Satış ekiplerinde en maliyetli kayıplardan biri, yanlış lead’e doğru eforu harcamaktır. İyi görünen ama kapanmayan fırsatlar, düşük olasılıklı müşteri adaylarına ayrılan toplantı saatleri ve farklı kaynaklardan gelen dağınık veriler bu sorunu daha da büyütür. Yapay zeka müşteri skorlama tam da burada devreye girer: geçmiş satış verilerini, davranış sinyallerini ve operasyonel kayıtları bir araya getirerek her lead için sayısal bir öncelik üretir.

Ne var ki pratikte başarılı bir skor modeli kurmak, sadece bir makine öğrenmesi algoritması seçmekten ibaret değildir. Veri kalitesi, hedef tanımı, zaman penceresi, CRM entegrasyonu, açıklanabilirlik ve satış akışına uygun kullanım senaryosu en az modelin kendisi kadar belirleyicidir. Bir ekip günde 200 lead inceliyorsa, modelin görevi “kim daha iyi görünüyor” demek değil; örneğin ilk 20 lead’i güvenilir biçimde öne çıkarmaktır.

Bu yazıda, satış ekipleri için müşteri skorlama sisteminin nasıl kurgulanacağını teknik ama anlaşılır bir çerçevede ele alacağız. Hangi veriler toplanmalı, hedef değişken nasıl belirlenmeli, model hangi metriklerle ölçülmeli, CRM içinde nasıl kullanılmalı ve hangi hatalardan kaçınılmalı; hepsine somut örneklerle bakalım.

Yapay zeka müşteri skorlama tam olarak neyi çözer?

Müşteri skorlama, her potansiyel müşteriye belirli bir aksiyon olasılığına göre puan verir. Bu aksiyon; teklif talebi bırakma, demo toplantısına katılma, satın alma, yenileme veya upsell olabilir. Satış tarafında en yaygın senaryo, “önümüzdeki 30 gün içinde fırsata dönüşme olasılığı” gibi net bir hedef tanımıdır.

Bir örnek verelim. Elinizde son 12 aya ait 18.000 lead kaydı olduğunu düşünün. Bu kayıtların 1.350 adedi satış fırsatına dönüştü, 420 adedi kapandı. Basit, kural tabanlı bir sistem yalnızca sektör, şirket büyüklüğü ve form doldurma bilgisine bakabilir. Yapay zeka destekli yaklaşım ise bunlara ek olarak şu sinyalleri de değerlendirir: son 14 gündeki web davranışı, e-posta açılma sıklığı, ilk temas ile toplantı arasında geçen süre, kullanılan ürün sayfası, inbound kaynağın türü, benzer müşteri kümelerinin geçmiş performansı.

Böyle bir sistem satış ekibine iki temel fayda sağlar:

  • Lead havuzunu önceliklendirir. SDR veya satış temsilcisi ilk 10-25 adaya odaklanır.
  • Skorun neden yükseldiğini veya düştüğünü gösterirse aksiyon kalitesini artırır.

Buradaki kritik nokta şu: skor, insan kararının yerini almaz. İyi tasarlanmış bir model, satış uzmanına ikinci bir görüş sunar. Özellikle B2B satışta 30 gün, 60 gün veya 90 günlük farklı tahmin ufukları kullanmak, çoğu zaman tek bir puandan daha faydalıdır.

Doğru hedef değişkeni seçmeden model kurulmaz

Pek çok proje, veri toplamaya başlamadan başarısız olur; çünkü “iyi lead” tanımı belirsizdir. Modelin öğrenebilmesi için önce açık bir sonuç etiketine ihtiyaç vardır. Bu etiket CRM’de çoğu zaman hazır bulunmaz, çünkü satış süreçleri ekipten ekibe değişir.

