AI ile tahmine dayalı (predictive) lead skorlama: Kuralı bırak, modele geç

Klasik lead skorlama elle yazılmış kurallara dayanır: e-posta açana +10, fiyat sayfasını ziyaret edene +20, kurumsal e-posta adresine +15. Bu yaklaşım işe yarar ve lead scoring yazımızda temelini anlattık. Ama bir sınırı vardır: o kuralları ve puanları siz tahmin edersiniz. Gerçekten "fiyat sayfası ziyareti" kapanışla "e-posta açmaktan" iki kat mı ilişkili? Emin değilsiniz — bir sayı uydurdunuz. Üstelik bu kurallar zamanla eskir ve onlarca sinyali aynı anda doğru tartmak insan için imkânsızdır.

Tahmine dayalı (predictive) lead skorlama bu mantığı tersine çevirir. Kuralları siz yazmazsınız; bir model, geçmiş verinizden hangi lead'lerin gerçekten müşteriye döndüğünü öğrenir ve yeni lead'leri "geçmişteki kazananlara ne kadar benziyorlar?" sorusuna göre puanlar. Yani puanlar tahmininizden değil, gerçek sonuçlarınızdan gelir.

Bu yazıda predictive skorlamanın ne olduğunu, nasıl çalıştığını, hangi sinyalleri kullandığını, kural tabanlı yöntemden farkını, ne zaman geçmeniz gerektiğini ve CRM ile veri kalitesinin neden kritik olduğunu anlatıyoruz.

1Geçmiş veri2Sinyaller3Model4Skor5Önceliklendir

Kural tabanlı skorlamayı kısaca hatırlayalım

Kural tabanlı skorlamada her sinyale elle bir puan atarsınız ve toplam, lead'in "sıcaklığını" verir. Bu yöntem şeffaftır (neden bu puan aldığını görürsünüz) ve başlangıç için harikadır; veriniz azken tek seçenektir. Sınırı şudur: puanlar bir varsayımdır. Hangi sinyalin gerçekten önemli olduğunu, ağırlığının ne olması gerektiğini ve sinyaller arasındaki etkileşimi (örneğin "büyük şirket + fiyat sayfası" kombinasyonunun tek tek toplamlarından fazla anlam taşıdığını) elle yakalayamazsınız. İşte predictive skorlama tam bu boşluğu doldurur.

Tahmine dayalı skorlama nedir?

Predictive lead scoring, geçmiş lead'lerinizin sonuçlarını (kapandı / kapanmadı) kullanarak bir makine öğrenmesi modelinin hangi özelliklerin kapanışla ilişkili olduğunu kendi başına çıkarmasıdır. Model, "müşteri olan lead'ler genelde şu sektörden, şu büyüklükte, şu davranışları gösteren kişilerdi" örüntüsünü öğrenir ve yeni bir lead geldiğinde ona bu örüntüye benzerliğine göre bir olasılık skoru (örneğin %0–100 kapanma ihtimali) verir. Kısacası: siz kuralı söylemezsiniz, model veriden kuralı kendi keşfeder. Bu, CRM'de yapay zekânın en pratik ve en çok değer üreten uygulamalarından biridir.

Nasıl çalışır?

Süreç dört adımda işler. Birincisi, geçmiş veri: model, geçmişte ne olduğunu bilmek zorundadır — hangi lead'ler kapandı, hangileri kaybedildi. Bu "etiketli" veri, modelin öğrenme yakıtıdır. İkincisi, sinyaller (özellikler): her lead için modele verdiğiniz veriler — sektör, şirket büyüklüğü, davranışlar, etkileşimler. Üçüncüsü, model: bu veriden örüntüyü öğrenen algoritma. Dördüncüsü, skor: yeni lead'e atanan, kapanma olasılığını ifade eden sayı. Sistem zamanla yeni kapanışları gördükçe kendini günceller — yani kural tabanlı sistemin aksine, eskidikçe değil, veri arttıkça daha iyi olur.

Hangi sinyalleri kullanır?

