein Außendienstmitarbeiter betritt ein Geschäft mit Dutzenden von möglichen Aufgaben: Produkte umwälzen, zusätzliche Listungen vorschlagen, die Platzierung anpassen, die Vertragseinhaltung prüfen. Das Problem: Jedes Geschäft ist anders. Unterschiedliche Kaufhistorie, unterschiedliches Regal, unterschiedliche Prioritäten des Inhabers. Universelle Richtlinien funktionieren nicht.
Der Next Best Action Agent ist eine KI-gestützte Engine, die die Daten jeder spezifischen Verkaufsstelle analysiert — Kaufhistorie, Regalzustand, Vertragsbedingungen, Filialprofil — und dem Mitarbeiter während des Besuchs drei konkrete, priorisierte Maßnahmen liefert. Die drei wirkungsvollsten Dinge, die jetzt in diesem speziellen Geschäft zu tun sind.
Die KI korreliert Daten, die die menschliche Wahrnehmung nicht gleichzeitig erfassen kann.
Der Mitarbeiter öffnet die App, bevor er das Geschäft betritt. Der Agent hat die Daten bereits gesammelt und analysiert: aktuelle Bestellungen und Kauftrends aus dem Trade Data Hub, den aktuellen Regalzustand vom Shelf Recognition Agent, aktive Vertragsbedingungen mit der Verkaufsstelle oder Kette, das demografische Profil der Nachbarschaft, den Geschäftstyp (Nachbarschaftsmarkt, Convenience-Shop, HoReCa-Betrieb) sowie Ergebnisse ähnlicher Geschäfte in der Region. Auf dieser Basis erstellt der Agent eine Rangliste der Maßnahmen — von der wirkungsvollsten bis zur am wenigsten relevanten für dieses spezifische Geschäft.
Sammeln
Der Agent bezieht Daten aus jeder Quelle, die für dieses Geschäft wichtig ist: Kaufhistorie aus dem Trade Data Hub, Regalzustand vom Shelf Recognition Agent, Vertragsbedingungen, Filialprofil, Muster von ähnlichen Verkaufsstellen. Bevor der Mitarbeiter an der Tür ankommt.
Unsichtbares Backend — läuft kontinuierlich
Ranken
Business-Regeln und ML-Modelle korrelieren die Daten und ranken mögliche Maßnahmen nach ihrer erwarteten Wirkung — vom wertvollsten bis zum am wenigsten wertvollen Schritt für dieses spezifische Geschäft in diesem speziellen Moment. Jede Empfehlung enthält eine eigene Begründung: warum dies, warum jetzt.
Datenbasierte Priorisierung statt Intuition
Liefern
Der Mitarbeiter öffnet Mobile Touch und sieht die drei wichtigsten Maßnahmen für dieses Geschäft, jeweils mit einer konkreten Begründung. Keine Checkliste zum Abhaken. Ein priorisierter Plan zur Ausführung. Der Mitarbeiter muss nicht überlegen, was zu tun ist — er geht mit einem Plan hinein und beginnt das Gespräch mit konkreten Punkten.
Top 3 Maßnahmen, direkt in der App, die der Mitarbeiter bereits nutzt
Was sich ändert, wenn die KI die Arbeit vorab priorisiert.
Universelle Richtlinien treffen auf die Realität eines einzelnen Geschäfts. Der Next Best Action Agent ersetzt die allgemeine Checkliste durch einen Prioritätenplan — maßgeschneidert für diese Verkaufsstelle, diesen Moment, diese Daten.
