Next Best Action Nedir? Bankacılıkta Bir Sonraki En İyi Aksiyonu Belirleyen AI

Next Best Action (NBA), her müşteri için o an atılabilecek en değerli adımı gerçek zamanlı seçen bir karar yaklaşımıdır. Kredi teklifi mi sunulmalı, bir uyarı mı gitmeli, yoksa hiçbir şey mi yapılmamalı? NBA bu soruyu kural tablolarıyla değil, öğrenen modellerle yanıtlar. 2026’da bankacılığın en çok konuşulan analitik başlıklarından biri olması da boşuna değil. İşin ilginç yanı şu: bir sektör araştırmasında NBA, CDP alıcılarının en çok istediği yapay zeka yeteneği çıktı; içerik üretiminin de, segmentasyonun da önünde.

Bu yazıda NBA’nın ne olduğunu, klasik kampanya yönetiminden nerede ayrıldığını ve arkasındaki karar mimarisini konuşuyoruz.

Next Best Action Nedir?

NBA, müşteri verisini, iş kurallarını ve yapay zekayı birleştirip her birey için en uygun aksiyonu belirleyen bir stratejidir. Buradaki “aksiyon” illa satış olmak zorunda değil. Bir yatırım fırsatını hatırlatmak, kart limitini gözden geçirmeyi önermek, hatta hiçbir teklif yapmamak da geçerli birer aksiyon.

Klasik kampanya yönetiminden ayrıldığı yer tam burası. Eski usulde bir segment tanımlarsın, o segmentteki herkese aynı teklifi yollarsın, sonucu haftalar sonra ölçersin. NBA ise segment yerine bireyle, takvim yerine anla ilgilenir. Müşteri uygulamayı açtığı anda, o bağlamda en anlamlı aksiyon neyse onu tetikler.

Bir örnek işi netleştiriyor. Sık seyahat eden birine yurt dışı avantajlı bir kart önermek mantıklı. Ama aynı müşteri son üç ayda üç kez çağrı merkezini aradıysa, doğru “sonraki aksiyon” bir teklif değil, sorununu çözecek bir yönlendirmedir. NBA bu ayrımı yapabildiği ölçüde değer üretir. Yapamıyorsa, sadece daha hızlı spam gönderen bir sistem olur.

NBA Klasik Öneri Sisteminden Nasıl Ayrılır?

Bir öneri sistemi genelde tek soruya odaklanır: “Bu müşteri hangi ürünü alır?” NBA daha geniş sorar: “Bu müşteri için, bu kanalda, bu anda yapılabilecek en değerli şey ne?”

Fark, kanalı ve zamanlamayı da işin içine katmaktan geliyor. Aynı teklif e-postada işe yaramazken uygulama içi bildirimde dönebilir. NBA “ne önereyim” kadar “nereden ve ne zaman ileteyim” sorusunu da çözer.

Bir katman daha var. İyi kurulmuş bir NBA, aksiyonun uzun vadeli etkisini de gözetir. Bugün tıklama getiren agresif bir teklif, müşteriyi rahatsız edip yarın değerini düşürebilir. Bu dengeyi kurmak, NBA’yı basit bir skor motorundan ayıran şey.

NBA’nın Arkasındaki Karar Mimarisi

Olgun bir NBA programı tek modele değil, birbirini besleyen üç katmana dayanıyor. Sırayla çalışırlar ve her biri farklı bir soruya bakar.

Katman 1: Propensity ve uplift modelleri

İlk katman temel skorlamayı yapar. Propensity modelleri “bu müşteri şu aksiyona ne kadar yatkın?” der. Uplift modelleri bir adım öteye geçer ve aksiyonun asıl etkisini ölçer: müşteri zaten dönecekti de biz mi tetikledik, yoksa gerçekten bir fark mı yarattık?

Bu ayrım kritik. Zaten dönecek bir müşteriye teklif göndermek para yakmaktır. Asıl kazanç, ancak müdahaleyle harekete geçecek kesimi bulmakta.

Katman 2: Contextual bandit ile gerçek zamanlı karar

İkinci katman, pekiştirmeli öğrenme temelli bir contextual bandit. Sistem müşterinin bağlamını görür (davranış, cihaz, zamanlama), bir aksiyon seçer, kısa süre sonra bir ödül sinyali alır: tıklama, dönüşüm, uygulama açılışı.

Bandit’in gücü keşif–sömürü dengesini yönetmesinde. Bilinen kazançlı aksiyonu tekrarlamakla yeni seçenekleri denemek arasında sürekli ayar yapar. Böylece sistem tek bir “kazanan” teklife saplanmaz, yeni sinyalle kararını canlı günceller. Bugün teknoloji şirketlerinin öneri sistemlerinde yaygın; giderek kurumsal pazarlamaya da giriyor.

Katman 3: Agentic AI ve bileşik akıl yürütme

Üçüncü katman en yenisi. Foundation model tabanlı ajanlar tek aksiyon seçmenin ötesine geçip birden fazla adımı zincirliyor. Bir varlık yönetimi senaryosunda AI copilot portföy incelemesini yapıp bir sonraki aksiyon önerisini hazırlıyor, danışman da zamanını müşterinin gerçek hedeflerine ayırıyor.

Üçünü birlikte düşünmek gerek. Sadece propensity skoruyla çalışan sistem statik kalır; sadece bandit’e güvenen sistem uzun vadeli stratejiden kopar. Değer, katmanların birbirini beslemesinde.

Bankacılıkta NBA Nasıl Değer Üretir?

Türkiye’de bankaların çoğu dolandırıcılık tespitinden sanal asistanlara kadar pek çok alanda yapay zeka kullanıyor. Kişiselleştirme de bu tablonun ortasında. Yapay zeka destekli sistemler harcama alışkanlığına göre bütçe önerebiliyor, bir kredi ihtiyacını müşteri fark etmeden haftalar önce sezebiliyor.

NBA’yı devreye alan kurumlarda kazanç tek bir kampanyadan gelmiyor; sürekli öğrenen bir karar altyapısından geliyor, sistem her yeni ödül sinyaliyle biraz daha isabetli hale geliyor.

Ama başarı büyük ölçüde veriye bağlı. Gerçek zamanlı karar için müşteri sinyallerinin anlık akması, modellerin izlenebilir ve yeniden eğitilebilir olması, aksiyon–ödül döngüsünün temiz kaydedilmesi gerekiyor. Çoğu NBA projesinin gerçek darboğazı model doğruluğu değil; kararı besleyen verinin zamanında ve güvenilir gelmesi.

Nereden Başlamalı?

NBA’ya geçiş tek adımda olmuyor. En sağlıklı yol dar bir senaryoyla başlamak: tek kanal, ölçülebilir tek aksiyon, net bir ödül tanımı. Propensity ve uplift katmanı oturduktan sonra contextual bandit ile gerçek zamanlı katman ekleniyor; agentic yapılar altyapı olgunlaştığında devreye giriyor.

GTech olarak Symphony Sense ve Analytics çözümlerimizle bankaların bu karar altyapısını uçtan uca kurmasına destek oluyoruz. Doğru sonraki aksiyon, ancak doğru veri temelinin üzerine oturduğunda anlamını buluyor.

Kaynakça

CDP.com: Next Best Action
BCG: The Science Behind Next-Best Action Programs
Braze: Contextual Bandits
Backbase: AI in banking 2026

Hazırlayan: GTech Veri Bilimi Ekibi