Lead Puanlama Modeli Kurulduktan Sonra Neden Bozulur? Kalibrasyon, Puan Erimesi ve Satışla Eşik Uzlaşması
Lead puanlama (lead scoring) üzerine yazılan içeriklerin çoğu kurulum anında biter: hangi unvana kaç puan verilir, fiyat sayfası ziyareti kaç puan eder, eşik kaçta olmalıdır. Oysa sahada gördüğüm asıl sorun kurulumda değil, kurulumdan üç-dört ay sonra ortaya çıkıyor. Model ilk haftalarda heyecanla kullanılıyor, sonra satış ekibi puanlara bakmayı bırakıyor, pazarlama ekibi "SQL sayımız arttı" raporu sunarken satış "yine soğuk lead geldi" diyor. Ben Koray Yalçın olarak lead yönetimi, CRM mimarisi ve dijital pazarlama sistemleri üzerine çalışırken bu döngüyü pek çok kez izledim. Bu yazıda puanlama modelinin neden zamanla bozulduğunu ve onu canlı tutmak için hangi bakım rutinlerinin gerektiğini anlatıyorum.
Puanlama modeli neden "kurulup unutulan" bir şey değildir?
Bir puanlama modeli, belirli bir dönemdeki alıcı davranışının fotoğrafıdır. Siz modeli kurarken elinizdeki kampanyalar, içerikler, hedef kitle ve satış süreci bellidir. Bunların herhangi biri değiştiğinde fotoğraf eskir.
Kampanya karması değişir
Diyelim ki modeli kurduğunuz dönemde lead'lerin çoğu arama motoru reklamlarından ve organik içerikten geliyordu. Bu kanallardan gelen kişiler genellikle aktif bir ihtiyaçla arama yapar; fiyat sayfasını ziyaret etmeleri gerçekten satın alma niyetine işaret eder. Sonra şirket sosyal medya lead formlarına ağırlık verir. Bu kanaldan gelen kişiler daha düşük niyetlidir ama form doldurdukları için aynı açık (explicit) puanları alırlar. Model değişmediği hâlde lead kalitesinin anlamı değişmiştir.
İçerik envanteri değişir
Davranışsal (implicit) puanların önemli bir kısmı içerik etkileşimine dayanır: şablon indirme, rapor okuma, webinar kaydı. Pazarlama ekibi yeni ve çok popüler bir ücretsiz şablon yayınladığında, bu şablonu indirenlerin önemli bir kısmı öğrenci, rakip veya sadece meraklı olabilir. Eski modelde "+20 puan" olan indirme davranışı artık aynı sinyali taşımaz.
Satış süreci değişir
Şirket yeni bir ürün paketi çıkarır, fiyatlandırmayı değiştirir veya hedef segmenti büyük işletmelerden orta ölçekli işletmelere kaydırır. Modelde "50+ çalışan" için verilen yüksek puan artık ideal müşteri profiliyle örtüşmeyebilir.
Bozulmanın erken işaretleri
Model çöktüğünde bunu genellikle bir raporda değil, satış toplantısındaki bir cümlede fark edersiniz. Aşağıdaki işaretler daha erken uyarı verir:
Eşiği geçen lead sayısı artıyor ama kapanan fırsat sayısı yerinde sayıyor. Bu, puanların şiştiğini gösterir.
Satış temsilcileri puana göre sıralama yerine kendi sezgileriyle sıralama yapıyor. CRM'de "son eklenen" görünümünün "en yüksek puan" görünümünden daha çok kullanılması güçlü bir sinyaldir.
Yüksek puanlı lead'lerin ilk görüşmede elenme oranı artıyor. Satış temsilcisinin "uygun değil" olarak kapattığı lead'lerin ortalama puanını izlemek bu yüzden önemlidir.
Puan dağılımı tek bir uca yığılıyor. Lead'lerin büyük kısmı eşiğin hemen üstünde veya hemen altında toplanıyorsa, puan kuralları ayrıştırma gücünü kaybetmiş demektir.
Puan erimesi (decay) kuralını doğru kurmak
Puan erimesi, belirli bir süre etkileşim göstermeyen lead'in puanının düşürülmesidir. Kâğıt üzerinde basit görünür ama en sık hatalı kurulan kuraldır.
Tek tip erime yerine davranışa göre erime
Çoğu kurulumda "30 gün etkileşim yoksa -15 puan" gibi tek bir kural vardır. Daha sağlıklı bir yaklaşım, puanın kaynağına göre farklı erime hızları tanımlamaktır. Unvan, sektör ve şirket büyüklüğü gibi açık bilgiler zamanla değişmez; bunlardan gelen puan erimemelidir. Buna karşılık fiyat sayfası ziyareti veya demo sayfasında geçirilen süre gibi niyet sinyalleri hızla bayatlar. Bu yüzden niyet puanları daha kısa sürede, içerik tüketimi puanları ise daha yavaş erimelidir.