Womit Mitarbeiter heute arbeiten
- Besuchsplanung nach allgemeinen Richtlinien — „Regal prüfen, neue Produkte vorschlagen“ — ohne Bezug auf die Besonderheiten dieser Verkaufsstelle
- Priorisierung nach Intuition — was sich wichtig anfühlt, nicht was tatsächlich den größten Effekt in diesem Geschäft haben wird
- Kein Kontext aus früheren Besuchen — jeder Besuch beginnt bei Null, ohne Wissen darüber, was an ähnlichen Orten funktioniert hat
- Besuchszeit wird durch Analysen vor Ort verbraucht, statt für das Gespräch mit dem Inhaber und die Ausführung von Aufgaben genutzt zu werden
- Wichtige Maßnahmen werden übersehen — Mitarbeiter erkennen die Chance nicht, weil ihnen das Gesamtbild der Daten fehlt
- Die Zentrale erhält Berichte darüber, was getan wurde, aber ohne Kontext — waren das die wichtigsten Maßnahmen für dieses Geschäft?
Was Mitarbeiter durch KI erhalten
- Die KI analysiert Daten vor dem Besuch — Bestellungen, Regal, Vertrag, Filialprofil — und zeigt drei konkrete Maßnahmen mit dem höchsten Potenzial auf
- Jede Empfehlung enthält eine eigene Begründung — warum diese Maßnahme, warum jetzt, was die Daten sagen
- Kontext von ähnlichen Verkaufsstellen — die KI weiß, was in Geschäften mit demselben Profil funktioniert hat, und schlägt bewährte Ansätze vor
- Der Mitarbeiter geht mit einem fertigen Plan hinein — das Gespräch mit dem Inhaber beginnt mit Konkretem, nicht mit einer Diagnose
- Die Zentrale sieht nicht nur, was getan wurde, sondern auch, ob dies die wichtigsten Maßnahmen waren — und überwacht die Effektivität der KI-Empfehlungen im Zeitverlauf
- Jede ignorierte Empfehlung erhält einen Ursachencode — Manager erfahren, warum Mitarbeiter abgewichen sind, und der Agent lernt dazu
Fünf Datenquellen. Eine priorisierte Entscheidung.
Jede Quelle beantwortet eine andere Frage zu diesem spezifischen Geschäft. Der Agent korreliert alle fünf und rankt die Maßnahmen entsprechend.
Kaufhistorie
Transaktionsdaten: Bestellhäufigkeit, Volumen, Rotation, Saisonalität. Der Agent erkennt Musterveränderungen — einen Rückgang in einer Kategorie, in der Sie führend waren, ein Wachstum des Wettbewerbsanteils oder eine neue Produktlinie im Warenkorb.
Beispiel-Empfehlung: „Die Käufe in der Kategorie Bier sind in den letzten zwei Monaten um 40 % gesunken. Schlagen Sie eine Rückkehr auf das vorherige Niveau vor, mit Verkaufsargumenten, die auf Daten ähnlicher Verkaufsstellen basieren.“
Regalzustand
Daten vom Shelf Recognition Agent — Produktpräsenz, Anzahl der Facings, Planogramm-Einhaltung, Position im Vergleich zum Wettbewerb, Regalsichtbarkeit. Der Agent vergleicht den aktuellen Zustand mit den Vertragsbedingungen und der optimalen Platzierung für diesen Geschäftstyp.
Beispiel-Empfehlung: „Ihr Premiumprodukt hat ein Facing im unteren Regal; der Wettbewerb hat drei auf Augenhöhe. Schlagen Sie eine vertragskonforme Korrektur der Platzierung vor — oder verhandeln Sie die Bedingungen neu, falls die aktuelle Vereinbarung keinen Hebel bietet.“
Vertragsbedingungen
Der Agent prüft die Umsetzung von Verträgen, die mit Ketten und Verkaufsstellen unterzeichnet wurden. Er prüft, ob vereinbarte Maßnahmen umgesetzt wurden: Produktlistung, Regalposition, POS-Materialien, Preisniveau. Wird der Vertrag nicht erfüllt, markiert der Agent dies als Besuchspriorität.
