Pega Adaptive Model と Predictive Model の使い分け|NBA 傾向スコアの設計判断
「傾向スコアは AI が出してくれる」で理解が止まっていないだろうか。CDH には自己学習の Adaptive Model と事前学習の Predictive Model があり、どちらで Propensity を算出するかで NBA の挙動は大きく変わる。反応がすぐ返るオファー承諾は Adaptive、解約リスクのように結果確定が数か月先の予測は Predictive——この分岐を誤ると、いつまでも成熟しないモデルや陳腐化したスコアがアービトレーションを静かに歪める。
結論から:反応がすぐ返る判定は Adaptive、結果確定が遠い・説明責任が要る判定は Predictive
Pega Customer Decision Hub(CDH)の Next-Best-Action(NBA)では、アクションごとの傾向スコア(Propensity)——「この顧客がこのアクションに反応する確率」——がアービトレーション(優先順位付け)の中心的な入力になります。アービトレーションは Propensity(P)・Context weighting(C)・Action value(V)・Business levers(L)を P × C × V × L の式で掛け合わせて優先度を算出するため、P の質がそのまま NBA 全体の質を決めます。この Propensity をどのモデルで算出するかが、本記事のテーマです。
結論を先に言うと、判断基準はこうなります。
顧客の反応(Accept/Reject)が短時間で返り、件数も多い判定は Adaptive Model(自己学習)。結果の確定までが長い、あるいは規制上モデルの説明責任が問われる判定は Predictive Model(履歴データで事前学習)。
「AI がよしなにスコアを出してくれる」という理解のまま設計を進めると、いつまでも学習が成熟しないモデルや、陳腐化したスコアが優先度計算を静かに歪める構成ができあがります。本記事では、この分岐をフィードバックの速さ・データ量・説明責任の3軸に分解し、実案件での判断基準まで落とし込みます。
2つのモデルは何が違うのか
まず両者の性質を整理します。
- Adaptive Model — Adaptive Decision Manager(ADM)が管理するオンラインの自己学習モデル。顧客の反応(Accept/Reject 等)をフィードバックとして受け取り、継続的に学習し続けます。最大の特徴は過去データなしで開始できること。稼働させながら「どの顧客属性がどのアクションに効くか」を自分で見つけていきます。モデルの作成・更新・監視は ADM がクローズドループで自動化するため、アクション数に比例して増える大量のモデルを人手を介さず運用できます。
- Predictive Model — 履歴データで事前に学習するモデル。Prediction Studio 上で履歴データから構築するほか、PMML や H2O.ai 形式で外部構築済みモデルを取り込む方法、Amazon SageMaker や Google AI Platform(Vertex AI)といった外部の機械学習サービスに接続してスコアリングさせる方法も公式にサポートされています(対応形式・接続方式の詳細はバージョンにより異なるため、稼働版の公式ドキュメントで確認してください)。学習は事前に済ませておき、実行時は推論のみを行います。
一言でいえば、**Adaptive は「走りながら学ぶ」、Predictive は「学んでから走る」**です。この違いから、それぞれが向く判定の性質が導かれます。
判断の3軸
実案件では、次の3つの軸で判断すると迷いません。
軸1:フィードバックが返るまでの時間
Adaptive Model の学習は「アクションを提示した → 顧客が反応した」というフィードバックのループで成立します。したがって、結果ラベルが確定するまでの時間が最初の分岐です。
- 短時間で返る(Web オファーのクリック・承諾など、数分〜数日) → Adaptive の土俵
- 確定まで長い(解約するかどうかは数か月先、与信の良否は返済期間を経ないと分からない) → Adaptive のループが回らないため Predictive
解約予測を Adaptive でやろうとするのは典型的なミスマッチです。Pega 自身も、解約予測や与信リスク推定のような高度なユースケースには Predictive Model を使う整理を示しています。「提示から結果確定までのリードタイム」が長い判定は、履歴データからの事前学習で臨むべきです。
軸2:件数(学習データ量)
Adaptive Model が信頼できる傾向値を出すには、十分な反応件数が必要です。