Erime ile yeniden canlanma arasındaki denge
Erime kuralı kadar önemli olan, eski bir lead'in yeniden aktifleştiğinde nasıl ele alınacağıdır. Altı ay önce puanı sıfırlanmış bir lead bugün fiyat sayfasına üç kez dönüyorsa, bu durum yeni bir lead'den daha değerli olabilir; çünkü kişi markayı zaten tanıyordur. Modelde "yeniden canlanma" için ayrı bir tetikleyici tanımlamak, uyuyan veritabanından fırsat çıkarmanın en düşük maliyetli yollarından biridir.
Eşik değer: teknik bir sayı değil, bir uzlaşmadır
Lead'in satışa devredileceği eşik değer (örneğin 50 puan) çoğu zaman pazarlama ekibinin tek başına belirlediği bir sayıdır. Bu, modelin sahiplenilmemesinin ana nedenidir.
Eşiği satışla birlikte belirlemek
Benim önerdiğim yöntem şudur: Son dönemde kapanmış fırsatlar ile kapanmamış veya elenmiş lead'leri yan yana koyun ve her iki grubun, satışa devredildikleri andaki puan dağılımına bakın. Eşik, iki grubun en net ayrıştığı noktaya yakın olmalıdır. Bu analizi satış yöneticisiyle birlikte yapmak, eşiğin "pazarlamanın sayısı" olmaktan çıkıp "ortak sayı" olmasını sağlar.
Tek eşik yerine iki eşik
Pratikte iki eşikli bir yapı daha iyi çalışır. Alt eşiği geçen lead'ler satış geliştirme temsilcisine veya otomatik besleme akışına gider; üst eşiği geçenler doğrudan deneyimli satış temsilcisine atanır. Böylece "eşiğin bir puan altında kaldığı için kimse aramadı" durumları azalır.
Örnek senaryo: üç aylık bakım döngüsü
Aşağıdaki senaryo, açıklama amacıyla kurgulanmış bir örnektir; gerçek bir müşteri verisi değildir.
Orta ölçekli bir B2B yazılım şirketi düşünelim. Model ilk kurulduğunda açık bilgiler toplam puanın yaklaşık yarısını, davranışsal sinyaller diğer yarısını oluşturuyor. Üçüncü ayın sonunda satış ekibi, şablon indiren lead'lerin çoğunun ilk görüşmede elendiğini söylüyor.
Bakım döngüsü şu adımlarla ilerliyor:
Geri bildirim toplama: Satış temsilcilerinden, elenen lead'ler için CRM'de zorunlu bir "eleme nedeni" alanı doldurmaları isteniyor.
Sinyal analizi: Eleme nedenleri ile lead'in puanını oluşturan davranışlar karşılaştırılıyor. Şablon indirmenin tek başına zayıf bir sinyal olduğu, ancak şablon indirip ardından fiyat sayfasını ziyaret edenlerin güçlü aday olduğu görülüyor.
Kural güncelleme: Şablon indirme puanı düşürülüyor; "şablon indirme + yedi gün içinde fiyat sayfası ziyareti" birleşik kuralı için ek puan tanımlanıyor.
Eşik kontrolü: Güncellenmiş model, geçmiş verilere uygulanarak eşiği geçen lead sayısının makul kalıp kalmadığı kontrol ediliyor.
İletişim: Değişiklik satış ekibine kısa bir notla duyuruluyor; böylece temsilciler puanlara yeniden güvenmeye başlıyor.
Bu döngünün en kritik adımı birincisidir. Satıştan yapılandırılmış geri bildirim gelmiyorsa model ancak tahminle güncellenebilir.
Birleşik sinyaller: tek davranıştan çok davranış dizisi
Klasik puanlama modelleri her davranışı bağımsız toplar. Oysa satın alma niyeti çoğu zaman davranışların sırasında gizlidir. Bir vaka çalışması okuyan, ardından entegrasyonlar sayfasına bakan ve sonra fiyat sayfasına gelen kişi, aynı üç sayfayı rastgele sırayla ve haftalar arayla ziyaret eden birinden farklıdır.
Bu yüzden modele kısa zaman penceresi içinde gerçekleşen davranış dizileri için ek puanlar eklemek ayrıştırma gücünü belirgin biçimde artırır. Make.com, n8n veya CRM'in kendi otomasyon motoru üzerinden bu tür kuralları tanımlamak artık teknik olarak zor değildir; asıl zorluk hangi dizilerin anlamlı olduğuna karar vermektir. Bu kararı da yine kapanmış fırsatların geçmiş davranışlarına bakarak vermek gerekir.
Yapay zekâ puanlamayı nerede değiştirir, nerede değiştirmez?