Beispiel-Empfehlung: „Der Vertrag sieht eine saisonale Produktplatzierung bis Ende des Monats vor. Das Produkt ist nicht im Regal. Priorität: Gespräch mit dem Inhaber und Aufbau der Zweitplatzierung.“
Filialprofil & Demografie
Der Agent berücksichtigt den Verkaufsstellentyp (Nachbarschaftsmarkt, Tankstellen-Shop, großer Convenience-Store), die Verkaufsfläche, den Standort und die Demografie der Nachbarschaft (Alter, Einkommen, Bevölkerungsdichte). Die Empfehlungen entsprechen dem Potenzial des Ortes.
Beispiel-Empfehlung: In einem Nachbarschaftsladen mit Familienkundschaft — Schwerpunkt auf Familiengrößen. In einer Verkaufsstelle in Bahnhofsnähe — Snacks und kleine Formate.
Muster von ähnlichen Verkaufsstellen
Der Agent aggregiert Daten von Verkaufsstellen mit ähnlichen Profilen — Typ, Größe, Standort, Demografie — und identifiziert bewährte Maßnahmen, die an diesen Orten Ergebnisse geliefert haben. Wenn die Einführung eines bestimmten Produkts in Geschäften, die dem besuchten ähneln, das Bestellvolumen um 30 % gesteigert hat, rankt der Agent diese Empfehlung höher. Er rät nicht. Er weiß, was funktioniert.
Beispiel-Empfehlung: „In 15 Verkaufsstellen mit diesem Profil in der Region hat die Einführung von Produkt X die Bestellungen im Vergleich zum Basiszeitraum verdreifacht. Vorschlag: Führen Sie X in diesem Geschäft ein, gestützt auf regionale Benchmark-Daten.“
Der Mitarbeiter geht nicht mit einer Checkliste zum Abhaken hinein. Der Mitarbeiter geht mit einem Plan hinein.
Ein priorisiertes Set der drei wichtigsten Maßnahmen für dieses spezifische Geschäft — generiert von einem Agenten, der Daten verarbeitet, die ein Mensch nicht gleichzeitig erfassen kann. Der Besuch ist keine Routineinspektion mehr. Er wird zu einer strategischen Intervention, die auf Fakten basiert: was zu ändern ist, warum es sich auszahlt und was die Daten über das Potenzial aussagen.
Das ist der Unterschied zwischen einem Besuch nach Checkliste und einem Gespräch auf Datenbasis.
Der Next Best Action Agent passt zu Ihrem Stack — egal, wie er aufgebaut ist.
Der Next Best Action Agent ist die Auslieferungsschicht des Frameworks — der Moment, in dem die KI-Empfehlung beim Außendienstmitarbeiter ankommt. Was den Agenten speist, ist flexibel. Sie können das vollständige Asseco Platform Framework nutzen (Klassen 1–4 liefern Daten, Scoring und Kontext). Sie können Ihre eigenen Datenpipelines und Scoring-Logik einbringen und uns nur die mitarbeiterseitige Auslieferungsschicht liefern lassen. Oder Sie können mischen.
Vollständiges Framework
Asseco Platform betreibt die Klassen 1–4 im Hintergrund. Trade Data Hub vereinheitlicht Ihre Daten, Recognition Agents strukturieren Beobachtungen, Scoring & Prioritization bewertet Outlets und Verträge, Context Agents stellen das Besuchsbriefing zusammen. Der Next Best Action Agent liefert die Top-3-Maßnahmen an Mobile Touch.
Einfachste Einrichtung. Ein Anbieter. Geringster Integrationsaufwand.
Bringen Sie Ihre eigenen Systeme mit
Sie haben bereits Ihren Data Lake, Customer-Scoring-Modelle und CRM-basierten Besuchskontext? Der Next Best Action Agent wird per API angebunden. Ihre Inputs, unsere mitarbeiterseitige Auslieferungsschicht. Sie behalten Ihre Investitionen in Ihren bestehenden Stack und ergänzen obenauf die Empfehlungsschicht.
Für Teams mit ausgereifter interner Analytics. Schneller ausrollbar als ein Austausch des Stacks.
