AI lead scoring, CRM geçmişi, davranış ve firma verilerini kullanarak potansiyel müşterileri dönüşüm olasılıklarına göre sıralayan bir modeldir. Temel riskleri; önyargılı eğitim verileri, sessiz sapma, şeffaf olmayan mantık ve satış ekiplerinin aşırı güvenidir. Yönetişim lansmandan önce yerleştirilmelidir: veri kuralları, sahiplik, gözden geçirme sıklığı, geçersiz kılma hakları ve skorun neye karar vermesine izin verildiğine dair net bir kayıt.
AI lead scoring aslında ne yapar?
Geleneksel skorlama manuel olarak puan ekler: fiyat sayfası ziyareti için on, unvan için yirmi, ücretsiz e-posta alanı için eksi beş. AI skorlaması, bu manuel ağırlıkları geçmiş potansiyel müşteriler ve sonuçları üzerinde eğitilmiş bir modelle değiştirir. HubSpot, Salesforce Einstein, Microsoft Dynamics 365 ve Zoho CRM’in hepsi yerleşik tahminleyici skorlama sunar ve birçok ekip kendi skorlama sistemini bir veri ambarı ve basit bir sınıflandırma modeliyle oluşturur.
Çıktı genellikle bir sayı veya A’dan D’ye kadar bir banttır ve katkıda bulunan faktörlerin kısa bir listesini içerir. Satış ekibi bunu ilk kimi arayacağına karar vermek için kullanır. Pazarlama ekibi ise bir potansiyel müşterinin ne zaman “satışa hazır” olduğuna karar vermek için kullanır.
Lansmandan önce neden yönetişim gereklidir?
Bir skor nesnel hissettirir, bu yüzden insanlar ona gerektiğinden fazla güvenir. Temsilciler düşük skorlu potansiyel müşterileri atlamaya başladığında, modelin hataları görünmez hale gelir: kimse onun düşük puan verdiği müşterileri aramaz, bu yüzden kimse onların satın alacağını öğrenemez. Bu geri bildirim boşluğu, kuralları önce belirlemenin en büyük nedenidir.
Ayrıca yasal bir boyutu da vardır. GDPR ve Türkiye’nin KVKK’sı gibi benzer kurallar altında, bireylerin otomatik profillenmesi yasal bir temel ve şeffaflık gerektirir ve bir kişi üzerinde önemli etkileri olan kararlar ek yükümlülükler getirir. Şirket kontaklarının B2B skorlaması genellikle daha düşük risklidir, ancak yine de kişisel veri işleme kapsamındadır.
Ana riskler nelerdir?
Önyargılı geçmiş
Model geçmişte kimin satın aldığından öğrenir. Satış ekibiniz geçmişte belirli bölgeleri, şirket boyutlarını veya sektörleri görmezden geldiyse, model bu segmentlerin dönüşmediğini öğrenecek ve onları düşük bantta tutacaktır.
Veri sapması
Alıcı davranışı değişir. Yeni bir ürün grubu, fiyat değişikliği veya farklı bir reklam kanalı, eğitim setine benzemeyen potansiyel müşteriler getirir. Skor hala kendinden emin göründüğü için doğruluk kimse fark etmeden aylarca düşebilir.
Sızıntı ve yanlış sinyaller
Bazı alanlar yalnızca bir anlaşma ilerledikten sonra doldurulur, örneğin “sözleşme gönderildi” tarihleri. Eğer bunlar eğitime sızarsa, model test sırasında parlak görünür ancak üretimde başarısız olur. Dikkatli özellik seçimi bunu önler.
Aşırı otomasyon
Skoru potansiyel müşterileri otomatik reddetmek veya beslemeyi durdurmak için kullanmak, bir sıralama aracını bir kapı bekçisine dönüştürür. Bu bir politika kararıdır ve bilinçli olarak alınmalıdır.
Hangi yönetişim kurallarını önce yazmalısınız?
Kural kitabını insanların okuyabileceği kadar kısa tutun. Bu yedi madde, yanlış giden şeylerin çoğunu kapsar.
- Amaç: skorun neye karar verdiği (arama sırası) ve neye karar vermediği (bir potansiyel müşteriyle hiç iletişime geçilip geçilmeyeceği) hakkında bir cümle.
- Veri envanteri: modelin kullanabileceği alanların listesi, hassas veya vekil alanlar hariç.
- Sahip: değişiklikleri onaylayan ve soruları yanıtlayan gelir operasyonlarında atanmış bir kişi.
- Geçersiz kılma hakkı: temsilciler bir potansiyel müşteriyi bir nedenle yukarı veya aşağı taşıyabilir ve bu geçersiz kılmalar günlüğe kaydedilir.
- Kontrol grubu: potansiyel müşterilerin küçük bir rastgele payı, skordan bağımsız olarak işlenir, böylece modelin neyi kaçırdığını ölçmeye devam edersiniz.
- Gözden geçirme sıklığı: aylık doğruluk kontrolü ve üç aylık yeniden eğitim kararı.