- 件数が多い(日々大量のインタラクションがあるオファー判定) → Adaptive が成熟しやすい
- 件数が少ない(対象顧客が限られる、提示機会がまれ) → 成熟までが長く、Adaptive の利点が出にくい
また、新規アクションを追加した直後の Adaptive Model は反応実績を持たないため、傾向値は 0.5(コイントスと同じ)から始まります(コールドスタート)。CDH には、学習証拠が少ない間は傾向値にランダム性を加えて新アクションにも提示機会を与える仕組み(モデル成熟度に応じたノイズ付与や Thompson Sampling)が用意されていますが、その細部や既定値はバージョンにより異なります。稼働版の仕様を確認したうえで、「新アクションにどう学習機会を与えるか」を設計時に決めておく必要があります。
軸3:説明責任・規制対応
与信や保険引受のように、「なぜこのスコアになったのか」を規制当局や監査に説明できることが求められる判定があります。刻々と姿を変え続ける自己学習モデルは、一般にこの要件と相性がよくありません。
- 説明責任・再現性が問われる → 検証済みの固定モデルを配置できる Predictive
- 問われない(マーケティングオファーの出し分けなど) → Adaptive で問題なし
この軸は、軸1・軸2で Adaptive 有利でも Predictive 側に倒す拒否権として働きます。
判断早見表
| 観点 | Adaptive Model | Predictive Model |
|---|---|---|
| 学習方式 | オンライン自己学習(稼働しながら) | 履歴データで事前学習 |
| 開始に必要なもの | 過去データ不要(初期傾向値 0.5 から学習) | 十分な量・質の履歴データ |
| フィードバック | 短時間で返ることが前提 | 実行時には不要 |
| 向く判定 | オファー承諾・クリックなど反応が速く多い判定 | 解約・与信など結果確定が遠い判定 |
| 説明責任・再現性 | モデルが変化し続けるため一般に不利 | 固定モデルを検証して配置できる |
| 構築の選択肢 | Prediction Studio(ADM が自動管理) | Prediction Studio / PMML・H2O.ai 取込 / 外部 ML サービス接続 |
| 主な運用リスク | フィードバック欠如で成熟しない | 再学習しないとスコアが陳腐化 |
具体例で考える
例1:Web・アプリでのオファー出し分け。 顧客がバナーやレコメンドを承諾(クリック)したか無視したかは、その場〜数日で確定し、件数も豊富です。軸1・軸2とも Adaptive 側で、規制上の説明責任も通常は問われません。Adaptive Model で顧客ごとの反応傾向を学習させ続けるのが定石です。
例2:解約リスクに基づくリテンション施策。 「この顧客が半年以内に解約するか」は、提示したリテンションオファーの成否とは別に、数か月経たないとラベルが確定しません。Predictive Model で履歴データから解約予測モデルを構築し、そのスコアを NBA の入力(例:リテンションアクションの対象絞り込みや優先度への反映)に使う構成が自然です。
例3:両者の組み合わせ。 実際の CDH 設計では二者択一ではなく併用が普通です。「解約リスクが高い顧客層を Predictive で特定し、その層にどのリテンションオファーを出すかは Adaptive が学習する」——Pega の公式トピックでも、外部構築した解約モデルの出力を Adaptive Model の入力(予測子)として使う構成が紹介されています。判定を分解すると、それぞれの軸に素直に従った役割分担が見えてきます。
よくある3つの失敗
失敗1:フィードバックが返らない設計のまま Adaptive を採用する
最も多い失敗です。Adaptive Model は反応データを受け取って初めて学習します。ところが、コールセンターやメールなど反応の捕捉導線が設計されていないチャネルで Adaptive を採用すると、モデルは提示履歴ばかり積んで結果を知らないまま、永久に成熟しません。Adaptive を選ぶ前に「Accept/Reject に相当するイベントを、どのチャネルから、どう返すか」を必ず設計してください。これは軸1〜3より手前にある前提条件です。
失敗2:再学習運用のない Predictive がスコア陳腐化する
Predictive Model は構築した瞬間の履歴データを写した鏡です。市場環境や商品構成が変われば予測力は落ちていきますが、**再学習の運用(いつ・誰が・何をトリガーに作り直すか)**を決めていないプロジェクトでは、数年前のモデルが誰にも気づかれずスコアを出し続けます。導入時のモデル精度ではなく、精度を維持する運用まで含めて設計に入れるべきです。