Hybrid
Kombinieren Sie nach Bedarf. Unser Shelf Recognition Agent für Shelf-State-Daten — aber Ihre interne Scoring-Logik. Oder unser Trade Data Hub für Distributordaten — aber Ihr CRM-basierter Besuchskontext. Welche Aufteilung auch immer zu Ihrem aktuellen Stack passt.
Für Teams in der Übergangsphase. Behalten Sie, was funktioniert, und ergänzen Sie, was fehlt.
Unabhängig davon, was den Agenten speist, ist das Ergebnis dasselbe: die Top-3-Maßnahmen in Mobile Touch, mit Begründung, genau dann, wenn der Außendienstmitarbeiter sie braucht.
Zwei Szenarien, in denen der Next Best Action Agent das Ergebnis bestimmt.
Jede Empfehlung, die der Agent an den Außendienstmitarbeiter ausliefert, ist der letzte Schritt einer Kette. Unten zeigen wir die vollständige Kette: welche Klassen die Daten beisteuern und wo der Next Best Action Agent die Maßnahme formuliert, die der Außendienstmitarbeiter tatsächlich sieht. So verdient sich eine Empfehlung ihren Platz in der App des Außendienstmitarbeiters — gestützt durch die Arbeit des Frameworks, nicht durch Intuition.
Zwei weitere Szenarien — Besuchspriorisierung und Distributionsausbau — werden primär von Klasse 3 (Scoring & Prioritization) getrieben. Wir führen sie unten kurz als verwandte Szenarien auf und behandeln sie in voller Tiefe im Klasse-3-Spoke (in Kürze verfügbar).
Use Case 1 · Optimierung des Produktmixes
Jeder Zentimeter Regalfläche ist bares Geld — nutzen Sie ihn für Produkte mit hoher Rotation.
Herausforderung: FMCG-Hersteller im traditionellen Handel bedienen Tausende von kleinen und mittleren Verkaufsstellen, in denen die Verkaufsfläche begrenzt ist — jeder Regalmeter ist ein Kompromiss. Die Verkaufsstelle kann nicht das gesamte Portfolio führen. Sie wählt Produkte aus, von denen sie glaubt, dass sie rotieren, und lässt den Rest weg. Das Problem: Diese Entscheidungen sind oft suboptimal. Der Händler behält Produkte mit sinkender Rotation und führt keine neuen Artikel ein, die in ähnlichen Geschäften bereits funktionieren. Der Mitarbeiter sieht das beim Besuch, hat aber keine objektiven Daten, um den Inhaber zu überzeugen. Der Händler antwortet: „Das verkauft sich hier nicht“ — und es gibt kein Gegenargument.
Warum traditionelle Methoden scheitern: Der Mitarbeiter weiß, was der Hersteller im Regal sehen möchte. Der Händler weiß, was er in seinem Geschäft für drehstark hält. Keiner von beiden hat einen objektiven Blick darauf, was in Verkaufsstellen mit ähnlichem Profil — Größe, Standort, Demografie — tatsächlich funktioniert. Das Ergebnis: Der Produktmix ist suboptimal, der Händler führt Ladenhüter, der Hersteller verliert Potenzial, und das Gespräch über Sortimentsänderungen basiert auf Überzeugungen statt auf Daten.
