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。
結論から:優先度は4要素の「積」、レバーは例外だけに使う
Pega Customer Decision Hub で Next-Best-Action(NBA)を設計するとき、最終的に「どのアクションを最優先で顧客に出すか」を決めるのが アービトレーション(Arbitration) です。ここでの優先度は、次の4要素の 積 として算出されます。
優先度 = Propensity(傾向)× Value(価値)× Context Weight(文脈)× Business Levers(ビジネスレバー)
結論を先に言うと、設計判断の要点はシンプルです。
Propensity はモデルに任せる。Value と Context Weight でビジネス上の相対価値を表現する。Business Levers は「期間限定・目的限定の例外」でしか使わない。 レバーで特定アクションを恒常的に持ち上げると、適応モデルが学習した関連性を上書きして「常に同じオファー」に陥ります。
なお、各要素の有効化の方法・重み付けの与え方・既定の挙動は Pega の バージョンによって異なります。本記事は設計思想と判断基準を扱うもので、具体的な設定手順や既定値は必ず稼働環境のバージョンの公式ドキュメントで確認してください。
優先度を決める4つの要素
アービトレーションは、抑制(フィルタ)を通過した候補アクションそれぞれについて優先度スコアを計算し、最も高いものを勝者として提示します。まず、そのスコアを構成する4要素と、それらがどう合成されるかを図で押さえます。
Propensity(傾向)— モデルが返す応答確率
Propensity は、適応モデル(Adaptive Model)や予測モデルが返す 応答確率(0〜1) です。「この顧客はこのアクションに反応しそうか」をデータから学習して算出する、いわば機械が担当する部分です。設計者が手で数字を入れるものではなく、モデルの学習に委ねるのが原則です。ここに人が介入すればするほど、学習の意味が薄れていきます。
Value(価値)— 1件あたりのビジネス価値
Value は、そのアクションが成立したときに得られる価値(期待収益・利益・戦略的重要度など)を表します。反応してくれる確率が同じなら、価値の高いアクションを優先したい——それを式に反映するのが Value です。Propensity が「当たりやすさ」なら、Value は「当たったときの大きさ」です。
Context Weight(文脈)— 状況による重み
Context Weight は、顧客のチャネルやタイミング、直近の行動といった 文脈 に応じてアクションの重みを調整する要素です。同じオファーでも「今この文脈では優先すべき/すべきでない」を表現します。Value がアクション固有の価値なら、Context Weight は状況依存の補正です。
Business Levers(ビジネスレバー)— 業務目標の手動重み付け
Business Levers は、キャンペーンや事業目標を反映してアクションの優先度を 人が手動で 押し上げ/押し下げする重みです。「今四半期はこの商品を推したい」といった業務側の意図を、モデルの外側から差し込むための仕組みです。強力ですが、後述するとおり使い方を誤ると最も害の大きい要素でもあります。
Propensity と Business Levers を混同しない
現場で最も多い設計ミスが、Propensity と Business Levers の役割の混同 です。この2つは、名前も見た目もスコアへの効き方も似ていますが、意味はまったく別物です。
- Propensity — データから学習された「反応しやすさ」。機械が算出する客観的な予測値。
- Business Levers — 業務目標を反映した「推したい度合い」。人が入力する主観的な意図。
この2つを混同すると、「モデルの予測が弱いから、レバーで底上げしておこう」という運用が始まります。これは客観的な予測を主観で上書きする行為で、アービトレーションの土台を崩します。片方は学習に任せる領域、もう片方は業務判断を差し込む領域 と切り分け、それぞれの責務を守るのが設計の基本です。
4要素の比較表
| 要素 | 誰が決めるか | 表すもの | 変更の性質 | 設計上の扱い |
|---|---|---|---|---|
| Propensity(傾向) | モデル(学習) | 応答確率 0〜1 | データで自動更新 | 人は極力介入しない |
| Value(価値) | 設計者 | 1件あたりの価値 | 業務価値に応じ設定 | スケールを揃えて設定 |