失敗3:傾向値のスケール不整合がアービトレーションを歪める
Propensity は「反応確率(0〜1)」として扱われる前提でアービトレーションの優先度計算(P × C × V × L)に入ります。ところが、外部で構築したモデルの出力が確率ではない生スコア(例:0〜1000 のポイント)のままだったり、アクション間でスケールの揃わない値が混在したりすると、掛け算の構造上、特定のアクションだけが優先度計算を一律に支配する歪みが生じます。しかもアービトレーションは黙って動き続けるため、この歪みは気づかれにくい。外部モデルや独自スコアを NBA に接続するときは、傾向値のスケールと意味(確率か、順位か、ポイントか)を必ず揃えてから優先度計算に渡してください。
運用:モデル品質を KPI に組み込む
どちらのモデルを選んでも、「作って終わり」にしないことが CDH 運用の要です。Prediction Studio では、モデルのパフォーマンス(判別力の指標である AUC。Pega の監視画面では 50〜100 のレンジで表示され、高いほど判別力が高い)や成功率・リフト・反応件数、Adaptive Model の予測子の有効・無効状態を監視できます。
実案件では、これをダッシュボードで「見られる状態」にするだけでなく、運用 KPI として誰かの責任に紐づけることを推奨しています。「AUC がしきい値を下回ったら再学習・原因調査を起票する」「新規アクション投入後、成熟までの期間をレビューする」といった運用ルールまで決めて、はじめてモデルは資産になります。
まとめ
- Propensity の算出は、反応が短時間で多数返る判定は Adaptive、結果確定が遠い・説明責任が問われる判定は Predictive が基本線
- 判断はフィードバックの速さ / 件数 / 説明責任の3軸で行い、説明責任は拒否権として働く
- 失敗は3パターン——フィードバック導線なき Adaptive(永久に未成熟)、再学習なき Predictive(スコア陳腐化)、スケール不整合(アービトレーションの歪み)
- コールドスタートの初期傾向値は 0.5 から始まる。ノイズ付与や Thompson Sampling など成熟までの制御の細部は稼働版での仕様確認を前提にする
- Prediction Studio での AUC・成熟監視を運用 KPI に組み込み、精度を維持する運用まで設計する
モデル選定は NBA 設計の一部にすぎませんが、ここを誤るとエンゲージメントポリシーやアービトレーションをどれだけ丁寧に作っても、その土台となるスコア自体が信頼できなくなります。設計の初期に3軸で決め切っておくことが、CDH 全体の効果を左右します。
Pega CDH・Decisioning の設計・実装でお困りの際は、Pega Platform 開発支援 や 無料相談 をご利用ください。Pega 認定資格の最高位 LSA(Lead System Architect)を保有するコンサルタントが、モデル選定からご支援します。
関連リンク
このテーマの記事をまとめて読む: Pega の意思決定(CDH)と AI 用語は Pega 用語集 で引けます
関連記事
Pega アービトレーション設計|優先度4要素の重み付けとビジネスレバー暴走の回避
NBA で「どのアクションを最優先で出すか」を決めるのがアービトレーションだ。Pega は Propensity × Value × Context Weight × Business Levers の積で優先度を算出するが、現場では『とりあえずレバーで持ち上げる』運用が蔓延し、せっかくの適応モデルが死ぬ。4要素それぞれの役割と、レバーを使ってよい場面・使ってはいけない場面を切り分ける。
記事を読むPega エンゲージメントポリシー設計|Eligibility と Suitability の使い分け
「対象外にする」のか「今は関連しない」のか「顧客の最善利益に反する」のか——同じ『出さない』でも、Pega のエンゲージメントポリシーではこれらを別の層に置く。置き場所を誤ると、規制対応の抜け・レポートの歪み・再利用性の低下が後から効いてくる。本記事は Eligibility / Applicability / Suitability の意味の違いと、アービトレーションでの優先度下げとの線引きを、設計判断として整理する。
記事を読むPega Process AI の予測をケースに組み込む判断|適応モデルと決定ルールの使い分け
ケースの振り分けや優先度づけを「予測に任せるか、ルールで決め切るか」は、多くの実装で迷う分岐点です。本記事では Pega Process AI の予測をどこに、どう組み込むべきかを、モデル選定・フォールバック設計・運用監視の観点から整理し、実装者が具体的に判断できる形にまとめます。
記事を読む