Wie Asseco Platform das löst:
- Der Agent analysiert die Transaktionsdaten dieser Verkaufsstelle: welche Produkte schnell rotieren, welche im Regal stehen bleiben, wie sich die Kaufstruktur im Laufe der Zeit verschiebt
- Er vergleicht diese Daten mit Ergebnissen von Verkaufsstellen mit ähnlichem Profil (Fläche, Typ, Standort, Kundenprofil) und identifiziert Produkte, die dort funktionieren, aber hier noch nicht getestet wurden
- Next Best Action generiert eine Empfehlung vor dem Besuch: „Produkt X weist eine geringe Rotation auf — 2 Verkäufe in den letzten 6 Wochen. In ähnlichen Geschäften rotiert Produkt Y 3x schneller. Schlagen Sie einen Austausch vor — Daten aus 15 Verkaufsstellen in der Region bestätigen das Potenzial.“
- Der Mitarbeiter geht mit konkreten Fakten ins Gespräch: welche Produkte zu ändern sind, warum und was die Daten über Orte wie dieses Geschäft sagen
- Die Verkaufsstelle erhält nicht die Meinung des Mitarbeiters, sondern einen faktenbasierten Benchmark — Daten lassen sich schwerer abtun als ein Vorschlag
Effekt: Der Produktmix in kleinen Verkaufsstellen ist nicht mehr zufällig. Der Hersteller weiß, welche Produkte die Rotation in jedem Geschäftstyp optimieren. Der Inhaber erhält einen konkreten Änderungsvorschlag auf Basis von Daten aus ähnlichen Betrieben — und muss nicht raten, was funktionieren wird. Der Mitarbeiter führt das Gespräch als Berater, nicht als Portfolio-Verkäufer.
„Ich frage nicht mehr, ob das Geschäft ein neues Produkt möchte. Ich zeige ihnen die Daten: was in Verkaufsstellen wie ihrer rotiert, was sie pro Regalmeter verdienen. Das Gespräch beginnt mit Fakten, nicht mit Überredungskunst.“
— Typisches Feedback-Muster von Mitarbeitern nach Next Best Action-EinführungenKette in diesem Szenario: Klasse 1 (Trade Data Hub vereinheitlicht Transaktionsdaten aus diesem Outlet und ähnlichen Stores) → Klasse 3 (Store Potential Scoring benchmarkt die Rotation über Outlets mit ähnlichem Profil) → Klasse 5 (Next Best Action Agent formuliert die konkrete Empfehlung, die der Außendienstmitarbeiter in Mobile Touch sieht).
Use Case 3 · Proaktive Korrektur der Platzierung
Der Vertrag sagt das eine, das Regal zeigt das andere — die KI erkennt die Lücke, bevor sie eskaliert.
Herausforderung: FMCG-Hersteller handeln mit Ketten Verträge aus, die Platzierungsbedingungen festlegen: Anzahl der Facings, Regalposition, Sichtbarkeit von POS-Materialien, Planogramm-Einhaltung. Das Problem: Die Umsetzung dieser Bedingungen variiert. Die Kette unterzeichnet den Vertrag, aber aus vielen Gründen (Produktrotation, Wettbewerbsdruck, Merchandising-Fehler) weicht die tatsächliche Platzierung im Geschäft von der Vereinbarung ab. Der Mitarbeiter bemerkt dies bei einem Besuch — aber wenn das Geschäft nur einmal im Monat besucht wird, kann die Lücke wochenlang bestehen bleiben. Ergebnis: Der Hersteller zahlt für Bedingungen, die nicht erfüllt werden, und die Kette erhält keine Signale, die helfen würden, zur Vertragstreue zurückzukehren.
Warum traditionelle Methoden scheitern: Shelf-Recognition-Daten zeigen den Regalzustand, CRM-Daten zeigen den Vertragsinhalt — aber diese beiden Quellen kommunizieren oft nicht in Echtzeit miteinander. Der Mitarbeiter kann Diskrepanzen nur dann erkennen, wenn er sich zufällig an die Vertragsbedingungen für diese Verkaufsstelle erinnert und Zeit für eine sorgfältige Regalprüfung hat. Ergebnis: Platzierungsprobleme werden mit Verzögerung erkannt, und Interventionen werden nicht danach priorisiert, wo die Abweichung am größten ist.