| Context Weight(文脈) | 設計者 | 状況依存の重み | 文脈条件で変動 | 状況補正として設計 |
| Business Levers(レバー) | 業務担当(手動) | 推進したい度合い | 手動・恒常化しやすい | 期間・目的を限定 |
要点は右2列です。Propensity は「介入しない」、Value と Context Weight は「スケールを揃えて相対価値を表現する」、Business Levers は「期間・目的を限定した例外に留める」。この役割分担を崩さないことが、健全なアービトレーションの条件です。
ビジネスレバーは「いつ使ってよいか」
Business Levers は禁じ手ではありません。問題は使いどころです。
使ってよい場面 — 期間限定・目的限定
- 時限キャンペーン — 「今月末までこのキャンペーンを優先」のように、明確な開始・終了があるもの
- 在庫・コンプライアンス由来の一時的な優先/抑制 — 期間や条件が明示されているもの
- 新商品の初期ブースト — モデルが学習データを溜めるまでの一時的な下駄。ただし学習が進んだら外す前提で設定する
共通点は「いつ外すかが最初から決まっている」ことです。レバーは期間限定・目的限定で入れ、条件が終わったら必ず戻す。これが健全な使い方です。
使ってはいけない場面 — 恒常的な引き上げ
一方、最も避けるべきは 特定アクションをレバーで恒常的に持ち上げ続ける ことです。これをやると、モデルがどれだけ「この顧客には別のアクションのほうが響く」と学習しても、その結論がレバーで上書きされ続けます。結果として、誰に対しても 常に同じオファーが勝ち続ける 状態に陥ります。
これはアービトレーションにとって最悪の失敗です。せっかく Propensity を学習する適応モデルを組んでいても、恒常的なレバーがその出力を無効化してしまうからです。パーソナライズしているつもりで、実態は全員に同じものを出す一斉配信と変わらなくなります。恒常的に優先したい業務ルールがあるなら、それは「レバーで毎回持ち上げる」のではなく、Value の設計や、そもそも別レイヤーである抑制・適格性の条件として表現できないか を先に検討すべきです。Pega 自身のガイダンスでも、レバー値を下げて(弱めて)アービトレーションに最適化の余地を残すことが推奨されており、一般にレバーで強く介入するほど、本来得られたはずの効果(価値やエンゲージメント)から遠ざかると理解しておくとよいでしょう。
Value のスケール設計 — レンジと単位を揃える
もう一つの見落とされがちな失敗が、Value のスケール設定 です。優先度は4要素の積なので、ある要素だけレンジ(値の幅)が極端に大きいと、その要素が優先度を支配し、他の要素の差が事実上効かなくなります。
たとえば Value が数万〜数十万という大きな値のまま、Propensity が 0〜1 の狭い範囲だと、Value の大小が優先度をほぼ決めてしまい、モデルが算出した Propensity の差が優先度にほとんど反映されない という事態が起きます。「適応モデルを入れたのに、いつも高単価の商品ばかり勝つ」という症状の典型的な原因がこれです。
対策は、各要素の レンジと単位を意識的に揃え、相対的な効き方を設計する ことです。どの要素をどれだけ効かせたいのかを数値の幅としてコントロールし、意図した重み付けになっているかをテストデータで検証します。積である以上、「どれか一つが桁違いに大きい」状態は要素間のバランスを壊すと理解しておいてください。
抑制とボリューム制約は「別レイヤー」
設計上きわめて重要なのが、コンタクトポリシー(抑制)やボリューム制約は、優先度計算とは別のレイヤーで効く という点です。
- 抑制(コンタクトポリシー) — 「同じ顧客に◯日以内に◯回以上は出さない」「拒否されたオファーは一定期間出さない」といった、接触の可否を決めるフィルタ
- ボリューム制約 — チャネルの配信上限や予算・在庫といった、全体量の制約
これらは「そもそも候補に残すか」「全体で何件出すか」を決める仕組みであり、「残った候補の中でどれを一番に出すか」を決めるアービトレーションの優先度計算とは 役割が違います。しかも効くタイミングも別です。抑制(コンタクトポリシー)は優先度計算の前段 ——エンゲージメントポリシー(適格性・適用性・適合性)と同じフィルタ段で、コンタクトポリシーはこのポリシー側で有効化されます——で候補を絞り、ボリューム制約は優先度算出の後段 で全体の出力量を絞ります。図で見たとおり、前段と後段に分かれて効くレイヤーであって、いずれも優先度の式(4要素)そのものには入りません。