Sağlıklı bir başlangıç için hedefi ölçülebilir şekilde tanımlayın. Örneğin:

  • Lead’in oluşturulmasından sonraki 21 gün içinde toplantı oluştu mu?
  • İlk 45 gün içinde satış fırsatına dönüştü mü?
  • 90 gün içinde kazanılan deal oldu mu?

Bu ayrım önemlidir. “Kazanılan müşteri” etiketini doğrudan hedef almak, düşük hacimli B2B yapılarda veri sayısını ciddi biçimde azaltabilir. 6 aylık dönemde yalnızca 80 kapanan satış varsa, ilk sürüm için toplantı veya opportunity oluşumu daha dengeli bir hedef olabilir.

Bir diğer teknik konu da label leakage riskidir. Yani model, tahmin anında aslında bilinmemesi gereken bilgiyi görürse sonuçlar yapay biçimde iyi çıkar. Örneğin “teklif gönderildi” alanını kullanarak lead kalitesi tahmini yapmak anlamlı değildir; çünkü teklif zaten satış sürecinde daha ileri bir adımdır. Zaman çizgisini net kurmak gerekir: model yalnızca lead skoru hesaplandığı ana kadar oluşan veriyi kullanmalıdır.

İlk sürüm için pratik hedef örneği

B2B SaaS satan bir ekip düşünelim. Ortalama satış döngüsü 47 gün sürüyor. İlk model için hedef şöyle tanımlanabilir: Lead oluşturulduktan sonraki 30 gün içinde SQL oldu mu? Böylece hem yeterli örnek sayısı korunur hem de satış ekibi skorun günlük kullanımını daha net görür.

Hangi veriler kullanılmalı? CRM tek başına yetmez

Kaliteli bir müşteri skorlama modeli çoğu zaman tek bir veri kaynağıyla kurulmaz. En sık kullanılan veri katmanları CRM, pazarlama otomasyonu, web analitiği, ürün kullanımı ve üçüncü taraf zenginleştirme kayıtlarıdır. Buradaki amaç veri miktarını artırmak değil, anlamlı sinyal toplamaktır.

Örnek bir veri setinde şu alanlar yer alabilir:

  • Firma verileri: çalışan sayısı, sektör, ülke, yıllık ciro bandı, kullanılan teknoloji.
  • Kişi verileri: unvan, departman, karar verici seviyesi.
  • Davranış verileri: son 7 gün ve 30 gündeki sayfa görüntüleme sayısı, fiyatlandırma sayfası ziyareti, form tamamlama, webinar katılımı.
  • Süreç verileri: ilk yanıt süresi, son temas tarihi, lead kaynağı, kampanya türü.
  • Ürün verileri: trial başladı mı, ilk 3 gün içinde kaç oturum açtı, hangi modülü kullandı.

Burada her alanın değeri aynı değildir. Örneğin 25 farklı kampanya etiketi yerine bunları 5-6 anlamlı kategori altında toplamak, modelin genelleme kabiliyetini artırabilir. Benzer şekilde eksik veriler de dikkat ister. Çalışan sayısı alanının kayıtların yüzde 40’ında boş olması, o özelliği doğrudan çöpe atmayı gerektirmez; “bilinmiyor” kategorisi başlı başına bir sinyal olabilir.

Teknik tarafta, eğitim verisi hazırlanırken özelliklerin zaman pencereleri açık biçimde tanımlanmalıdır. “Son 14 gündeki e-posta tıklaması”, “ilk 72 saatteki ziyaret sayısı”, “lead açıldıktan sonraki ilk 7 gündeki aktivite yoğunluğu” gibi değişkenler, ham toplam sayıdan daha açıklayıcı sonuçlar verebilir.

Model seçimi: önce açıklanabilir ve sürdürülebilir olanı kurun

Satış ekipleri için ilk üretim modelinde en karmaşık algoritma şart değildir. Çoğu durumda lojistik regresyon, karar ağaçları, random forest veya gradient boosting tabanlı modeller iyi bir başlangıç sunar. Buradaki hedef, laboratuvar ortamında en yüksek skoru almak değil; satış operasyonunda güvenilir ve yönetilebilir bir sistem kurmaktır.