Wie Asseco Platform das löst:
- Der Agent vergleicht automatisch Daten vom Shelf Recognition Agent (Anzahl der Facings, Regalposition, Vorhandensein von POS-Materialien) mit den im System hinterlegten Vertragsbedingungen
- Weicht die Platzierung von der Vereinbarung ab, generiert der Next Best Action Agent eine Warnung und setzt die Korrektur als Besuchspriorität für diese Verkaufsstelle
- Während des Besuchs sieht der Mitarbeiter die Empfehlung: „Der Vertrag sieht 4 Facings von Produkt X im mittleren Regal vor. Shelf Recognition zeigt 1 Facing im unteren Regal. Priorität: vertragskonforme Korrektur der Platzierung.“
- Das System liefert konkrete Daten für das Gespräch mit dem Marktleiter: was im Vertrag steht, was im Regal steht und wie der Zustand bei früheren Besuchen aussah
- Die Zentrale überwacht die Einhaltung und sieht, welche Verkaufsstellen eine Intervention benötigen, bevor die Abweichung zu einem Problem in der Geschäftsbeziehung wird
Effekt: Vertragsabweichungen werden automatisch erkannt und proaktiv korrigiert — nicht erst nach Wochen, sondern direkt beim Besuch. Der Inhaber erhält objektive Daten, die zeigen, dass die Platzierung nicht der Vereinbarung entspricht, und der Mitarbeiter hat Argumente, die auf Fakten statt auf Eindrücken basieren. Der Hersteller zahlt für Leistungen, die tatsächlich erbracht und nicht nur deklariert wurden. Vertragstreue ist kein Glücksfall mehr, sondern ein überwachbarer Prozess.
„Das System sagt mir direkt: Hier wird der Vertrag nicht umgesetzt, hier sieht das Regal anders aus, als es sollte. Ich muss mir nicht die Bedingungen jeder Vereinbarung merken. Die KI merkt sie sich und signalisiert, wo das Problem liegt.“
— Typisches Feedback-Muster von Mitarbeitern nach Next Best Action-EinführungenKette in diesem Szenario: Klasse 2 (Shelf Recognition Agent liest Facings, Position und POS-Materialien aus dem Foto) → Klasse 3 (Contract Compliance Scoring Agent vergleicht den beobachteten Zustand mit den Vertragsbedingungen) → Klasse 5 (Next Best Action Agent spielt dem Außendienstmitarbeiter während des Besuchs die Korrektur-Empfehlung aus).
Verwandte Szenarien — primär andere Framework-Klassen
Zwei Szenarien, in denen NBA das Ergebnis ausspielt — aber die Engine in Klasse 3 steckt.
Der Next Best Action Agent liefert diese in die App des Außendienstmitarbeiters, aber die Ranking-Logik — welche Outlets, welche Kunden, warum gerade sie — wird vom Scoring & Prioritization Agent (Klasse 3) gesteuert. Die vollständige Darstellung folgt im Klasse-3-Spoke.
Verwandtes Szenario 1
Besuchspriorisierung
Ein Außendienstmitarbeiter betreut Hunderte Outlets. KI priorisiert, welche Stores zuerst Aufmerksamkeit benötigen — basierend auf Wachstumspotenzial und dem Risiko, Position zu verlieren. Die Route des Außendienstmitarbeiters ist nicht länger geografische Rotation, sondern gezielte Intervention dort, wo es am meisten zählt.
Primärer Treiber: Klasse 3 (Store Potential Scoring Agent). Rolle von NBA: die priorisierte Liste in Mobile Touch an den Außendienstmitarbeiter ausliefern. Vollständige Darstellung im Klasse-3-Spoke (in Kürze verfügbar).
Verwandtes Szenario 2
Ausbau der numerischen Distribution
Ein Hersteller möchte die Distribution neuer Produkte ausbauen. KI identifiziert die Kundengruppe, die sie am ehesten übernimmt, basierend auf historischen Kaufmustern — und verfolgt sowohl die Einführung als auch die Regalverfügbarkeit, mit transparenter Bonusabrechnung für Distributions-Außendienstmitarbeiter.