Son dönemde pek çok CRM, makine öğrenmesine dayalı tahmine dayalı puanlama sunuyor. Bu modeller, kural tabanlı puanlamanın bakım yükünü azaltabilir çünkü ağırlıkları geçmiş verilerden kendileri öğrenir. Ancak iki koşul vardır.
Birincisi, yeterli ve temiz veri. Kapanmış fırsat sayısı azsa veya CRM'de kayıt tutarlılığı düşükse, makine öğrenmesi modeli de yanlış örüntüler öğrenir. İkincisi, açıklanabilirlik. Satış temsilcisi bir lead'in neden yüksek puan aldığını göremiyorsa, o puana güvenmez. Bu yüzden ben genellikle hibrit bir yaklaşım öneriyorum: açık bilgiler ve kritik niyet sinyalleri için şeffaf kurallar, ince ayar için ise yapay zekâ destekli bir ek skor.
Gayrimenkul ve uzun satış döngülü sektörlerde dikkat edilecekler
Gayrimenkul gibi karar sürecinin aylar sürebildiği sektörlerde puan erimesi kuralı özellikle dikkatli kurulmalıdır. Konut alıcısı haftalarca hiçbir etkileşim göstermeyip sonra bir anda ciddi bir adım atabilir. Bu sektörde bütçe, satın alma zamanı ve tercih edilen konut tipi gibi açık bilgiler davranışsal sinyallerden daha belirleyici olabilir. Ayrıca WhatsApp gibi kanallardaki yanıt hızı ve konuşma içeriği, web davranışından daha güçlü bir niyet göstergesidir; bu sinyallerin CRM'e aktarılması puanlamanın kalitesini doğrudan etkiler.
Bakım için pratik kontrol listesi
Her ay eşiği geçen lead sayısını ve bunlardan fırsata dönüşenlerin oranını izleyin.
Her üç ayda bir satış ekibiyle eleme nedenlerini gözden geçirin.
Yeni bir kampanya kanalı veya içerik türü eklendiğinde ilgili puan kurallarını yeniden değerlendirin.
Açık bilgiler için erime kuralı uygulamayın; niyet sinyallerini hızlı, içerik sinyallerini yavaş eritin.
Model değişikliklerini sürüm notu gibi kayıt altına alın; böylece performans değişimlerini hangi güncellemenin yarattığını görebilirsiniz.
Sonuç
Lead puanlama, pazarlama ile satış arasında ortak bir dil kurmanın en etkili araçlarından biridir; ama bu dil ancak düzenli bakımla canlı kalır. Kurulum gününde mükemmel görünen bir model, kampanya karması, içerik envanteri ve satış süreci değiştikçe sessizce bozulur. Benim deneyimimde başarılı ekipleri ayıran şey daha karmaşık bir model değil, satıştan gelen yapılandırılmış geri bildirimi düzenli olarak modele geri besleyen bir bakım rutinidir.
Sıkça Sorulan Sorular
Lead puanlama modeli ne sıklıkla güncellenmelidir?
Genel bir başlangıç noktası olarak üç ayda bir kapsamlı gözden geçirme ve aylık kısa bir performans kontrolü önerilir. Yeni bir kampanya kanalı açıldığında veya hedef segment değiştiğinde ise beklemeden güncelleme yapılmalıdır.
Puan erimesi tüm puanlara uygulanmalı mı?
Hayır. Unvan, sektör ve şirket büyüklüğü gibi açık bilgiler zamanla değişmediği için bunlardan gelen puanın erimesi gerekmez. Erime kuralı, fiyat sayfası ziyareti gibi zamanla bayatlayan davranışsal sinyallere uygulanmalıdır.
Eşik değeri kim belirlemelidir?
Eşik değer pazarlama ve satış ekiplerinin birlikte belirlemesi gereken bir sayıdır. En sağlıklı yöntem, kapanmış ve elenmiş lead'lerin devredildikleri andaki puan dağılımlarını birlikte incelemektir.
Yapay zekâ destekli puanlama kural tabanlı puanlamanın yerini alır mı?
Tamamen almaz. Yapay zekâ ağırlıkların ince ayarında güçlüdür ama yeterli ve temiz veri ister; ayrıca satış ekibinin güvenmesi için puanın nedeninin görünür olması gerekir. Bu yüzden hibrit bir yaklaşım çoğu ekip için daha uygundur.
Modelin bozulduğunu en erken nasıl fark ederim?
Eşiği geçen lead sayısı artarken fırsata dönüşüm oranının düşmesi ve satış temsilcilerinin puan sıralaması yerine kendi sıralamalarını kullanmaya başlaması en erken uyarı işaretleridir.
Yazar: Koray Yalçın — Dijital pazarlama, CRM ve lead yönetimi sistemleri üzerine çalışan sistem mimarı.
Comments