Lead Skorlama Modeli Neden Zamanla Bozulur? B2B Pazarlama Otomasyonunu Canlı Tutmanın Yolları

B2B şirketlerinde pazarlama otomasyonu projeleri genellikle büyük bir heyecanla başlar: araç seçilir, formlar bağlanır, bir puanlama tablosu hazırlanır ve ilk ay satış ekibine "artık sadece sıcak adaylar gelecek" sözü verilir. Altı ay sonra ise tablo çoğu zaman değişmiştir. Satış temsilcileri MQL listesine güvenmez, pazarlama ekibi "lead'lerimizi aramıyorlar" diye şikâyet eder, skorlar ise kimsenin bakmadığı bir sütuna dönüşür. Ben, Koray Yalçın olarak lead yönetimi, CRM kurgusu ve dijital pazarlama projelerinde bu döngüyü defalarca gördüm. Sorun nadiren aracın kendisidir; sorun, skorlama modelinin bir kez kurulup unutulan statik bir tablo olarak ele alınmasıdır.

Bu yazıda lead skorlama ve lead nurturing mimarisini "nasıl kurulur" sorusundan çok "neden zamanla bozulur ve nasıl canlı tutulur" sorusu üzerinden ele alıyorum. Amaç, pazarlama liderlerinin ve RevOps ekiplerinin kendi modellerini denetleyebileceği pratik bir çerçeve sunmak.

Skorlama modeli bir tablo değil, bir hipotezdir

Bir lead skorlama modeli kurduğunuzda aslında şu iddiada bulunursunuz: "Şu özelliklere sahip ve şu davranışları gösteren kişiler, diğerlerine göre satın almaya daha yakındır." Bu bir hipotezdir ve her hipotez gibi veriyle test edilmesi gerekir. Kurulum günü verdiğiniz puanlar, ekibin deneyimine dayanan tahminlerdir. Karar verici unvanına +30, fiyat sayfası ziyaretine +25 vermek mantıklı görünebilir; ama sizin pazarınızda gerçekten kapanan fırsatların geçmişine bakmadan bu sayılar sadece birer başlangıç noktasıdır.

Bu yüzden sağlıklı bir mimaride iki eksen birbirinden ayrı tutulur: kişinin ve şirketin hedef profile uygunluğunu ölçen uyum (fit) skoru ve ilgisini, niyetini ölçen davranış skoru. İki ekseni tek sayıda birleştirmek kolaydır ama tehlikelidir; çünkü bütçesi olmayan ama her e-postayı açan bir öğrenci ile hiç e-posta açmayan ama fiyat sayfasında uzun süre kalan bir genel müdür aynı toplam puana ulaşabilir. Eşik kuralında her iki eksenden de asgari bir puan şartı koymak, bu yanılgının önüne geçen en basit korumadır.

Modelin bozulmasının beş yaygın nedeni

1. Puan enflasyonu

Davranış puanları sadece eklenir, hiç azalmazsa zamanla herkes "sıcak" görünür. İki yıl önce bir rehber indirip bir daha siteye uğramayan kişi, birikmiş puanlarıyla bugün MQL listesinde durabilir. Çözüm, zamanla azalan puan (decay) kuralıdır: örneğin belirli bir süre hareketsiz kalan kişinin davranış skorundan düzenli olarak puan düşmek. Uyum skoru ise azalmaz; şirket büyüklüğü veya unvan değişmedikçe sabit kalmalıdır.

2. Yanlış sinyallere puan vermek

E-posta açılma oranı, gizlilik özellikleri ve otomatik ön yükleme nedeniyle artık güvenilir bir niyet göstergesi değildir. Kariyer sayfasını ziyaret eden bir aday da satın alıcı değil, iş arayan olabilir. Model, gerçek satın alma niyetiyle ilişkili sinyallere ağırlık vermelidir: fiyat veya paket sayfası ziyareti, demo talebi, vaka analizi okuma, ürün karşılaştırma içerikleri, tekrar eden ziyaretler. Ayrıca negatif sinyaller de modele girmelidir: rakip şirket alan adları, öğrenci e-postaları, hedef dışı ülkeler veya sektörler.

3. Satıştan geri bildirim gelmemesi

Skorlama modelinin öğrenebilmesi için satış ekibinin her MQL'i bir sonuçla kapatması gerekir: kabul edildi, reddedildi (neden?), fırsata dönüştü, kaybedildi. "Ulaşılamadı" veya "ilgilenmiyor" gibi kodlar standart değilse model hiçbir zaman neyin yanlış gittiğini göremez. CRM'de zorunlu, sınırlı sayıda seçenekten oluşan bir red nedeni alanı, bu geri bildirim döngüsünün temelidir.

