金融の Next-Best-Action 設計|Pega CDH とケース内 Decision の使い分け
「オファーやレコメンドの判定を CDH に載せるべきか、ケースの中で完結させるべきか」——金融の担当者が最初に迷う分岐です。本記事は Customer Decision Hub とケース内 Decision の責務境界、どちらに寄せれば SSoT が崩れないか、統合の勘所を整理します。
結論から:軸は「チャネル横断のリアルタイム最適化か、ケース内の確定的な分岐か」
金融の案件で Next-Best-Action(次の最善アクション)を扱うとき、実装者が最初に迷うのが「オファーやレコメンドの判定ロジックを Customer Decision Hub(CDH)に載せるべきか、それともケースの中の Decision ルールで完結させるべきか」という分岐です。どちらでも「判定」はできてしまうため、境界を言語化しないまま作り始めると、後で二重実装や学習資産の取りこぼしという形で代償を払います。
結論を先に言うと、判断軸はシンプルです。
チャネル横断でリアルタイムに「何を提示・提案するか」を 1:1 で最適化するなら CDH。特定のケース内で、入力が揃えば結果が一意に決まる確定的な分岐・ルーティングなら、ケース内の Decision ルール(When / Decision Table / Decision Tree など)。
「重要な判定だから CDH」「AI っぽいから CDH」ではありません。判定の性質——パーソナライズされたリアルタイム最適化なのか、業務プロセスの中の確定的な条件分岐なのか——で決めます。本記事ではこの境界を具体的な分岐に落とし込みます。
CDH とケース内 Decision は役割が違う
まず両者の性質を整理します。名前はどちらも「決定」ですが、担うものがまったく異なります。
Customer Decision Hub(CDH) は、Pega Platform 上に載る 1:1 のリアルタイム意思決定・エンゲージメント製品です。NBA Designer でエンゲージメントポリシーを定義し、アービトレーション(アクション間の優先順位付け)と Strategy、そして適応モデル(Adaptive)・予測モデル(Predictive)を組み合わせて、「その顧客に、いま、次に提示すべき最善のアクション」を導き出します。Web・アプリ・コールセンター・メールといったチャネルをまたいで、一貫した 1:1 の提案を返すことが CDH の存在意義です。特徴的なのは、提示した結果(提案が受け入れられたか)が Interaction History に蓄積され、適応モデルが学習し続ける点です。判定が固定ロジックではなく、運用しながら精度が上がっていきます。
ケース内の Decision ルール は、Pega の業務プロセス(ケース)の中で使う確定的な判定です。When(真偽の条件)、Decision Table(条件の組み合わせ表)、Decision Tree(条件分岐の木)などが該当します。これらは「与えられた入力に対して、あらかじめ定義したルールで一意の結果を返す」もので、審査の可否判定、次に進むステップの選択、担当キューへのルーティングといった、業務手続きの中の確定的な分岐を担います。学習はしません。ルールに書いたとおりに、いつでも同じ入力なら同じ結果を返します。
金融の文脈で言えば、「このお客様に今どのキャンペーン・商品を薦めるか」はチャネル横断のリアルタイム最適化なので CDH の領域、「申込内容がこの条件を満たすなら自動承認、満たさなければ有人審査キューへ回す」はケース内の確定的な分岐なので Decision ルールの領域、というのが典型的な分かれ方です。
判断の軸
迷ったときは、次の観点で切り分けます。
| 観点 | CDH(Customer Decision Hub) | ケース内 Decision ルール |
|---|---|---|
| 目的 | 「何を提示・提案するか」の 1:1 最適化 | 業務プロセス内の確定的な分岐・ルーティング |
| チャネル | 横断(Web/アプリ/コールセンター等で一貫) | 基本はそのケース内で完結 |
| 判定の性質 | 確率的・パーソナライズ・最適化 | 確定的(同じ入力=同じ結果) |
| 学習・適応 | 適応/予測モデルで継続学習する | 学習しない(ルール通り) |
| 主なルール/機能 | NBA Designer・エンゲージメントポリシー・アービトレーション・Strategy | When / Decision Table / Decision Tree |
| 履歴の蓄積 | Interaction History に蓄積し最適化に還元 | 監査ログ等(最適化には使わない) |
| 責務 | 何を提示するかを決める | 提示後の履行(fulfillment)を進める |
| 向く例 | オファー・レコメンド・次の最善アクション | 承認可否・審査ルーティング・ステップ選択 |
表の最下段が最重要です。CDH は「何を提示するか」を決め、ケースは「提示したものをどう履行するか」を担う。 この責務境界を最初に引けるかどうかで、設計の筋の良し悪しが決まります。
責務境界の設計と Real-Time Container 連携
境界を引いたら、次は「どうつなぐか」です。定石は、CDH が導出した Next-Best-Action を、履行側のケースが受け取って動き出す、という一方向の流れにすることです。
- CDH 側 — 顧客360(Customer Profile)と Interaction History を土台に、エンゲージメントポリシーとアービトレーションで「次の最善アクション」を1つ(または優先順位付きの複数)決める。
- 連携 — インバウンドのチャネル(自社サイト・アプリ・コールセンター画面など)は、Real-Time Container 経由で CDH に問い合わせ、そのコンテキストで返ってきた NBA を受け取る。
- ケース側 — 受け取ったアクション(例:この商品を案内する、この手続きを開始する)を起点に、申込・審査・契約といった確定的なプロセスをケースとして進行させる。ここで初めて When や Decision Table が登場する。
つまり CDH は「入口の一手(何を提示するか)」、ケースは「その後の履行の全工程」を持ちます。オファーの受諾後に走る審査ロジックまで CDH に押し込もうとすると境界が崩れます。逆に、パーソナライズされた提案の最適化をケース内の巨大な Decision Table で自作しようとすると、CDH の強みである適応学習を丸ごと捨てることになります。
