Yapay zeka ile lead skorlama modeli nasıl kurulur?

Kurallı puanlama ile yapay zeka skorlaması arasındaki fark

Kurallı lead puanlamada pazarlama ve satış, hangi davranışa ya da özelliğe kaç puan verileceğine elle karar verir: demo talebi yüksek puan, şirket büyüklüğü uygun ise ek puan gibi. Kurallar kolay anlaşılır ama varsayımlara dayanır ve zamanla eskir.

Yapay zeka ile skorlamada ise puan kuralını insan yazmaz; geçmişte hangi lead'lerin müşteriye dönüştüğünü gösteren veriden bir model öğrenir. Model, hangi özelliklerin ve davranışların dönüşümle ilişkili olduğunu verinin içinden çıkarır ve yeni her lead için bir dönüşüm olasılığı üretir. Bu, insanın göremeyeceği özellik kombinasyonlarını yakalayabilir; karşılığında veri kalitesi, etiketleme ve izleme gerektirir.

İlk soru her zaman şudur: yapay zekaya ihtiyacım var mı? Dönüşen lead sayısı çok azsa ya da veri düzensizse, iyi tasarlanmış kurallı puanlama daha güvenilir olabilir. Yapay zeka, yeterli ve temiz geçmiş veri olduğunda anlamlıdır.

Adım adım model kurmak

Skorlama modeli şu sırayla kurulur: • Hedefi tanımlayın. Skor neyi tahmin edecek? Lead'in satış tarafından kabul edilmesini mi (nitelikli), fırsata dönüşmesini mi, yoksa kazanılmasını mı? Hedef, satış sürecindeki karar noktasıyla uyumlu olmalıdır. • Veriyi toplayın. CRM'den lead kayıtları, kaynakları, şirket bilgileri, pazarlama platformundan e-posta ve site davranışları, satıştan aktivite ve sonuç bilgisi birleştirilir. • Etiketi hazırlayın. Her geçmiş lead için sonuç bilinmeli: dönüştü mü, dönüşmedi mi? Henüz sonuçlanmamış yeni lead'ler eğitim verisine karıştırılmaz. • Özellikleri üretin. Ham veriden model için anlamlı girdiler çıkarılır: kaynağa göre, şirketin sektörü ve büyüklüğü, form doldurma, sayfa ziyaret yoğunluğu, e-posta etkileşimi, ilk yanıt süresi. • Veriyi zamana göre bölün. Eğitim için eski, test için daha yeni lead'leri ayırın. Rastgele bölme, modelin geleceği "görmesine" ve sonucun olduğundan iyi çıkmasına yol açar. • Basit bir modelle başlayın. Lojistik regresyon ya da karar ağacı tabanlı bir yöntem çoğu zaman yeterlidir ve açıklanabilirdir. • Değerlendirin, CRM'e yazın ve izleyin.

Kavramsal örnek:

eğitim = lead'lerin eski dönemi test = lead'lerin yeni dönemi model = lojistik regresyon model eğitim verisinde dönüştü mü etiketini öğrenir skor = modelin test lead'i için ürettiği dönüşüm olasılığı

Modeli nasıl değerlendirirsiniz?

Doğru ölçütü seçmek, modelin işe yarayıp yaramadığını belirler. Dönüşen lead'ler genellikle azınlıktadır; bu yüzden basit "doğru tahmin oranı" yanıltıcıdır, çünkü her lead'e "dönüşmez" diyen bir model de yüksek doğruluk gösterebilir.

Daha anlamlı bakışlar: • Sıralama gücü: Model, dönüşenleri dönüşmeyenlerden ne kadar iyi ayırıyor? Skor yüksek lead'lerin daha çok dönüşmesi beklenir. • Dilim analizi: Lead'leri skora göre sıralayıp üst dilimin gerçek dönüşüm oranını alt dilimle karşılaştırın. İş açısından en anlaşılır kanıt budur. • Hassasiyet ve yakalama dengesi: Eşiği yükseltmek yalnızca çok güvenilir lead'leri seçer ama bazı dönüşenleri kaçırır; düşürmek tersi olur. Eşik, satış ekibinin kapasitesine göre seçilir. • Kurallı puanlama ile kıyas: Yeni model mevcut puanlamadan gerçekten daha iyi mi? • Yeni dönemde doğrulama: Model zaman içinde bozulabilir; yeni gelen verilerde de aynı başarıyı korumalıdır.