4. Pazar ve ürün değişikliği

Şirket yeni bir segmente açıldığında, fiyatlandırmayı değiştirdiğinde veya yeni bir ürün çıkardığında ideal müşteri profili de değişir. Eski profile göre kurulmuş uyum skoru, yeni hedef kitledeki doğru adayları düşük puanlayabilir. Bu yüzden ürün ve pazar kararları ile skorlama modeli aynı takvimde gözden geçirilmelidir.

5. Eşiğin politik olarak belirlenmesi

MQL eşiği bazen veriye göre değil, hedeflere göre ayarlanır: "Bu çeyrek daha fazla MQL göstermemiz lazım" baskısıyla eşik düşürülür. Sonuç, satış ekibine daha fazla ama daha kötü aday gitmesi ve güvenin daha da azalmasıdır. Eşik, satış ekibinin kapasitesi ve geçmiş dönüşüm verisiyle belirlenmeli, değişiklikler kayıt altına alınmalıdır.

Nurturing akışlarını skorla konuşturmak

Lead nurturing, adaya sürekli "bizden satın alın" demek değildir; kararı zorlaştıran soruları ve riskleri sırayla ortadan kaldırma sürecidir. İyi bir mimaride nurturing akışları ile skorlama birbirinden bağımsız çalışmaz. Örneğin:

• Yüksek uyum, düşük ilgi: Hedef profile tam uyan ama henüz aktif olmayan karar vericiler için eğitici, sektöre özel içerik serisi; amaç ilgi uyandırmak.
• Düşük uyum, yüksek ilgi: Çok etkileşimli ama profile uymayan kişiler için satışa yönlendirme değil, kendi kendine hizmet kaynakları; satış ekibinin vaktini korumak.
• Yüksek uyum, yüksek ilgi: Akıştan çıkarıp doğrudan satış temsilcisine görev açmak; burada hız her şeydir.
• Satıştan geri dönenler: "Henüz hazır değil" olarak işaretlenen adaylar silinmez, daha seyrek tempolu bir besleme listesine alınır ve skorları yeniden izlenir.

Bu dört kutulu yaklaşımın avantajı, her adayın neden belirli bir mesajı aldığının açıklanabilir olmasıdır. Açıklanabilirlik, hem ekip içi güveni hem de denetimi kolaylaştırır.

Pazarlama ve satış arasında yazılı mutabakat

Otomasyon ne kadar iyi kurulursa kurulsun, pazarlama ve satış arasında yazılı bir hizmet seviyesi anlaşması (SLA) yoksa sistem ilk yoğun haftada çöker. Bu anlaşmada en az üç konu net olmalıdır: MQL'e ilk dönüş süresi, bir adayı kapatmadan önce yapılacak asgari temas sayısı ve kanalları, ve reddedilen adayların otomasyona nasıl geri döneceği. Benim deneyimimde en çok ihmal edilen madde sonuncusudur. Reddedilen her aday aslında bir veri noktasıdır; sistem bu veriyi geri almazsa model kör kalır.

Üç aylık model denetimi için pratik kontrol listesi

Skorlama modelini canlı tutmanın en basit yolu, belirli aralıklarla aynı soruları sormaktır. Aşağıdaki liste her çeyrekte uygulanabilir:

1. Son dönemde kazanılan fırsatların ilk MQL anındaki skorları neydi? Eşiğin altında kalıp yine de kazanılanlar var mı?
2. MQL olup satış tarafından reddedilen adayların en sık red nedenleri neler? Bu nedenler uyum skorundaki bir kriterle mi ilgili?
3. En çok puan kazandıran beş davranış, gerçekten fırsata dönüşen adaylarda daha sık görülüyor mu?
4. Hareketsiz adayların puanı beklendiği gibi azalıyor mu, yoksa listede birikmiş eski kayıtlar mı var?
5. Yeni ürün, segment veya fiyatlandırma değişikliği ideal müşteri profilini etkiledi mi?
6. Satış ekibinin haftalık kapasitesi ile gelen MQL hacmi dengeli mi?

Bu soruların cevabı bir tabloya yazıldığında, puan değişiklikleri tahmine değil kanıta dayanır. Değişiklikleri tarihleriyle kaydetmek, ileride "dönüşüm neden düştü?" sorusunun cevabını bulmayı da kolaylaştırır.

