CRM'inizi yapay zeka ile güçlendirin.

AI destekli CRM; mevcut müşteri, etkileşim ve satış verinizi tahmine ve öneriye çevirir. Bu sayfa, satış ve müşteri ilişkileri ekipleri için AI CRM'in kapsamını, çalışma mantığını ve seçimde dikkat edilmesi gerekenleri anlatır.

Sektör verisiyle: benimseme yüksek, ölçekleme zor

Yapay zekâ artık azınlığın deneyi değil: McKinsey'nin 105 ülkede 1.993 katılımcıyla yürüttüğü State of AI araştırmasına (2025) göre kurumların %88'i en az bir iş fonksiyonunda yapay zekâ kullanıyor — bir yıl önce bu oran %78'di. Ancak aynı araştırmanın daha az alıntılanan bulgusu daha önemli: şirketlerin yalnızca yaklaşık üçte biri yapay zekâyı pilotun ötesine geçirip ölçeklendirebilmiş durumda. Satış tarafında ise sonuç ölçülebilir: Salesforce'un State of Sales araştırmasında (2024) yapay zekâ kullanan satış ekiplerinin %83'ü gelir artışı bildirirken, kullanmayanlarda oran %66'da kalıyor.

Ölçekleme neden zor? En sık gösterilen neden altyapı: MuleSoft'un Connectivity Benchmark araştırmasında (2025) BT liderlerinin %95'i entegrasyon sorunlarını yapay zekâ projelerinin önündeki engel olarak tanımlıyor. Çıkarım nettir: AI CRM projesi bir model seçme işi değil, veri ve entegrasyon temeli üzerine kurulan bir mimari işidir. Bu sayfadaki sıralama da o yüzden veriyle başlar.

AI CRM neyi kapsar?

• Lead skorlama: Her adaya, belirlenen kriterlerin ağırlıklı toplamıyla bir puan verilir; eşiği geçen fırsatlar önceliklendirilir.
• Churn (kayıp) tahmini: Kullanım düşüşü, azalan etkileşim ve olumsuz duygu gibi sinyallerden risk olasılığı üretilir.
• Satış tahmini: Pipeline verisinden aylık ve çeyreklik gelir öngörüleri oluşturulur.
• Duygu analizi (sentiment): Mesaj ve çağrı metinleri olumlu / nötr / olumsuz olarak sınıflanır.
• Otomasyon: Tekrar eden görevler (takip e-postası, hatırlatma, atama) kurala bağlanarak otomatikleştirilir.
• Analitik ve entegrasyon: Gerçek zamanlı gösterge panosu; ERP, e-posta ve WhatsApp gibi kanallarla açık API üzerinden bağlantı.

Lead skorlama nasıl çalışır?

Lead skoru, seçili kriterlere verilen puanların ağırlıklı toplamıdır: Skor = Σ (kriter puanı × ağırlık). Firmografik uyum, bütçe ve satın alma yetkisi, etkileşim, ihtiyaç aciliyeti ve kanal davranışı tipik kriterlerdir. Ağırlıklar sabit bir formül değildir; kurumun geçmiş kazanma ve kaybetme verisiyle kalibre edilmelidir. Kalibrasyon yapılmadan üretilen skor yanıltıcı olur.

Kural tabanlı mı, makine öğrenmesi mi?

Bu iki yaklaşım rakip değil, ardışıktır. Sağlıklı yol haritası çoğu kurumda aynıdır: önce temiz ve tekil müşteri kaydı, sonra kural tabanlı skorlama ve otomasyonla hızlı kazanım, veri biriktikçe makine öğrenmesine geçiş ve en sonda üretken yapay zekâ destekli öneri katmanı. Her kademe bir sonrakinin eğitim verisini üretir; kademe atlamak genellikle doğruluğu değil, riski büyütür.

Üretken yapay zekânın CRM'deki yeri

Tahminsel modellerin yanına son yıllarda üretken katman eklendi: görüşme kayıtlarının otomatik özetlenmesi, müşteri geçmişine dayalı e-posta taslağı üretimi, toplantı öncesi brifing kartları ve serbest metinden yapılandırılmış alan çıkarımı (unvan, bütçe, tarih). Bu kullanım biçimlerinin ortak kuralı şudur: üretken çıktı taslak statüsündedir; müşteriye dokunan her metin insan onayından geçer. Doğru kurgulandığında üretken katmanın ana kazanımı yaratıcılık değil, temsilcinin veri girişi ve yazışma hazırlığına giden saatlerinin satışa geri dönmesidir.