Satış ekibi sonuçları kendi sezgisiyle karşılaştırmalıdır. Model, deneyimli temsilcinin "bu lead iyi değil" dediği kayıtlara yüksek skor veriyorsa neden olduğu araştırılır.

Skoru satış sürecine yerleştirmek

Skor tek başına bir sayıdır; değeri davranışı değiştirdiğinde ortaya çıkar. Yerleştirme adımları: • Skoru CRM'de lead kaydında görünür bir alana yazın ve hangi veriyle üretildiğini kısa bir açıklamayla gösterin. Skorun yanında en çok etkileyen birkaç faktörü göstermek güveni artırır. • Skora göre aksiyon kuralı belirleyin: yüksek skorda temsilciye hızlı arama görevi, orta skorda besleme akışı, düşük skorda otomatik ilgi geliştirme. • Skor eşiklerini satış kapasitesiyle uyumlu seçin. Çok geniş yüksek dilim, temsilciyi boğar ve skora güveni düşürür. • Satış ve pazarlama arasında devir kuralı yazın: hangi skorda lead satışa geçer? • Temsilcinin geri bildirim vermesine izin verin. "Bu skor yanlış" işareti hem güveni hem veri kalitesini yükseltir.

Skor güncelleme sıklığı da tasarım kararıdır. Davranışlar saatler içinde değişiyorsa anlık ya da günlük güncelleme anlamlıdır; kurumsal satışta haftalık güncelleme yeterli olabilir.

İzleme, etik ve veri yönetişimi

Model kurulduktan sonra iş bitmez. Müşteri profili, pazarlama kanalları ve ürün değiştikçe geçmişte öğrenilen ilişkiler eskir. İzleme için: • Skor dağılımının zaman içindeki değişimini ve dilim bazlı gerçek dönüşümü düzenli takip edin. • Yeni veriyle modeli belirli aralıklarla yeniden eğitin. • Girdi verisindeki değişiklikleri (yeni form, kaldırılan alan) modele haber verin; sessiz veri değişikliği skorları bozar.

Etik ve yönetişim tarafında: • Kişisel veriyi yalnızca izin verilen amaçlarla kullanın; hangi alanların skora girdiğini belgeleyin. • Önyargı kontrolü yapın. Geçmiş satış kararlarındaki eğilimler (belirli bir bölgeyi ya da sektörü ihmal etmek gibi) modele geçip aynı eğilimi sürdürebilir. • Skorun otomatik karar değil, karar destek aracı olduğunu açıkça belirtin; müşteri hakkında olumsuz sonuç doğuran otomatik uygulamalarda ilgili mevzuatı hukuk ekibiyle gözden geçirin.

Açıklanabilirlik de önemlidir: temsilci neden bu skorun verildiğini anlamazsa, skora güvenmez ve görmezden gelir.

Sık yapılan hatalar

Lead skorlamada tekrar eden hatalar: • Yetersiz ya da dengesiz etiket verisiyle model kurmak. • Sonucu önceden bilmeye yol açan özellikleri kullanmak (veri sızıntısı). Örneğin lead dönüştükten sonra oluşan bir alanı girdi yapmak modeli olduğundan iyi gösterir. • Rastgele veri bölmesiyle değerlendirme yapmak. • Modeli kurmak ama CRM'e ve satış sürecine bağlamamak. • Eşiği satış kapasitesinden bağımsız belirlemek. • Satışın geri bildirimini almamak. • İzlemeyi atlamak. Birkaç ay sonra skorlar anlamını yitirir. • Modelin tek başına satış sorununu çözeceğini sanmak. Zayıf teklif ya da yavaş yanıt, doğru skorla da düzelmez.

Başlangıç için en sağlıklı yol, basit bir model, net bir hedef ve ölçülebilir satış etkisiyle küçük bir pilottur.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

Yapay Zeka Destekli Lead Skorlama eğitimi, lead skorlamanın temelleri, veri altyapısı ve özellik mühendisliği, model seçimi ve eğitimi, CRM entegrasyonu, performans izleme ile yapay zeka etiği ve veri yönetişimi modüllerini kapsar. Satış Ekipleri için Yapay Zeka eğitiminde potansiyel müşteri yönetimi ve CRM analizinde yapay zeka kullanımı ayrı modüllerdir.

Satış operasyonu, pazarlama operasyonu ve gelir operasyonu ekipleri ile veri analistleri için uygundur. Kurumsal ekiplerde hedef tanımı, veri sahipliği ve devir kuralını satış ve pazarlama birlikte yazdığında skor gerçekten kullanılır hale gelir.