Örneğin 10.000 etiketli lead’den oluşan bir veri setinde iki model denenebilir. Lojistik regresyon daha anlaşılır katsayılar sunar. Gradient boosting ise doğrusal olmayan ilişkileri daha iyi yakalayabilir. Eğer AUC farkı 0,03 seviyesindeyse ama ikinci modelin açıklanabilirliği zayıfsa, ekip ilk aşamada daha sade modeli tercih edebilir.

Skorun 0 ile 100 arasında gösterilmesi, kullanıcı deneyimi açısından pratiktir. Basit bir örnek:

score = round(probability_of_sql * 100)
if score >= 80: priority = "A"
elif score >= 60: priority = "B"
else: priority = "C"

Bu tür bir sınıflama, satış panelinde hızlı filtreleme sağlar. Yine de mutlak eşikler sabit kalmamalıdır. İlk 3 aylık kullanımda skor dağılımı izlenir, dönüşüm oranlarına göre eşikler güncellenir. Mesela 80 üstü lead’lerin SQL oranı yüzde 22, 60-79 aralığı yüzde 11 çıkıyorsa yapı anlamlıdır. Fark çok dar kalıyorsa, özellik seti veya hedef tanımı yeniden gözden geçirilmelidir.

Başarıyı hangi metriklerle ölçmelisiniz?

Müşteri skorlama projelerinde yalnızca doğruluk oranına bakmak çoğu zaman yanıltıcıdır. Çünkü satış verileri genellikle dengesizdir. 1.000 lead’in sadece 80’i dönüşüyorsa, her lead’e “dönüşmez” diyen bir model yüzde 92 doğruluk gösterebilir ve yine de tamamen işe yaramaz olabilir.

Daha anlamlı metrikler şunlardır:

  • Precision: Yüksek skor verilen lead’lerin ne kadarı gerçekten dönüşüyor?
  • Recall: Gerçekten dönüşen lead’lerin ne kadarını yakalayabiliyoruz?
  • ROC-AUC veya PR-AUC: Sıralama kalitesini gösterir.
  • Lift: Üst dilimdeki lead’ler ortalamaya göre kaç kat daha iyi?

Satış ekipleri için özellikle top decile lift veya ilk yüzde 10’luk dilimdeki performans çok değerlidir. Örneğin modelin en yüksek skorlu yüzde 10’luk lead grubunda dönüşüm oranı genel ortalamanın 2,4 katına çıkıyorsa, bu doğrudan önceliklendirme değeri üretir.

Bunun yanında çevrim içi kullanım metrikleri de izlenmelidir. Skoru kullanan temsilcilerin ilk temas süresi azaldı mı? A sınıfı lead’lerde toplantı oranı arttı mı? Skor paneli ne kadar görüntüleniyor? Makine öğrenmesi başarısı ile operasyonel benimsenme aynı şey değildir.

CRM ve satış akışına entegrasyon nasıl yapılır?

En iyi model bile skor satış ekranında görünmüyorsa etkisiz kalır. Bu yüzden entegrasyon tasarımı işin merkezindedir. Tipik bir akışta yeni lead CRM’e düştüğünde, API veya arka plan görevi ile skor hesaplanır ve sonuç ilgili kayda yazılır. Günlük veya saatlik yeniden skorlamak da mümkündür.

Pratik bir senaryo düşünelim: HubSpot veya Salesforce benzeri bir CRM’de her yeni kayıt için 5 dakika içinde skor üretmek istiyorsunuz. Mimari şu şekilde kurulabilir:

  • CRM webhook ile yeni lead olayını iletir.
  • Skorlama servisi ilgili verileri veri ambarından veya operasyonel API’lerden çeker.
  • Model olasılığı hesaplar, 0-100 skor üretir.
  • Sonuç CRM alanlarına yazılır: skor, öncelik sınıfı, ilk 3 neden.

