Salesforce 咨询顾问指南：利用 Einstein Next Best Action 提升客户互动

九月 10, 2025

背景与应用场景

在当今这个数据驱动的商业世界中，企业面临着一个共同的挑战：如何在海量的信息中筛选出对客户最有价值的建议，并在最恰当的时机呈现给他们？传统的客户互动模式往往是被动的或基于通用规则的，这导致了大量的机会流失。销售代表可能不知道在通话中应该推荐哪个附加产品，服务座席可能在复杂的案例中迷失方向，营销团队也难以在客户访问网站时推送最能引起共鸣的个性化优惠。

作为一名 Salesforce 咨询顾问，我经常与那些渴望将客户关系从“交易型”转变为“顾问型”的企业合作。他们需要的不仅仅是一个 CRM 系统，而是一个能够赋能员工、提供智能指导的平台。这正是 Salesforce Einstein Next Best Action (NBA) 发挥核心价值的地方。NBA 是一个强大的推荐引擎，它使用基于规则和预测模型的复杂逻辑，向用户实时提供智能化、个性化且可执行的建议。

Einstein Next Best Action 的应用场景几乎贯穿了整个客户生命周期：

销售场景：在一个重要的客户续约电话中，系统可以根据客户的使用情况和历史购买记录，向销售代表推荐“提供一个为期三个月的增值服务包以锁定两年合同”，而不是一个通用的折扣。

服务场景：

营销场景：当一位高价值客户登录社区门户时，NBA 可以根据其最近的浏览行为和客户画像，动态展示一个“邀请参加独家线上新品发布会”的横幅推荐，实现精准营销。

NBA 的核心理念是：在正确的时间，通过正确的渠道，向正确的人，提供正确的建议。它将数据转化为行动，帮助企业在每一次客户互动中都做出最佳决策。

原理说明

要成功实施 Einstein Next Best Action，理解其背后的核心组件和工作原理至关重要。我们可以将其分解为三个主要部分：推荐（Recommendations）、策略（Strategies）和执行（Actions）。

1. Recommendations (建议)

建议是 NBA 的基础单元，它们是您希望向用户展示的具体提议或行动。在 Salesforce 中，每一个建议都是一个标准对象（`Recommendation`）的记录。每个记录都包含关键信息，例如：

Name & Description：向用户展示的标题和详细描述。这是用户体验的关键，必须清晰、简洁且有吸引力。
Acceptance Label & Rejection Label：用户点击的按钮标签，例如“接受优惠”和“暂不考虑”。
Action Reference：当用户接受建议时触发的操作。这通常是一个 Salesforce Flow 的 API 名称，用于实现自动化流程。

您可以创建数十甚至数百个推荐记录，例如“提供九折优惠”、“推荐 A 产品”、“更新联系信息”等。这些记录构成了您的“推荐库”。

2. Strategy Builder (策略生成器)

如果说推荐是“原材料”，那么策略生成器就是“智能加工厂”。Strategy Builder 是一个可视化的流程工具，您可以在其中定义一套逻辑，用以决定在特定情境下应该显示哪些推荐，以及它们的优先级。一个策略的构建通常包含以下几个关键节点：

Load (加载)：策略的第一步是从 Recommendation 对象中加载所有或部分建议记录。最佳实践是在这一步就进行初步筛选，例如只加载“有效”状态的建议。
Filter (筛选)：这是实现个性化的核心。您可以根据上下文记录的字段（例如，客户的等级、工单的优先级）、用户的信息或自定义逻辑来过滤掉不相关的建议。例如，一个“白金客户专属优惠”的建议只应该在客户等级为“白金”时才通过筛选。
Sort/Rank (排序/排名)：当多个建议都通过筛选后，您需要决定哪一个才是“Next Best”。您可以使用多种方式对建议进行排序，例如根据建议记录上的某个字段（如“优先级”），或者更高级的，利用 Einstein Prediction Builder (Einstein 预测生成器) 创建的预测模型得分（例如，客户接受该建议的可能性得分）。得分最高的建议将排在最前面。
Map (映射)：将推荐记录中的字段值映射到将要调用的 Flow 的输入变量中。

通过这些节点的组合，您可以构建出复杂而强大的业务逻辑，确保最终呈现给用户的建议是经过深思熟虑的最佳选择。

3. Actions & Display (执行与显示)

当策略确定了最佳建议后，需要将其展示给用户。这通常通过标准的 Lightning 组件 “Einstein Next Best Action” 来实现，您可以将该组件拖放到任何 Lightning 记录页面、应用主页或社区页面上。

当用户点击“接受”按钮时，NBA 会调用在 Recommendation 记录中定义的 Flow。这个 Flow 负责执行实际的业务操作，例如：

创建一个折扣记录并应用到当前业务机会。
发送一封带有预定义模板的邮件。
更新工单状态并记录一条备注。
引导用户通过一个屏幕流程（Screen Flow）完成更复杂的操作。

这种“建议-决策-执行”的闭环使得 NBA 不仅仅是一个信息展示工具，更是一个强大的业务流程自动化引擎。

示例代码

虽然 Einstein Next Best Action 主要是一个声明式工具，但在某些高级场景下，我们可能需要通过代码来调用策略，例如在自定义的 Lightning Web Component 中获取推荐或在 Apex 批处理中对大量记录进行评估。这可以通过 `ConnectApi.Strategy` 命名空间下的 Apex 方法实现。

以下示例代码展示了如何使用 Apex 调用一个已发布的策略（名为 `Service_Agent_Recommendations`），并为当前的工单记录（`caseId`）获取最多 3 条推荐。