やってはいけないのは、こうした業務都合をアービトレーションの式(4要素)に混ぜ込むことです。「接触過多を避けたいからレバーで下げる」といった実装は、抑制で表現すべきものを優先度計算に持ち込む典型で、式の意味を濁らせます。業務都合は抑制・ボリューム制約のレイヤーで表現し、アービトレーションの式は「価値の高い順に並べる」責務に純化させる。 レイヤーを分けておくことで、後から挙動を追いやすくなり、片方の変更がもう片方を壊しにくくなります。
効果検証 — レバー起因の偏りを監視する
レバーやスケールの設計は「入れて終わり」ではありません。むしろ入れたあとの 継続的な監視 が本番です。
- 適応モデルのレポート — モデルの予測性能や、どのアクションがどれだけ提示・成功しているかを継続的に確認する
- Value Finder — アクションを1つも受け取れていない、あるいは低 Propensity のアクションしか当たっていない 「十分に価値提供できていない顧客層(under-served customers)」 を洗い出すツール。恒常的なレバーで特定アクションばかりが勝つと、こうした取り残された層が増えやすいため、実装上は レバー起因の偏り の兆候をつかむ手がかりとしても使えます
監視すべきシグナルは明快です。「特定のアクションだけが異常な頻度で勝っていないか」「モデルの予測が優先度に反映されているか」。もし一つのオファーが不自然に勝ち続けているなら、恒常的なレバーか、スケールの崩れを疑います。レバーを入れたら、その効果と副作用をレポートで追い、期限が来たら外す ——このループを回して初めて、アービトレーションは意図どおりに機能します。
よくある失敗
- レバーで恒常的に持ち上げる — 最も多く、最も害が大きい。モデルの学習を上書きし、「常に同じオファー」に陥る。期間・目的を限定しない時点で赤信号
- Propensity をレバーで底上げする — 客観的な予測を主観で書き換える。予測が弱いなら、レバーで隠すのではなくモデルやデータを見直す
- Value のスケールが桁違い — 一要素が優先度を支配し、Propensity の差が効かなくなる。「適応モデルを入れたのに高単価ばかり勝つ」の原因
- 業務都合を式に混ぜる — 接触制限や配信上限を優先度計算に押し込む。本来は抑制・ボリューム制約という別レイヤーの仕事
- 入れっぱなしで検証しない — レバーやスケールの副作用を監視せず、偏りに気づかない。Value Finder や適応モデルのレポートでの継続監視が前提
まとめ
- 優先度は Propensity × Value × Context Weight × Business Levers の積。各要素の有効化・重み・既定値はバージョン依存なので稼働環境で確認する
- Propensity(モデル)と Business Levers(手動)は役割が別物。混同して主観で予測を上書きしない
- Business Levers は期間限定・目的限定の例外だけに使う。恒常的な引き上げはモデルの学習を無効化し「常に同じオファー」を招く
- Value のスケールはレンジ・単位を揃える。桁違いの要素があると他の要素の差が効かなくなる
- 抑制・ボリューム制約は別レイヤー。業務都合をアービトレーションの式に混ぜない
- 効果は継続監視する。適応モデルのレポートと Value Finder でレバー起因の偏りを追い、期限が来たら外す
アービトレーションの設計は、「機械に任せる領域」と「人が業務判断を差し込む領域」を明確に切り分け、その境界を運用でも守り続けられるかにかかっています。ここを曖昧にしたまま「とりあえずレバーで持ち上げる」運用に流れると、投資した適応モデルの価値をみずから捨てることになります。
関連リンク
- Pega Platform 開発支援
- Pega Customer Service 導入支援
- Pega 埋め込みリストのレポート設計|Declare Index と明細クラス化の判断
- Pega Savable Data Page 設計|外部システムへの書き戻しとコネクタ直呼びの使い分け
- Pega Queue Processor と Job Scheduler の使い分け|イベント駆動とスケジュール駆動の設計判断
- Pega バリデーション設計|クライアント検証とサーバー検証の使い分けとUX
- 無料相談に申し込む
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 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。
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