Burada “ilk 3 neden” alanı çok önemlidir. Satış temsilcisinin yalnızca 78 puanı görmesi yetmez; örneğin “fiyatlandırma sayfasını 2 kez ziyaret etti”, “şirket büyüklüğü ideal profil ile uyumlu”, “son 7 günde webinar katılımı var” gibi açıklamalar güven oluşturur. Bu yaklaşım, kara kutu etkisini azaltır.

Teknik olarak batch ve real-time arasında seçim yapılır. Günde 500 lead geliyorsa saatlik batch yeterli olabilir. Dakika bazında aksiyon gerektiren inbound satışta ise olay tabanlı mimari daha uygun olur.

En sık yapılan hatalar ve kaçınma yolları

Projelerde benzer sorunlar sık sık tekrar eder. İlk hata, kirli CRM verisiyle modelden mucize beklemektir. Yinelenen kayıtlar, eksik alanlar, yanlış kapanış statüleri varsa model de bunları öğrenir. Eğitim öncesinde en az son 6-12 aylık veri temizliği yapılmalıdır.

İkinci hata, tek bir skorla her şeyi açıklamaya çalışmaktır. Yeni lead skoru, churn riski ve upsell potansiyeli farklı problemlerdir. Her biri için ayrı hedef ve ayrı model gerekir.

Üçüncü hata ise modeli bir kez kurup öylece bırakmaktır. Pazar değişir, kampanya kaynakları değişir, ürün stratejisi değişir. 2024’te iyi çalışan bir model, 2025’te zayıflayabilir. Bu nedenle aylık izleme ve örneğin 90 günde bir yeniden eğitim planı mantıklıdır. Drift takibi yapılmadan skor sistemi hızla güven kaybeder.

Bir diğer kritik başlık da uyum ve mahremiyettir. Kişisel verilerle çalışan sistemlerde KVKK kapsamı dikkate alınmalı; hangi verinin hangi amaçla işlendiği açık olmalıdır. Hassas veya gereksiz verileri modele doldurmak, hem hukuki hem de operasyonel risk yaratır.

Sağlıklı bir uygulama planı nasıl görünür?

İyi bir müşteri skorlama projesi genelde 4 aşamada ilerler. İlk 2 haftada veri keşfi yapılır: alanlar, eksikler, etiket kalitesi ve örnek hacmi incelenir. Sonraki 2-4 haftada özellik mühendisliği ve model denemeleri gerçekleştirilir. Ardından CRM entegrasyonu ve kullanıcı testleri gelir. Canlıya geçtikten sonraki ilk 30 gün ise izleme dönemidir.

Özet bir yol haritası şöyle olabilir:

  • Hafta 1-2: Hedef tanımı, veri denetimi, başarı metriği seçimi.
  • Hafta 3-5: Özellik çıkarımı, model eğitimi, offline validasyon.
  • Hafta 6-7: API/CRM entegrasyonu, skor ekranları, açıklama alanları.
  • Hafta 8+: Pilot ekip kullanımı, eşik ayarı, geri bildirim, yeniden eğitim planı.

Buradaki amaç, tek seferde kusursuz bir model kurmak değildir. İlk sürüm; satış ekibinin gerçekten kullanacağı, zaman kazandıracak bir karar destek katmanı olmalıdır. İyi bir pilotta, 3 temsilcinin günlük kullanım alışkanlıkları bile teknik metriklerden daha fazla iyileştirme ipucu verebilir.

Özetle yapay zeka müşteri skorlama, veri bilimi projesi olduğu kadar bir süreç tasarımı işidir. Doğru hedef, temiz veri, ölçülebilir başarı ve CRM içinde net bir kullanım senaryosu bir araya geldiğinde satış ekipleri daha nitelikli lead yönetimi yapabilir. Sihirli bir formül yok; sağlam bir kurgu var. İşe yarayan sistemler de tam olarak böyle kuruluyor.