Predictive model genellikle üç tür sinyali birleştirir. Firmografik: lead'in kim olduğu — sektör, şirket büyüklüğü, ünvan, bölge. Davranışsal: ne yaptığı — hangi sayfaları ziyaret etti, hangi içeriği indirdi, ne sıklıkla geldi. Etkileşim: sizinle nasıl etkileşti — e-postaları açtı mı, görüşmeye geldi mi, ne kadar hızlı yanıt verdi. Modelin gücü, bu onlarca sinyali aynı anda ve doğru ağırlıkla tartabilmesidir — bir insanın elle yapamayacağı bir şey. Hangi sinyalin gerçekten kapanışı öngördüğünü de model size söyler; bu, kaynak analizinizi bile besler.

Kural tabanlı mı, model tabanlı mı? Fark ne?

İki yaklaşım rakip değil, bir olgunluk merdiveninin basamaklarıdır. Kural tabanlı şeffaftır, az veriyle çalışır, hızlı kurulur ve kontrol sizdedir — ama tahminlerinizle sınırlıdır ve eskir. Model tabanlı daha doğrudur, onlarca sinyali tartar ve kendini günceller — ama yeterli geçmiş veri ister ve "neden bu skor?" sorusu bazen daha az şeffaftır. Pratikte çoğu ekip kural tabanlıyla başlar, yeterli veri biriktiğinde modele geçer ve ikisini birleştirir (model skoru + birkaç iş kuralı). Önemli olan, hangi aşamada olduğunuzu bilmektir.

Ne zaman geçmeli?

Predictive skorlama sihirli değildir; yakıtı veridir. Eğer henüz yeterli sayıda kapanmış ve kaybedilmiş lead'iniz yoksa, model öğrenecek bir örüntü bulamaz ve sonuçları güvenilmez olur. Genel kural: anlamlı sayıda hem kazanılmış hem kaybedilmiş örnek biriktiğinde geçiş mantıklıdır. O zamana kadar kural tabanlı skorlama hem yeterli hem de doğru seçimdir. Veriniz azken modele geçmek, "az veriden uydurma örüntü" riskini doğurur — bu da yanlış lead'leri önceliklendirmek demektir. Sabırlı olun; önce nitelemeyi ve veri toplamayı oturtun.

CRM ve veri kalitesi: çöp girerse çöp çıkar

Predictive skorlamanın en sık göz ardı edilen gerçeği şudur: model ancak verdiğiniz veri kadar iyidir. Eksik, yinelenen ve tutarsız kayıtlarla beslenen bir model, kendinden emin ama yanlış skorlar üretir — "çöp girerse çöp çıkar". Bu yüzden predictive skorlamanın ön koşulu temiz bir CRM'dir; CRM verisini temiz tutmak bu yüzden lükssüz bir gerekliliktir. CRM aynı zamanda modelin yakıtını (her lead'in tüm geçmişi ve sonucu) tek yerde tutar ve skoru temsilcinin gördüğü ekrana taşır — böylece skor bir rapor değil, anlık bir aksiyon önceliği olur. Bir AI satış asistanı da bu skoru kullanarak temsilciye "önce bunu ara" diyebilir.

Predictive skorlamanın faydaları

Tahmine dayalı skorlamanın ekibe kattığı değer somuttur. Önceliklendirme: sınırlı satış zamanı en olası alıcılara yönelir, böylece aynı çabayla daha çok anlaşma kapanır. Verim: temsilci hangi lead'e önce dokunacağını tartışmaz; sistem sıralamayı verir. Daha az önyargı: insan, tanıdık sektörlere ya da büyük isimlere meyleder; model yalnızca veriye bakar ve gözden kaçabilecek sessiz ama nitelikli lead'leri öne çıkarır. Ölçeklenebilirlik: lead hacmi büyüdükçe elle skorlama çöker, ama model on binlerce lead'i aynı tutarlılıkla puanlar. Bu faydaların ortak paydası şudur: predictive skorlama, kıt insan dikkatini en yüksek getirili yere otomatik olarak yöneltir.

Modele nasıl güvenirsiniz?

