Bir müşteriye 100 üzerinden bir puan vermek kolaydır. Zor olan, o puanın gerçekten anlamlı olmasını sağlamaktır. Bir müşterinin satın alma potansiyelini değerlendirmek için yalnızca web sitesini ziyaret edip etmediğine veya bir form doldurup doldurmadığına bakmak çoğu zaman yeterli değildir.
Giriş
Çünkü müşteri hakkında şirketin farklı noktalarında çok sayıda veri bulunabilir: ilk temas bilgileri, izinler, müşteri profili, satış görüşmeleri, görüşme notları, ürün ilgisi, web sitesi davranışları, teklif geçmişi, satın alma geçmişi, müşteri hizmetleri görüşmeleri, rakip bilgileri, bütçe ve zamanlama, geçmişteki aksiyonlar.
Asıl problem çoğu zaman veri eksikliği değil, bu verilerin birbirinden kopuk olmasıdır. Yapay zekâ destekli lead scoring'in önemli avantajlarından biri, farklı kaynaklardan gelen bu verileri birlikte değerlendirerek müşterinin mevcut durumuna ilişkin daha bütünsel bir değerlendirme oluşturabilmesidir.
Her Veri Aynı Değerde Değildir
Bir müşterinin web sitesine girmesi tek başına çok güçlü bir satın alma sinyali olmayabilir. Ancak şu şekilde ilerleyen bir davranış dizisi çok daha anlamlıdır:
Web sitesini ziyaret etti → ürün sayfasını inceledi → fiyatlandırmaya baktı → demo istedi
Benzer şekilde "Ürünü beğendi" şeklindeki bir görüşme notu tek başına yeterli olmayabilir. Fakat "Ürünü beğendi, mevcut sözleşmesi Aralık'ta bitiyor ve iki rakipten de teklif aldı" çok daha güçlü bir ticari sinyaldir. Bu nedenle AI scoring sisteminin amacı yalnızca veri toplamak değil, verinin bağlamını anlamaktır.
1. Müşteri Profili Verileri
Bunlar müşterinin kim olduğunu anlamaya yardımcı olur: sektör, şirket büyüklüğü, çalışan sayısı, lokasyon, faaliyet alanı, müşteri segmenti, mevcut teknoloji altyapısı ve şirketin ihtiyaçları. Bu veriler özellikle Customer Potential ve Fit Score açısından değerlidir. Bu iki kavramın ayrımı için AI Lead Scoring Nedir? yazımızı inceleyebilirsiniz.
2. Entaveri'den Gelen Veriler
Entaveri gibi müşteriyle ilk temas sırasında veri toplayabilen bir sistem burada önemli bir avantaj sağlayabilir. Örneğin müşteri;
- iletişim izni,
- tercihleri,
- ürün ilgisi,
- kullanım alışkanlıkları,
- meslek,
- eğitim durumu,
- sosyoekonomik profil,
- dinamik form yanıtları
gibi bilgileri paylaşmış olabilir. Bu veriler yalnızca izin yönetimi amacıyla tutulmak zorunda değildir. Yetki, amaç ve KVKK gereklilikleri gözetilerek uygun şekilde kullanıldığında müşteri profilinin daha iyi anlaşılmasına ve segmentasyonuna katkı sağlayabilir. Bu nedenle Entaveri ile başlayan veri toplama süreci, EntaLead'deki müşteri profilinin ilk veri katmanlarından biri haline gelebilir.
3. Satış Görüşmeleri
Burası AI'ın özellikle güçlü olabileceği alanlardan biridir. Satış temsilcisi müşterinin söylediklerini doğal dilde CRM'e yazabilir. Örneğin: "Müşteri çözümle ilgileniyor ancak şu anda mevcut sağlayıcısıyla devam ediyor. Sözleşmesi yaklaşık dört ay sonra bitiyor. Fiyat konusunda hassaslar." AI bu metinden şu yapılandırılmış verileri çıkarabilir:
| Alan | Çıkarılan değer |
|---|---|
| Ürün ilgisi | Yüksek |
| Mevcut sağlayıcı | Var |
| Sözleşme durumu | Devam ediyor |
| Tahmini zamanlama | 4 ay |
| Fiyat hassasiyeti | Yüksek |
Bu nedenle görüşme notları yalnızca CRM geçmişi değil, scoring motorunun önemli veri kaynaklarından biri olabilir. Notların nasıl yapılandırıldığına dair ayrıntılar için Satış Temsilcisinin Yazdığı Notu Yapay Zekâ Nasıl Değerli CRM Verisine Dönüştürür? yazımıza bakabilirsiniz.
4. Dijital Davranışlar
Müşterinin şirketinizle dijital ortamda nasıl etkileşime girdiği de önemli sinyaller üretebilir: ürün sayfası ziyaretleri, fiyatlandırma sayfası görüntüleme, içerik indirme, demo talebi, e-posta etkileşimi, chatbot görüşmeleri ve tekrar ziyaretler.
Ancak burada önemli olan yalnızca tekil hareketler değil, davranış örüntüleridir. Bir müşterinin fiyat sayfasına bir kez bakması ile son iki hafta içerisinde beş kez fiyatlandırmayı incelemesi aynı anlamı taşımaz.
