Lead Skorlama: Potansiyel Müşterileri Puanlayarak Önceliklendirmek

Lead skorlama nedir?

Lead skorlama (lead scoring), potansiyel müşterilere (lead), satın almaya ne kadar uygun ve ne kadar hazır olduklarına göre puan vererek satış ekibinin hangi kişiyle önce ilgilenmesi gerektiğini belirleme yöntemidir. Her lead için çıkan puan, satış ve pazarlama ekiplerinin ortak bir önceliklendirme dili kullanmasını sağlar.

Puan genellikle başlıca iki kaynaktan beslenir. Birincisi, leadin kim olduğunu anlatan profil bilgileridir (sektör, şirket büyüklüğü, unvan). İkincisi, leadin ne yaptığını anlatan davranış verileridir (siteyi ziyaret etme, e-postayı açma, form doldurma, demo talep etme).

Nasıl çalışır?

Lead skorlama, kural tabanlı ya da veri odaklı kurulabilir.

• Kural tabanlı: Satış ve pazarlama ekibi, hangi özelliğin ve hangi davranışın kaç puan ekleyeceğini elle tanımlar. Karar vericiyle ilişkili bir unvan ya da fiyat sayfasını ziyaret etmek yüksek puan alırken, ilgisiz bir sektörden gelmek puan düşürür.
• Veri odaklı (tahmine dayalı): Geçmişte satışa dönüşen ve dönüşmeyen leadlerin verisinden öğrenen bir model, yeni leadin satışa dönme olasılığını tahmin eder. Yapay zeka destekli lead skorlama bu yaklaşımı kullanır.

Her iki yaklaşımda da süreç benzerdir: veri toplanır, puanlama kuralı ya da model oluşturulur, puan eşikleri belirlenir ve eşiği aşan lead satışa devredilir. Sonuçlar düzenli olarak gerçek satış sonuçlarıyla karşılaştırılır ve puanlama güncellenir.

Küçük bir örnek

Örneğin kurumsal eğitim satan bir şirket, web sitesinden gelen talepleri puanlıyor olsun. Karar verici konumundaki bir unvan, hedef sektörde bir şirket ve program detay sayfasını birden fazla kez ziyaret etmiş olmak puanı yükseltir. Yalnızca bir blog yazısını okuyup çıkan, hedef dışı sektörden gelen kişi düşük puan alır.

Yüksek puanlı leadler hemen satış temsilcisine yönlendirilir; orta puanlılar e-posta serisiyle beslenir; düşük puanlılar ise ilgi gösterene kadar bekletilir. Böylece satış ekibi sınırlı zamanını, satışa en yakın kişilere ayırır.

Skorlama modelinde hangi veriler kullanılır?

• Demografik ve firmografik veri: Unvan, sektör, şirket büyüklüğü, bölge.
• Davranış verisi: Sayfa ziyaretleri, içerik indirmeleri, e-posta etkileşimi, webinar katılımı, demo ya da fiyat talebi.
• Kaynak bilgisi: Leadin hangi kanaldan geldiği.
• Olumsuz sinyaller: Abonelikten çıkma, uzun süre etkileşimsizlik, uygun olmayan iletişim bilgisi.

Tahmine dayalı modellerde bu girdilerden özellik mühendisliği ile yeni göstergeler türetilir; örneğin son dönemdeki ziyaret sıklığı. Veri kalitesi, modelin doğruluğunu doğrudan belirler; eksik ve tutarsız CRM kayıtları puanı yanıltır. Kişisel veri kullanımı da uygun hukuki dayanakla ve veri yönetişimi kurallarına uyularak yapılmalıdır.

Sık yapılan hatalar

• Satış ekibini sürece katmamak: Puanın neyi ifade ettiğini satış temsilcileri kabul etmezse sistem kullanılmaz.
• Tek bir eşik koyup bırakmak: Satış sonuçları izlenmeden puanlama zamanla gerçeklikten kopar.
• Davranışı profile tercih etmek ya da tersini yapmak: İkisi birlikte değerlendirilmediğinde ilgili ama uygun olmayan ya da uygun ama ilgisiz leadler öne çıkar.
• Puanı kesin hüküm saymak: Puan, olasılık göstergesidir; insan değerlendirmesinin yerine geçmez.
• Veri kalitesini ihmal etmek: Hatalı kayıtlar yanlış öncelik üretir.

İlişkili kavramlardan farkı

Lead skorlama, satış hunisinin üst kısmında önceliklendirme yapar. Ideal müşteri profili (ICP), kimlerin hedef kitle olduğunu tanımlar ve skorlama kurallarının dayanağı olur. Satış boru hattı yönetimi ise leadin satışa devredildikten sonraki aşamalarını izler. Lead skorlama ile fırsat (opportunity) skorlaması farklıdır: biri henüz nitelendirilmemiş potansiyel müşteriyi, diğeri açık bir satış fırsatını değerlendirir.

Mindset programlarında nerede çalışılır?

Yapay Zeka Destekli Lead Skorlama programının müfredatında şu başlıklar yer alır: • Lead Skorlamanın Temelleri • Veri Altyapısı ve Özellik Mühendisliği • Yapay Zeka Model Seçimi ve Eğitimi • CRM Entegrasyonu ve Satış Sürecine Yerleştirme • Model Performansını İzleme ve Güncelleme • Yapay Zeka Etiği ve Veri Yönetişimi