Yapay zekâ skorlamayı değiştiriyor mu?

Yapay zekâ destekli skorlama, özellikle yeterli geçmiş veriye sahip şirketlerde, kural tabanlı puanlamanın göremediği örüntüleri yakalayabilir. Ancak burada iki uyarıyı önemsiyorum. Birincisi, makine öğrenmesi modeli de beslendiği veriden iyi olamaz; satıştan düzenli sonuç kodu gelmeyen bir CRM'de yapay zekâ sadece eski önyargıları hızlandırır. İkincisi, açıklanamayan bir skor satış ekibinin güvenini kazanmakta zorlanır. Bu yüzden önerdiğim yol, önce temiz veri ve basit, şeffaf kurallarla başlamak; veri olgunlaştıkça yapay zekâyı kuralların yerine değil, onların yanında bir "ikinci görüş" olarak kullanmaktır. Gayrimenkul ve PropTech gibi satış döngüsü uzun, karar sürecinde birden fazla kişinin olduğu sektörlerde bu kademeli yaklaşım özellikle işe yarar.

Küçük ekipler için başlangıç önerisi

Bu mimari yalnızca büyük kurumsal ekipler için değildir. Tek bir satış temsilcisi olan bir şirkette bile birkaç uyum kriteri, birkaç güçlü niyet sinyali, bir zamanla azalma kuralı ve satış için zorunlu bir sonuç alanı ile çok iş görülebilir. Önemli olan karmaşık bir model kurmak değil, basit bir modeli düzenli olarak gerçek sonuçlarla karşılaştırmaktır. Araç tarafında ise ölçeğe göre farklı seçenekler mümkündür; asıl belirleyici olan, seçilen CRM ile otomasyon aracı arasındaki veri akışının iki yönlü ve güvenilir olmasıdır.

Sonuç

Lead skorlama ve nurturing, kurulup bırakılan bir proje değil, yaşayan bir operasyondur. Modeli bir hipotez olarak görmek, iki ekseni ayrı tutmak, zamanla azalan puan kullanmak, satıştan yapılandırılmış geri bildirim almak ve her çeyrekte aynı denetim sorularını sormak; pazarlama ile satış arasındaki güveni yeniden inşa eder. Benim çalışmalarımda vardığım temel sonuç şu: en iyi skorlama modeli en karmaşık olan değil, ekibin anlayıp güvendiği ve düzenli olarak güncellenen modeldir.

Sıkça Sorulan Sorular (SSS)

Lead skorlama modeli ne sıklıkla güncellenmeli?

Kural olarak her çeyrekte bir denetim yapılması önerilir. Ürün, segment veya fiyatlandırmada büyük bir değişiklik olduğunda ise çeyrek beklenmeden gözden geçirilmelidir.

Uyum skoru ile davranış skoru neden ayrı tutulmalı?

Çünkü biri "doğru kişi mi?", diğeri "şu an ilgili mi?" sorusunu cevaplar. Tek bir toplam puan, profile uymayan ama çok etkileşimli kişileri ve profile uyan ama sessiz karar vericileri birbirine karıştırır.

Puanların zamanla azalması (decay) gerekli mi?

Evet. Azalma kuralı olmayan modellerde eski etkileşimler birikir ve listede gerçekte ilgisini kaybetmiş adaylar sıcak görünür. Azalma yalnızca davranış skoruna uygulanmalıdır.

Satış ekibi MQL'lere güvenmiyorsa ne yapılmalı?

Önce reddedilen adayların nedenleri standart bir alanla toplanmalı, ardından bu nedenler modeldeki kriterlerle karşılaştırılmalıdır. Eşik ve kriterler satış ekibiyle birlikte, veriye dayanarak güncellenmelidir.

Yapay zekâ ile skorlamaya hemen geçmeli miyim?

Yeterli ve temiz geçmiş veriniz yoksa hayır. Önce şeffaf kural tabanlı bir modelle başlayıp CRM'de sonuç verisini düzenli toplamak, yapay zekâ modelinin daha sonra doğru öğrenmesini sağlar.

Konunun kısa tanımı ve ilgili ayrıntılar için korayyalcin.org üzerindeki B2B Pazarlama Otomasyonu Mimarisi: Lead Nurturing ve Skorlama Modelleri sayfasına da göz atabilirsiniz.

Yazar: Koray Yalçın — lead yönetimi, CRM, dijital pazarlama, yapay zekâ ve PropTech üzerine çalışmalar.