5. Satın Alma Geçmişi
Mevcut veya geçmiş müşterilerde daha önce alınan ürünler, satın alma sıklığı, sözleşme yenilemeleri, satın alma tutarları, ürün kullanım durumu ve çapraz satış fırsatları gibi bilgiler scoring için önemli olabilir. Örneğin mevcut bir müşterinin belirli bir ürünü kullanması, başka bir ürün için yüksek potansiyel oluşturabilir.
6. Rekabet Verisi
Müşteri başka bir sağlayıcıyla görüşüyor mu? Rakipten teklif aldı mı? Rakibin hangi avantajını önemsiyor? Rakibin fiyatı mı daha düşük? Bizim çözümümüz hangi noktada daha güçlü? Bunlar scoring açısından son derece önemli olabilir.
Çünkü "yüksek potansiyel + düşük intent" tek başına "bekle" anlamına gelmeyebilir. Eğer rekabet riski yüksekse müşteriyle yeniden temas kurulması gerekebilir.
7. Zamanlama Verisi
Müşterinin ne zaman satın alabileceği bilgisi de scoring'in önemli parçalarından biridir: sözleşme bitiş tarihi, bütçe dönemi, yatırım planı, proje başlangıç tarihi, satın alma komitesi toplantısı, ihale tarihi. Bu bilgiler müşterinin satın alma eğiliminin zaman içerisinde nasıl değişebileceğini anlamaya yardımcı olabilir.
8. Verinin Güncelliği
Çok önemli ancak çoğu CRM sisteminde yeterince dikkate alınmayan bir başka unsur da verinin yaşıdır. Müşterinin rakip durumu 18 ay önce öğrenilmiş olabilir, bütçesi bir yıl önce belirlenmiş olabilir, satın alma zamanlaması altı ay önce değişmiş olabilir. Dolayısıyla verinin doğru olması kadar güncel olması da önemlidir.
AI'ın "bu müşterinin satın alma eğilimi düşük" demesinden önce şu soruyu da değerlendirmesi gerekir: "Bu değerlendirmeyi yapmak için kullandığım bilgiler ne kadar güncel?"
AI'ın Gücü Verileri Birleştirmekte Ortaya Çıkar
Asıl değer tek tek veri kaynaklarında değil, bunların birlikte değerlendirilmesindedir. Örneğin:
| Kaynak | Sinyal |
|---|---|
| Entaveri | Müşteri ürün kategorisiyle ilgileniyor. |
| CRM | Daha önce benzer ürün için görüşme yapılmış. |
| Görüşme notu | Sözleşme 3 ay sonra bitiyor. |
| Web davranışı | Son iki haftada fiyat sayfası üç kez ziyaret edilmiş. |
| Rakip bilgisi | Bir rakiple görüşülmüş. |
Bu veriler ayrı ayrı değerlendirildiğinde farklı anlamlar taşır. AI bunları birlikte değerlendirdiğinde "Müşteri satın alma değerlendirmesine yaklaşmış olabilir ve rekabet riski yükseliyor" sonucuna ulaşabilir. Ardından Next Best Action olarak "müşteriyle yeniden temas kurulması öneriliyor" diyebilir.
En İyi Scoring Sistemi En Çok Veriyi Kullanan Sistem Değildir
Burada önemli bir yanlış anlaşılmayı önlemek gerekir. Daha fazla veri her zaman daha iyi scoring anlamına gelmez. Önemli olan doğru veriyi, doğru zamanda, doğru bağlamda kullanabilmektir.
Gereksiz veya düşük kaliteli veriler modele dahil edildiğinde scoring sistemi daha karmaşık hale gelebilir ancak daha doğru hale gelmeyebilir. Bu nedenle veri kalitesi, veri güvenilirliği ve veri güncelliği en az veri miktarı kadar önemlidir.
Sonuç
AI lead scoring'in başarısı yapay zekânın tek başına ne kadar güçlü olduğundan çok, hangi verilerle beslendiğine ve bu verileri nasıl anlamlandırdığına bağlıdır. Müşteri profili, Entaveri verileri, satış görüşmeleri, CRM geçmişi, dijital davranışlar, satın alma geçmişi, zamanlama ve rekabet bilgileri birlikte değerlendirildiğinde müşterinin çok daha kapsamlı bir resmi ortaya çıkabilir.
Böylece CRM "müşterinin bilgilerini saklayan sistem" olmaktan çıkar; "müşterinin ticari durumunu anlamaya çalışan sistem" haline gelir. Ve AI'ın asıl değeri burada ortaya çıkar: veriyi çoğaltmak değil, dağınık veriden anlam çıkarmak.
Müşteri verilerinizi tek bir değerlendirme modelinde birleştirmek için EntaLead çözümümüzü inceleyebilir ya da bizimle iletişime geçebilirsiniz.
Bu içerik genel bilgilendirme amacıyla hazırlanmıştır. Yazıdaki örnek veriler ve senaryolar temsilîdir; müşteriden toplanan verilerin scoring ve segmentasyon amacıyla kullanılması, alınan izinler, veri işleme amaçları ve yürürlükteki mevzuat çerçevesinde değerlendirilmelidir.
Uyum ve İzin Süreçlerinizi Tek Panelden Yönetin
Entaveri ile KVKK, ETK, İYS ve çerez yönetimi süreçlerinizi mevzuata uygun biçimde kurun.
Demo İçin İletişime Geç