Primärer Treiber: Klasse 3 (Scoring der Kundengruppe + Abgleich historischer Erfolgsmuster). Rolle von NBA: die zielgerichtete Kundenliste je Außendienstmitarbeiter bereitstellen, inklusive Fortschritts- und Bonus-Tracking. Vollständige Darstellung im Klasse-3-Spoke (in Kürze verfügbar).
Next Best Action ist eine Klasse. Das Framework hat fünf.
Das Asseco Platform AI Agents Framework gruppiert dreizehn spezialisierte KI-Agenten in fünf Klassen — jede beantwortet eine andere Frage, mit der FMCG-Teams täglich konfrontiert sind. Next Best Action ist Klasse 5 — die Empfehlungsebene. Sehen Sie, wie die gesamte Kette funktioniert, von Rohdaten bis zur konkreten Maßnahme.
Klasse 1
Data Unification Agent
Ein sauberer Datensatz aus verstreuten Quellen.
Klasse 2
Recognition Agent
Jedes Foto wird zu strukturierten Daten.
Klasse 3
Scoring & Prioritization Agent
Jedes Geschäft gerankt, in jedem Moment.
Klasse 4
Context Agent
Schon vor dem Betreten informiert sein.
Klasse 5 — Sie sind hier
Next Best Action Agent
Was jetzt in diesem Geschäft zu tun ist.
Der Next Best Action Agent greift auf die Ergebnisse der anderen vier Klassen zurück — vereinheitlichte Daten (Klasse 1), erkannte Regal- und Menüzustände (Klasse 2), Filial- und Verkaufsstellen-Rankings (Klasse 3) sowie den zusammengestellten Besuchskontext (Klasse 4). So verdient sich eine Empfehlung ihr Ranking: Sie wird durch die gesamte Kette gestützt.
Von Analysten geprüft, von der Branche validiert.
Der Next Best Action Agent baut auf zwei POI Best-in-Class-Auszeichnungen (Guided Selling und KI/Maschinelles Lernen) auf, läuft auf einer nach ISO/IEC 27001:2022 zertifizierten Infrastruktur, bei der KI-basierte Lösungen explizit im Fokus stehen, und ist Teil einer Plattform, die im Gartner Market Guide for Retail Execution Management als Representative Vendor genannt wird.
POI Best-in-Class — Guided Selling 2025
Die Guided-Selling-Instanz des Next Best Action Agent (eingesetzt in Sales & Retail Execution, RAO-Funktion) erhielt im 2025 Consumer Goods Enterprise Planning & Retail Execution Vendor Panorama Report die Auszeichnung POI Best-in-Class für Guided Selling. Unabhängiger Benchmark: Diese Agentenklasse gehört zu den stärksten auf dem Markt.
POI Best-in-Class — KI/Maschinelles Lernen
POI zeichnete Asseco Platform zudem mit dem Prädikat Best-in-Class für KI/Maschinelles Lernen aus — die technologische Basis, auf der der Next Best Action Agent (und jeder andere KI-Agent der Plattform) aufbaut. Zwei POI-Auszeichnungen validieren diese Klasse direkt.
ISO/IEC 27001:2022 — KI-basiert im Umfang
Asseco Business Solutions ist nach ISO/IEC 27001:2022 zertifiziert — dem internationalen Standard für Informationssicherheitsmanagement. KI-basierte Lösungen sind explizit in den Zertifizierungsumfang eingeschlossen. Gültig bis Februar 2029.
Häufige Fragen zum Next Best Action Agent
Der Next Best Action Agent ist Klasse 5 im Asseco Platform AI Agents Framework — eine KI-gestützte Engine, die Daten aus jedem spezifischen Geschäft analysiert und die drei wirkungsvollsten Maßnahmen für den Außendienstmitarbeiter während des Besuchs rankt. In der Asseco Platform tritt er als drei spezifische Agenten auf: In-store Recommendation Agent (Retail Image Recognition), Guided Selling Agent (Sales & Retail Execution, RAO-Funktion) und Order Recommendation Agent (Third Party Field Execution).