Bir model "kapanır" dedi diye körü körüne inanılmaz; güven, doğrulamayla gelir. İlk adım geriye dönük testtir: modeli geçmiş veriyle çalıştırıp "tahmin ettiklerinin kaçı gerçekten kapandı?" diye bakarsınız. İkincisi, modelin kararlarını izlemektir — zamanla pazar ve müşteri profili değişir (buna model kayması, drift denir) ve bir zamanlar doğru olan model eskiyebilir. Üçüncüsü, modeli kapalı bir kutu olarak değil, açıklanabilir biçimde kullanmaktır: hangi sinyallerin skoru yukarı çektiğini görmek hem güveni hem de öğrenmeyi artırır. Güvenilir bir predictive sistem, kurulduktan sonra unutulan değil, düzenli izlenen ve yeniden eğitilen bir sistemdir.

Pazarlama–satış hizalamasında predictive skor

Predictive skor, pazarlama ile satış arasındaki en büyük çatışmayı — "bu lead nitelikli mi?" tartışmasını — nesnel bir zemine taşır. İki taraf bir lead'in "hazır" olup olmadığını sezgiyle tartışmak yerine, modelin verdiği olasılık skoruna bakar; belirli bir eşiğin üzerindekiler otomatik olarak satışa devredilir. Bu, MQL'den SQL'e geçişi öznel bir karardan veriye dayalı bir kurala dönüştürür. Skor ayrıca pazarlamaya geri bildirim verir: hangi kampanya ve kaynakların yüksek skorlu lead getirdiğini gösterir, böylece bütçe gerçekten kapanan lead'leri üreten kanallara akar. Predictive skor böylece sadece satışın değil, tüm gelir motorunun ortak dili olur.

Örnek: aynı 100 lead, iki önceliklendirme

Bir ekibe bir ayda 100 lead geliyor ama temsilciler ancak 40'ına gerçekten zaman ayırabiliyor. Kural tabanlı sistemde puanı en yüksek 40 lead, "fiyat sayfasını ziyaret etti" gibi birkaç elle seçilmiş sinyale göre seçiliyor. Ama bu sinyaller her zaman kapanışı öngörmüyor; ay sonunda bu 40 lead'den yalnızca 6'sı kapanıyor, üstelik gözden kaçan lead'ler arasında güçlü adaylar vardı.

Predictive sistemde ise model, geçmiş kapanışlardan öğrendiği örüntüyle 100 lead'i sıralıyor; en üstteki 40, gerçek alıcılara en çok benzeyenler. Aynı çaba, aynı 40 dokunuş — ama bu kez 13 kapanış. Fark, daha çok çalışmak değil; sınırlı zamanı doğru lead'lere yöneltmektir. MQL'den SQL'e geçişte de bu önceliklendirme, satışın değerli zamanını korur.

Yaygın hatalar

Predictive skorlamada en sık yapılan dört hata: Birincisi, az veriyle başlamak — yeterli kapanmış/kaybedilmiş örnek olmadan model uydurma örüntü öğrenir. İkincisi, kirli veriyle beslemek — çöp veri, kendinden emin ama yanlış skorlar üretir. Üçüncüsü, modele körü körüne güvenmek — skor bir olasılıktır, kesinlik değil; insan yargısını tamamen devre dışı bırakmayın. Dördüncüsü, skoru aksiyona bağlamamak — temsilcinin görmediği, takibi tetiklemeyen bir skor sadece güzel bir sayıdır.

Özet: nereden başlamalı

Predictive lead scoring, lead önceliklendirmeyi tahminden kanıta taşır — ama bir merdivenin üst basamağıdır. Önce kural tabanlı skorlamayla başlayın ve veri toplayın; CRM'inizi temiz tutun çünkü model ancak veriniz kadar iyidir; yeterli kapanmış/kaybedilmiş örnek biriktiğinde modele geçin; model skorunu birkaç iş kuralıyla birleştirin ve en önemlisi skoru temsilcinin ekranında, takibi tetikleyen bir önceliğe bağlayın. Bu yaklaşımla, sınırlı satış zamanınızı en olası alıcılara yöneltir; aynı çabayla belirgin biçimde daha çok anlaşma kapatırsınız.