Yapay zeka ile lead skorlama

Lead niteleme ile lead skorlama arasındaki fark ne?

Lead niteleme, bir talebin satış görüşmesine değip değmediğine verilen evet-hayır kararıdır. Lead skorlama ise bu kararı destekleyen, talepleri sıraya koyan bir puandır. Biri kapıdaki kontroldür, diğeri kuyruktaki sıra numarasıdır.

Skorlar genellikle iki eksende kurulur. HubSpot’un dokümantasyonu bunu açıkça ayırır: uygunluk (fit) skoru, şirket büyüklüğü, sektör veya unvan gibi özelliklere bakar. İlgi (engagement) skoru ise web ziyareti, e-posta tıklaması ve form gönderimi gibi davranışlara bakar. İkisi birleştiğinde “doğru müşteri, doğru zamanda mı?” sorusuna cevap verir.

Yapay zekanın getirdiği yenilik üçüncü bir girdidir: serbest metin. Bir talep formundaki “mesajınız” kutusu, bir WhatsApp yazışması ya da bir e-posta, çoğu zaman en değerli bilgiyi taşır. “Üç şube için teklif istiyoruz, ay sonuna kadar karar vereceğiz” cümlesi, hiçbir form alanında yoktur. Bir dil modeli bu metni okuyup ihtiyacı, aciliyeti ve bütçe sinyalini yapılandırılmış alanlara çevirebilir.

Kural tabanlı skorlama ile yapay zeka destekli niteleme ne zaman tercih edilir?

Üç yaklaşım birbirinin alternatifi değil, çoğu zaman katmanlarıdır. Hangisiyle başlayacağınız talep hacminize, verinizin geçmişine ve satış ekibinin kurala ne kadar net karar verebildiğine bağlıdır.

	Kural tabanlı skor	Tahmine dayalı skor (CRM içi)	Dil modeliyle niteleme
Girdi	Form alanları, davranış olayları	Geçmiş kazanılan ve kaybedilen kayıtlar	Serbest metin: mesaj, e-posta, sohbet
Açıklanabilirlik	Yüksek, her puanın kuralı bellidir	Orta, model hangi özelliğe ağırlık verdiğini gösterebilir	Gerekçe metni istenirse yüksek, istenmezse düşük
Kurulum gereksinimi	Satış ekibiyle bir çalıştay ve CRM ayarı	Yeterli sayıda etiketli geçmiş kayıt ve uygun CRM paketi	Otomasyon akışı, istem tasarımı, test seti
Uygun hacim	Az ve orta hacim	Orta ve yüksek hacim, düzenli satış döngüsü	Metni uzun ve çeşitli talepler
Başlıca risk	Kurallar zamanla eskir	Geçmişteki önyargıyı tekrarlar	Yanlış okuma veya uydurma alan değeri

Pratik öneri şudur: kural tabanlı bir skorla başlayın, çünkü satış ekibi onu anlar ve düzeltebilir. Dil modelini önce yalnızca serbest metni yapılandırılmış alanlara çevirmek için kullanın. Skoru yine kurallar hesaplasın. Tahmine dayalı skor, birkaç aylık temiz veri biriktikten sonra anlam kazanır.

Hacim düşükse, örneğin haftada birkaç talep alan bir inşaat ve yapı malzemeleri firması için, skordan çok hızlı ve eksiksiz yönlendirme değer üretir. Yüksek hacimli bir e-ticaret ve perakende işletmesinde ise toptan veya kurumsal alım taleplerini bireysel siparişlerden ayırmak asıl kazançtır.

Form, WhatsApp ve e-postadan gelen talepler CRM’e nasıl tek akışta girer?

Skorlamadan önce toplama gelir. Talepler üç ayrı yerde kalıyorsa, en iyi skor modeli bile eksik veriyle çalışır. Çözüm, her kanalın aynı akışa bağlandığı bir iş akışı otomasyonu kurmaktır.

Tipik bir akış şu adımlardan oluşur:

1. Yakalama. Web formu bir webhook gönderir. WhatsApp Business Platform gelen mesajı bildirir. Ortak bir satış e-posta kutusu düzenli aralıklarla okunur.
2. Eşleştirme. Telefon veya e-posta adresiyle CRM’de mevcut kişi aranır. Aynı kişinin farklı kanallardan gelen talepleri tek kayıtta birleşir.
3. Zenginleştirme. Dil modeli serbest metni okur; ihtiyaç, ürün grubu, aciliyet ve konum gibi alanları doldurur. Her alanın yanına “metinde geçmiyor” seçeneği konur, böylece model boşluğu uydurmaz.
4. Skorlama. CRM’deki kurallar puanı hesaplar.
5. Yönlendirme. Yüksek puanlı talep ilgili satış temsilcisine bildirim olarak düşer. Düşük puanlı talep, otomatik bilgilendirme ve daha seyrek takip sırasına alınır.