具体例で見る使い分け
- ログイン後トップに出すおすすめ商品バナー → 顧客ごと・チャネル横断でリアルタイムに出し分け、反応で精度を上げたい。CDH。
- コールセンターでオペレーターに提示する「次に案内すべき提案」 → 顧客360を踏まえた 1:1 の提案。CDH(Real-Time Container 経由で取得)。
- 申込フォームの入力内容による自動承認/有人審査の振り分け → ルールで一意に決まる確定的な分岐。ケース内 Decision(Decision Table)。
- 書類不備の種類に応じた差し戻しステップの選択 → 業務手続き内の確定的なルーティング。ケース内 Decision(When / Decision Tree)。
- 受諾されたオファーから始まる契約プロセスの進行 → 提示後の履行。ケース(CDH は起点を渡すだけ)。
見分け方はシンプルです。「顧客に応じて最適な”提示内容”を出し分けたい」なら CDH、「手続きの中で条件により”次の処理”を確定的に決めたい」ならケース内 Decision です。
よくある失敗
CDH とケースの境界設計でつまずくパターンは、経験上ほぼ2つに集約されます。
失敗1:オファー判定を CDH とケースの両方に二重実装する
「CDH で決めたオファーだが、念のためケース側でも似た条件で出し分けを書く」というパターン。最初は保険のつもりでも、判定ロジックの SSoT(Single Source of Truth)が2箇所に割れます。キャンペーン条件が変わったときに片方だけ直して不整合が出る、どちらが正なのか誰も言えなくなる、という典型的な負債です。オファーの「何を出すか」は CDH に一本化し、ケースは受け取ったアクションを履行するだけ、と役割を割り切るのが正解です。
失敗2:ケース内でアービトレーションを自作し、適応学習を捨てる
「Decision Table を凝れば CDH がなくても出し分けできる」と、ケース内でオファー間の優先順位付け(=アービトレーション相当)を自作するパターン。動くことは動きますが、CDH の適応/予測モデルによる継続学習と Interaction History の蓄積を丸ごと捨てることになります。手書きの固定ルールは運用しても賢くならず、CDH が本来担うべき最適化を、保守コストの高い命令的ロジックで劣化再現しているだけの状態に陥ります。パーソナライズされたリアルタイム最適化が要件なら、素直に CDH に寄せます。
いずれも根っこは同じで、「何を提示するか(CDH)」と「どう履行するか(ケース)」の境界を引かずに、片方へロジックを寄せすぎることが原因です。
採用判断に含めるべきコスト
最後に、見落としやすい前提を1つ。CDH は Pega Platform 上に構築された別アプリケーションであり、通常は Platform とは別にライセンスが必要です。ケース内の Decision ルール(When / Decision Table / Decision Tree)は Platform 標準機能ですが、CDH を使うということは、顧客360(Customer Profile)や Interaction History といったデータ基盤・運用基盤の構築と維持のコストを引き受けることを意味します。
したがって「NBA をやりたい=即 CDH」ではなく、次を見極める必要があります。
- 本当にチャネル横断のリアルタイム 1:1 最適化と継続学習が要件か(それとも確定的な出し分けで足りるか)。
- 顧客360・Interaction History を支えるデータ整備・運用体制を用意できるか。
- 対象バージョンの CDH で必要な機能・構成が提供されているか。
CDH の製品パッケージや機能範囲はバージョンにより異なります。採用を決める前に、対象バージョンの CDH 構成を公式ドキュメントで必ず確認してください。
まとめ
- 判断軸は判定の性質で決める。チャネル横断のリアルタイム 1:1 最適化=CDH、ケース内の確定的な分岐・ルーティング=ケース内 Decision(When / Decision Table / Decision Tree)。
- 責務境界は「CDH が何を提示するかを決め、ケースが履行を担う」。インバウンド連携は Real-Time Container 経由で NBA を取得するのが定石。
- 失敗は2方向——二重実装(判定を CDH とケースの両方に書き SSoT が割れる)と、アービトレーションの自作(CDH の適応学習を捨てる)。どちらも境界を引けば防げる。
- CDH は Platform 上に構築された別アプリケーションで、通常は別ライセンスが必要。顧客360・Interaction History などデータ基盤のコストを含めて採用判断する。
決定ロジックをどこで動かすかは、金融の Next-Best-Action 実装の性能・保守性・そして「学習し続ける仕組みになるか」を左右する土台です。設計の初期にこの境界を言語化しておくことが、後工程での大きな手戻りと SSoT 崩壊を防ぎます。
Pega の CDH 導入やケース設計でお困りの際は、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、責務境界の設計からご支援します。
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 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Pega 日時・タイムゾーン設計|DateTime と Date の使い分けと UTC 保存の落とし穴
「登録日が1日ずれる」「バッチの集計時刻が合わない」——多言語・多地域展開の Pega アプリで LSA が必ず直面するのが日時とタイムゾーンの設計だ。DateTime を UTC で保存し表示で現地時刻へ変換するモデルを理解せず、暦上の日付まで DateTime にしてしまうと、タイムゾーン変換で日付が前後する。プロパティ型の選択基準から整理する。
記事を読むPega ケース移行の設計判断|進行中ケースを移すか切替後に新規作成か
「旧システムの進行中案件をPegaへそのまま移せますか?」— レガシー移行で必ず出るこの問いに、LSAは安易に頷けない。過去フローの完全再現はほぼ不可能で、現在ステージと業務データの再現に絞るのが定石だ。本記事はオープンケース移行と切替後新規作成の分岐、SLA・アサインメント・監査履歴の扱い、段階移行とビッグバンの判断を、失敗例とともに整理する。
記事を読む