- Şeffaflık: profillemeyi belirtmek için güncellenmiş gizlilik bildirimi ve veri sahibi talepleri için bir yol.
Modelin hala çalıştığını nasıl anlarsınız?
Herhangi bir tahmin gibi ölçün. Tahmin edilen bantları, doksan gün önce oluşturulan potansiyel müşteriler gibi kapalı bir dönemdeki gerçek sonuçlarla karşılaştırın.
- Skor bandına göre dönüşüm oranı: A, B’yi; B ise C’yi açıkça geçmelidir.
- Alt bantlardan gelen kapalı-kazanılmış anlaşmaların payı.
- Skorlanmış potansiyel müşterilere karşı kontrol grubu dönüşümü.
- Geçersiz kılma sıklığı ve geçersiz kılınan potansiyel müşterilerin dönüşüp dönüşmediği.
Dönüşüm bant bazında net bir şekilde ayrılmayı durdurursa veya alt bantlar anlamlı bir kazanç payı üretmeye başlarsa, model yeniden eğitime veya özellik gözden geçirmesine ihtiyaç duyar.
Kabul etmeniz gereken limitler nelerdir?
Hiçbir skorlama modeli, verisi olmayan bir niyeti göremez. Sitenizi ziyaret etmeden önce çevrimdışı olarak üç rakip incelemesi okuyan bir potansiyel müşteri size soğuk görünür. Az sayıda kapalı anlaşması olan küçük işletmeler de güvenilir eğitim için geçmişten yoksundur; yılda sadece birkaç düzine kazançla, iyi tasarlanmış kural tabanlı bir skorlama genellikle tahminleyici olandan daha dürüsttür.
Satıcı modelleri başka bir limit ekler. Yerleşik CRM skorlaması tam özellik ağırlıklarını göstermeyebilir, bu yüzden özet açıklamalara güvenirsiniz. Yukarıdaki sonuç kontrollerini sürdürürseniz bu kabul edilebilirdir.
Alien Road, AI lead scoring’i CRM projelerinde nasıl uygular
Tipik bir çalışmada keşif, CRM verilerinin kendisiyle başlar: kaç kapalı anlaşma var, hangi alanlar güvenilir bir şekilde doldurulmuş ve tarihsel önyargının nerede olması muhtemel. Veriler zayıfsa, ekip önce kural tabanlı bir skorlama önerir ve yeterli sonuç biriktiğinde tahminleyici skorlamaya geçişi planlar.
Kurulum, yukarıdaki yönetişim listesini müşterinin imzaladığı kısa bir belge, alan seçimi, bir kontrol grubu ve HubSpot veya Salesforce’taki panel görünümleri olarak kapsar. Satış liderleri, skorun ne anlama geldiği ve ne anlama gelmediği konusunda bilgilendirilir.
Ölçüm aylık bir rapordur: bant bazında dönüşüm, kontrol grubu karşılaştırması, geçersiz kılmalar ve sapma sinyalleri. Her çeyrekte ekip ve müşteri birlikte yeniden eğitip eğitmeyeceğine, özellikleri ayarlayıp ayarlamayacağına veya modeli olduğu gibi bırakıp bırakmayacağına karar verir.
Kısa bir senaryo: yönetişim neyi önler
Üreticilere satış yapan bir yazılım şirketi hayal edin. Geçmiş kazançları çoğunlukla İstanbul ve İzmir’deki büyük firmalardan geliyordu, çünkü kurucu satış ekibi orada yaşıyordu. Bu geçmiş üzerinde eğitilmiş tahminleyici bir skor, Anadolu sanayi şehirlerindeki orta ölçekli firmaları sessizce C bandına iter. Temsilciler önce A bandını işler, alt bantlar daha yavaş takip edilir ve bir yıl sonra veriler bu firmaların satın almadığını doğrular gibi görünür.
Kontrol grubu bu döngüyü kırar. Potansiyel müşterilerin rastgele bir dilimi skordan bağımsız olarak işlendiği için ekip, kontrol grubundaki orta ölçekli firmaların sağlıklı bir oranda dönüştüğünü görebilir. Bu kanıt bir özellik gözden geçirmesini tetikler ve bölgesel önyargı, stratejiye dönüşmeden önce düzeltilir. Kural olmasaydı, kimse fark etmezdi.
Bu hafta nereden başlamalı
Skorunuz için bir cümlelik amaç beyanını yazın ve satış ekibiyle paylaşın. Ardından skorlama aracınızın kullandığı alanların bir listesini çıkarın ve bir anlaşma ilerledikten sonra bilinecek her şeyi kaldırın. Son olarak, normal şekilde işlenmesi için yeni potansiyel müşterilerden oluşan küçük bir rastgele kontrol grubu ayırın. Bu üç adım neredeyse hiçbir şeye mal olmaz ve sonraki her kararı ölçülebilir kılar.
Okumaya devam edin: CRM Sistemi · Crm Sistemi