Nein. Der Next Best Action Agent rankt und empfiehlt — der Mitarbeiter entscheidet. Jede Empfehlung enthält eine Begründung (warum diese Maßnahme, warum jetzt, was die Daten sagen). Mitarbeiter können jede Empfehlung annehmen, ändern oder überspringen — und jede übersprungene Empfehlung kann mit einem Ursachencode versehen werden, damit Manager sehen, warum der Vorschlag des Agenten ignoriert wurde und das System dazulernen kann.
Fünf Quellen speisen die Empfehlung: Transaktionshistorie (aus dem Trade Data Hub), Regalzustand (vom Shelf Recognition Agent in Retail Image Recognition), Vertragsbedingungen (aus dem CRM/CMS), Filialprofil und demografische Daten sowie Muster von ähnlichen Verkaufsstellen. Je reichhaltiger die Daten, desto besser das Ranking — aber bereits eine Teilmenge liefert vom ersten Tag an Mehrwert.
Ein allgemeiner Assistent beantwortet alles, was Sie fragen. Der Next Best Action Agent ist eng spezialisiert: Er rankt Vertriebsmaßnahmen auf Basis operativer Daten. Er liefert die Empfehlung direkt in der App, die der Mitarbeiter bereits nutzt (Mobile Touch), mit einer spezifischen Begründung. Dieses Design tauscht Allgemeingültigkeit gegen Zuverlässigkeit — der Mitarbeiter erhält eine Antwort auf eine spezifische Frage, die immer auf denselben Datenquellen basiert.
Beides. Die oben genannten Anwendungsfälle beschreiben den Einzelhandel (traditioneller Handel, Convenience, Ketten). Für HoReCa wird der Next Best Action Agent mit Menu Recognition und dem Pre-Negotiation Briefing Agent kombiniert — es gilt dieselbe Logik: Maßnahmen pro Verkaufsstelle auf Basis von Daten ranken. In HoReCa umfassen diese Daten die Präsenz auf der Speisekarte, Listungen und die Platzierung des Wettbewerbs in Menüs.
Die Implementierungszeit hängt davon ab, mit welchem Sub-Agenten Sie beginnen. Der Guided Selling Agent (RAO-Funktion in SRE) kann innerhalb weniger Wochen live gehen, sobald Sales & Retail Execution eingerichtet ist. Der In-store Recommendation Agent erfordert den Einsatz von Retail Image Recognition. Der Order Recommendation Agent läuft in Third Party Field Execution. Die vollständige Abdeckung der Klasse 5 skaliert mit den anderen vier Klassen im Framework.
Ja. Jede Empfehlung wird mit ihrem Ergebnis protokolliert: angenommen, geändert, übersprungen (mit Ursachencode). Die Zentrale sieht die Akzeptanzraten pro Geschäft, pro Mitarbeiter, pro Produktkategorie — und verfolgt, ob angenommene Empfehlungen mit Geschäftsergebnissen (Bestellvolumen, Regalanteil, Vertragseinhaltung) korrelieren. Der Agent wird als System messbar, nicht als Blackbox.
Asseco Business Solutions ist nach ISO/IEC 27001:2022 zertifiziert, wobei KI-basierte Lösungen explizit in den Zertifizierungsumfang eingeschlossen sind. Datenhandhabung, Aufbewahrung und Zugriffskontrolle folgen denselben Richtlinien, die für den Rest der Plattform gelten.
Sind Sie bereit, den Next Best Action Agent mit Ihren Daten arbeiten zu sehen?
Buchen Sie eine 30-minütige Demo mit unseren Experten für Field Execution. Wir konfigurieren einen Live-Empfehlungsfluss basierend auf Ihrer Branche (Getränke, Lebensmittel, Körperpflege, HoReCa) und zeigen Ihnen, wie die Top 3 Maßnahmen für ein reales Filialprofil gerankt werden.
Teil des AI Agents Framework · 9× POI Best-in-Class 2025 · ISO/IEC 27001:2022 mit KI im Fokus