Bu akışı n8n, Make veya Zapier ile kurabilirsiniz. Make’te her akış bir “senaryo”dur ve tetikleyici modülle başlar. Hangi aracı seçerseniz seçin, her adımı kaydedin; böylece bir talep kaybolduğunda nerede kaybolduğunu görebilirsiniz. Bu yapı müşteri onboarding otomasyonu ile de doğal olarak birleşir: nitelenen talep müşteriye dönüştüğünde hoş geldin akışı aynı kayıttan başlar.

WhatsApp için ayrı bir not gerekir. Meta, işletmenin kullanıcıya mesaj göndermeden önce onay (opt-in) almasını ve onay metninde işletmenin adını açıkça belirtmesini şart koşar. Kullanıcının size kendisi yazması bir sohbet başlatır, ama sonraki kampanya mesajları için yeterli değildir.

Otomatik karar ve profilleme açısından GDPR Madde 22 ve KVKK ne der?

Bu bölüm hukuki danışmanlık değildir. Kurulumu hukuk danışmanınızla birlikte değerlendirmenizi öneririz.

GDPR Madde 22, kişinin yalnızca otomatik işlemeye (profilleme dahil) dayanan ve kendisi hakkında hukuki ya da benzer ölçüde önemli sonuç doğuran kararlara tabi olmama hakkını düzenler. Avrupa Birliği’ndeki kişilerden talep alıyorsanız bu madde sizi ilgilendirir.

KVKK Madde 11, ilgili kişiye, verilerinin münhasıran otomatik sistemlerle analiz edilmesi sonucu aleyhine bir sonuç çıkmasına itiraz etme hakkı tanır. Madde 10 ise veriyi toplarken kişiyi aydınlatma yükümlülüğünü getirir: formunuzdaki aydınlatma metni, talebin otomatik olarak sınıflandırıldığını da kapsamalıdır.

Lead skorlamada bunun pratik karşılığı üç kuraldır:

• Skor bir öncelik sırası belirlesin, kimseyi tamamen dışarıda bırakmasın.
• Düşük skorlu bir talebi kapatma veya reddetme kararını bir insan versin.
• Dil modeline gönderilen metinden gereksiz kişisel veriyi (kimlik numarası, tam adres) çıkarın ve modelin hangi bölgede çalıştığını kayıt altına alın.

Satış ekibi skora nasıl güvenir?

Satış ekibinin kullanmadığı bir skor, yalnızca CRM’de bir sayıdır. Güven iki şeyden doğar: gerekçeyi görmek ve düzeltebilmek.

Gerekçe. Her skorun yanında kısa bir açıklama olsun: “Uygunluk yüksek: kurumsal alan adı, hedef sektör. İlgi orta: tek ziyaret, fiyat sayfası görüldü. Metin: üç şube, ay sonu karar.” Dil modelinden yalnız alan değil, alanı hangi cümleden çıkardığını da istemek bu açıklamayı mümkün kılar.

Geri bildirim. Temsilci skoru yanlış bulduğunda tek tıkla işaretleyebilmeli. Bu işaretler ayda bir gözden geçirilir ve kurallar güncellenir. HubSpot gibi araçlar skorların zamanla azalmasına (decay) da izin verir; eski bir ziyaretin bugünkü talep kadar puan almaması gerekir.

Ölçüm. Skoru, sonuçla karşılaştırın: yüksek skorlu taleplerin görüşmeye ve satışa dönüşme oranı, düşük skorlularınkinden belirgin biçimde ayrışıyor mu? Ayrışmıyorsa sorun modelde değil, kriterlerdedir.

Nereden başlamalı?

İlk adım bir model değil, bir envanterdir: talepler hangi kanallardan geliyor, bugün kim nereye kaydediyor, hangi talepler kayboluyor? Bu tablo çoğu zaman skordan önce çözülmesi gereken bir toplama sorununu gösterir.

Corrplus’ta bu işe keşif görüşmesiyle başlıyoruz. Ardından satış ekibiyle kriterleri yazıya döküyor, kanalları tek akışa bağlıyor ve dil modelini önce yalnız serbest metni okumak için devreye alıyoruz. Kurulum kısa döngülerle ilerliyor; her döngünün sonunda satış ekibi gerçek taleplerle çalışan bir sürümü deniyor. Ayrıntılar için yapay zeka satış asistanı, iş süreci otomasyonu ve müşteri deneyimi ve dijital pazarlama sayfalarımıza bakabilirsiniz. E-ticarette nitelenen talebin sonraki adımı için e-ticaret kişiselleştirme çözümünü de inceleyebilirsiniz.