// 假设此 Apex 类在一个 Lightning Web Component 的控制器中被调用
public with sharing class NextBestActionController {

    /**
     * @description 调用 Next Best Action 策略并返回推荐列表
     * @param caseId  当前上下文的工单记录 ID
     * @return List<ConnectApi.Recommendation> 推荐结果列表
     */
    @AuraEnabled(cacheable=true)
    public static List<ConnectApi.Recommendation> getCaseRecommendations(String caseId) {
        
        // 检查传入的 caseId 是否有效，防止SOQL注入和空指针异常
        if (String.isBlank(caseId)) {
            throw new AuraHandledException('Case ID cannot be null or empty.');
        }

        // 1. 定义 getRecommendations 方法的输入参数
        // ConnectApi.StrategyRequest 用于封装所有请求参数
        ConnectApi.StrategyRequest strategyRequest = new ConnectApi.StrategyRequest();

        // 2. 设置上下文记录 ID
        // 这是策略运行所依赖的记录，策略中的筛选和加载逻辑会基于此记录的字段
        strategyRequest.contextRecordId = caseId;

        // 3. 设置要调用的策略的 API 名称
        // 这个名称是在 Strategy Builder 中保存策略时定义的
        String strategyName = 'Service_Agent_Recommendations';

        // 4. 设置返回的推荐数量上限
        Integer maxResults = 3;

        List<ConnectApi.Recommendation> recommendations = new List<ConnectApi.Recommendation>();
        
        try {
            // 5. 调用 ConnectApi.Strategy.getRecommendations 方法
            // 该方法同步执行策略并返回推荐结果
            // 注意：此方法会消耗 API 调用限制
            ConnectApi.RecommendationsRepresentation result = ConnectApi.Strategy.getRecommendations(
                strategyName,
                strategyRequest,
                maxResults
            );

            // 6. 从返回结果中提取推荐列表
            recommendations = result.recommendations;

        } catch (Exception e) {
            // 优雅地处理异常，例如策略不存在或权限问题
            // 在生产环境中，应该记录详细的错误信息
            throw new AuraHandledException('Error fetching recommendations: ' + e.getMessage());
        }

        return recommendations;
    }
}

注意事项

作为咨询顾问，在规划和实施 NBA 项目时，我总是会提醒客户注意以下几点：

权限与可见性：
- 确保运行策略的用户拥有“Run Flows”和“View All Recommendations”系统权限。
- 用户必须对策略逻辑中引用的所有对象和字段（例如 Account 的 `Tier__c` 字段）具有读取权限。
- 用户还需要对 `Recommendation` 对象本身有读取权限。
API 限制与性能：
- 通过 Apex 调用 `ConnectApi.Strategy.getRecommendations` 会计入每日的 API 调用总数。在设计批量处理或高频调用场景时必须考虑这一点。
- 复杂的策略，尤其是在“Load”节点加载大量推荐记录并在多个节点进行复杂筛选的策略，可能会影响页面加载性能。务必在策略的初始阶段就尽可能地过滤数据。
- 在 Strategy Builder 中使用“Test”功能，输入一个具体的记录 ID，来测试和调试策略的性能和逻辑正确性。
数据质量：
NBA 的智能程度完全取决于您提供给它的数据质量。如果用于筛选和排序的数据（如客户分层、产品偏好、历史行为数据）不准确或过时，那么推荐引擎输出的建议也毫无价值。这是一个典型的“Garbage In, Garbage Out”问题。
变更管理与用户培训：
仅仅在页面上显示一个推荐组件是不够的。您必须向最终用户（销售、服务人员等）解释这些建议的来源、价值以及如何使用它们。成功的关键在于用户信任并采纳这些建议，这需要充分的培训和持续的沟通。

总结与最佳实践

Einstein Next Best Action 不仅仅是一个功能，它是一种变革企业客户互动模式的思维方式。它推动企业从被动响应转变为主动引导，将每一次互动都变成一个增进客户关系、创造商业价值的机会。

作为一名 Salesforce 咨询顾问，我总结了以下几个成功实施 NBA 的最佳实践：

从明确的业务目标开始：在构建任何策略之前，先问自己：“我们想要解决什么业务问题？我们希望提升哪个关键绩效指标（KPI）？” 是想降低客户流失率、提高交叉销售成功率，还是缩短平均案例处理时间？明确的目标将指导您设计出真正有价值的推荐。
从小处着手，迭代优化：不要试图第一天就构建一个覆盖所有场景的完美策略。从一两个影响力最大、逻辑最清晰的场景开始，例如“为高价值客户提供续约优惠”。上线后，密切跟踪其接受率和业务影响，然后根据数据反馈不断迭代和优化策略，逐步扩展到更多场景。
衡量并分析结果：Salesforce 会自动记录用户对每个推荐的反应（接受或拒绝）到 `RecommendationResponse` 对象中。利用报表和仪表板来分析哪些推荐最受欢迎，哪些被频繁拒绝。这些数据是您优化策略逻辑的宝贵金矿。
结合规则与预测：最强大的策略往往是确定性规则和预测性洞察的结合。使用规则处理明确的业务逻辑（例如“合同即将到期的客户”），同时利用 Einstein Prediction Builder 的预测得分来处理不确定性（例如“最有可能购买此产品的客户”）。
关注用户体验：推荐的文案至关重要。确保推荐的标题和描述对最终用户来说清晰、有说服力。让他们一眼就能明白这个建议是什么，以及为什么对他们（和客户）有好处。

总之，Einstein Next Best Action 是连接数据、智能和行动的桥梁。通过精心的规划、迭代的实施和持续的优化，它可以成为企业提升客户体验、实现业务增长的强大引擎。

Salesforce中文网