Açıklanabilirlik ve veri kalitesi

Yapay zekânın değeri, çıktının doğruluğu kadar gerekçesinin görünür olmasıyla ölçülür. Bir skorun neden yüksek ya da düşük çıktığı ekipçe okunabilmeli, önemli kararlarda insan denetimi ve denetim izi bulunmalıdır. Model çıktısı ancak besleyen veri kadar iyidir: eksik, mükerrer veya güncelliğini yitirmiş kayıtlar hatalı sonuç doğurur. Otomatik skorlama kişisel veri işlediği için KVKK 6698 kapsamında aydınlatma, hukuki dayanak ve veri minimizasyonu gerekir.

Temsili proje kapsamı

Aşağıdaki kapsam temsilidir; tamamlanmış bir müşteri projesini değil, tipik bir AI destekli CRM kurulumunun yapı taşlarını gösterir.

1. Veri olgunluk değerlendirmesi: kayıt kalitesi, mükerrerlik, alan doluluk oranları, kanal entegrasyonları.
2. Kullanım senaryosu önceliklendirmesi: skorlama, churn, tahmin ve duygu analizinin iş etkisine göre sıralanması.
3. KVKK çerçevesi: aydınlatma, hukuki dayanak, otomatik analiz bildirimi, saklama ve silme akışları.
4. Kural tabanlı başlangıç: skor kriterleri, ağırlıklar ve eşiklerin ekiple birlikte tanımlanması.
5. Model geliştirme: geçmiş veriyle eğitim, ayrılmış test setiyle doğrulama, kural setiyle karşılaştırma.
6. CRM içine gömme: skor ve önerilerin fırsat kartında, atama ve görev akışlarında görünür olması.
7. İzleme: doğruluk metrikleri panosu, sapma (drift) uyarıları, periyodik yeniden eğitim planı.
8. Ekip eğitimi, pilot değerlendirme ve kademeli yaygınlaştırma.

Seçimde nelere bakmalı?

• Mevcut CRM verinizle çalışabilirlik ve gerçekçi bir kalibrasyon süreci.
• Türkçe metinlerde duygu analizi başarımı ve iyileştirme yolu (ironi, argo, jargon doğruluğu düşürebilir).
• Skor ve önerilerin rapora değil, satış akışının içine gömülü olması.
• Veri sahipliği, dışa aktarım ve model yönetişimi (doğruluk metriği izleme, yeniden eğitim).

Şartname / RFP kontrol listesi

AI destekli CRM için teklif isterken şu başlıkların yazılı yanıtlanmasını şart koşun:

• Hangi AI modüllerinin (skorlama, churn, tahmin, duygu, üretken) kapsamda olduğu ve her birinin veri ön koşulu.
• Kural tabanlı başlangıç seçeneği ve makine öğrenmesine geçiş kriterleri.
• Skor gerekçelerinin (hangi sinyal puanı nasıl etkiledi) arayüzde gösterilmesi.
• Model doğruluğunun hangi metriklerle, hangi sıklıkta raporlanacağı.
• Modelin kurumun kendi verisiyle kalibre edilmesi ve yeniden eğitim planı.
• Üretken çıktılarda insan onayı akışının zorunlu tutulabilmesi.
• Verinin nerede işlendiği (yurt içi / yurt dışı) ve üçüncü taraf model sağlayıcılara aktarım koşulları.
• KVKK 6698 uyumu: aydınlatma desteği, otomatik analiz bildirimi, itiraz hakkının karşılanması.
• ERP, WhatsApp, e-posta ve çağrı merkeziyle entegrasyonun kapsamı.
• Denetim izi: skor değişimleri, öneriler ve alınan aksiyonların kaydı.
• Veri sahipliği ve çıkış senaryosu: sözleşme biterse veri ve modellerin akıbeti.
• Pilot tasarımı: başarı kriteri, süre ve ölçüm yöntemi.

Verinizin bugünkü olgunluğunu birlikte değerlendirip kural tabanlı hızlı bir başlangıç mı yoksa makine öğrenmesi destekli tahminsel bir kurulum mu doğru olduğunu netleştirebiliriz. Ayrıntılı kapsam, yöntem ve şartname kriterleri için AI destekli CRM & duygu analizi çözümü sayfasına göz atın.