CRM Veri Kalitesi: Temiz Veri ile Satış Verimliliği

Veri kalitesi nedir, neden satışı doğrudan etkiler?

CRM veri kalitesi, sistemdeki kayıtların ne kadar doğru, eksiksiz, tutarlı ve güncelolduğunun ölçüsüdür. Bir satış temsilcisi yanlış numarayı aradığında, aynı müşteriye iki kişi döndüğünde ya da eksik sektör bilgisi yüzünden kampanya segmentlenemediğinde kaybedilen şey yalnızca zaman değil, fırsattır. Kısacası CRM'in değeri, içindeki verinin kalitesiyle sınırlıdır: kirli veri üzerine kurulan her rapor, tahmin ve otomasyon da kirlidir.

Veri kalitesinin altı boyutu

Kaliteyi "iyi/kötü" diye değil, ölçülebilir boyutlarla değerlendirin. Aşağıdaki çerçeve, veri kalite yönetiminde yaygın kabul gören altı boyutu özetler.

Veri kalite skoru nasıl hesaplanır?

Bu boyutları tek bir izlenebilir sayıya indirmek için ağırlıklı bir skor kullanılır:

Veri kalite skoru = Σ (boyut puanı × ağırlık)

Örnek: Eksiksizlik %90, doğruluk %85, benzersizlik %95 çıksın ve bu üç boyuta sırasıyla 0,4 / 0,4 / 0,2 ağırlık verelim. Skor = (90×0,4) + (85×0,4) + (95×0,2) = 36 + 34 + 19 = 89/100. Ağırlıkları işinize göre belirleyin: telefonla satış yapan bir ekip için "geçerli telefon" doğruluğu, e-posta pazarlaması yapan için "geçerli e-posta" daha ağır basar. Değerler örnektir.

Kirli verinin işareti ve maliyeti

• Aynı müşterinin farklı yazımlarla birden fazla kaydı (mükerrer).
• Boş kalan sektör, şehir, yetkili gibi kritik alanlar.
• Geri dönen e-postalar ve ulaşılamayan telefonlar.
• Çelişen adres/isim bilgisi ve eski, dokunulmamış kayıtlar.

Veri "bozulması" (data decay) doğal bir süreçtir: insanlar iş değiştirir, şirketler taşınır, numaralar kapanır. B2B verisinin kayda değer bir bölümü her yıl eskir (yaklaşık, kaynağa göre değişir); bu yüzden kalite bir kez değil, sürekli yönetilmelidir.

Mükerrer kayıt temizliği (duplicate detection)

İki tekniği birlikte kullanın:

• Kesin (deterministic) eşleştirme: E-posta, vergi/TC numarası gibi benzersiz alanları birebir karşılaştırır.
• Olasılıksal (fuzzy) eşleştirme: "Ahmet Yılmaz" ile "Ahmet Yilmaz" gibi yazım farklarını benzerlik skoruyla yakalar.

Belirli bir benzerlik eşiğini aşan kayıtlar birleştirme (merge) için işaretlenir; hangi kaydın "altın kayıt" (golden record) olacağına, en güncel ve en dolu veriye göre karar verilir. 2026 itibarıyla bu eşleştirme giderek AI destekli çalışıp Türkçe karakter ve kısaltma varyasyonlarını daha iyi tanır; yine de birleştirme öncesi insan onayı önerilir.

Veri temizleme adımları

1. Profilleme: Mevcut durumu ölçün; boş alan, mükerrer ve format hatası oranlarını çıkarın.
2. Standartlaştırma: Telefon, adres ve isim formatlarını tek kurala oturtun.
3. Tekilleştirme: Mükerrerleri tespit edip golden record'a birleştirin.
4. Doğrulama: E-posta ve telefonu servislerle geçerlilik açısından kontrol edin.
5. Zenginleştirme: Eksik alanları KVKK uyumlu kaynaklarla tamamlayın.
6. İzleme: Skoru periyodik ölçüp bozulmayı erken yakalayın.

Data governance: temizliği kalıcı kılmak

Tek seferlik temizlik, giriş kuralları olmadan birkaç ay içinde bozulur. Data governance, verinin baştan temiz girmesini garantileyen kurallar bütünüdür:

• Zorunlu alanlar: Kritik bilgi olmadan kayıt açılamaz.
• Format ve doğrulama kuralları: Telefon/e-posta hatalı formatta girilemez.
• Giriş anında mükerrer uyarısı: Kayıt oluşturulmadan benzeri gösterilir.
• Veri sahipliği: Her alanın sorumlusu ve güncelleme kuralı bellidir.
• Eğitim: Ekip, temiz veri girişinin neden önemli olduğunu bilir.

2026 eğilimleri ve öneriler

• Gerçek zamanlı doğrulama: Veri toplu değil, girildiği anda temizlenir ve doğrulanır.
• AI destekli tekilleştirme: Türkçe varyasyon ve kısaltmaları daha isabetli eşleştiren modeller yaygınlaşıyor.
• Kaliteyi panoya taşıyın: Veri kalite skorunu satış panosunda görünür kılın; ölçülen şey iyileşir.
• Az ama doğru alan: Doldurulmayan onlarca alan yerine, gerçekten kullanılan az sayıda alanı zorunlu ve temiz tutun.
• Zenginleştirmede KVKK: Dış kaynakla veri tamamlarken hukuki dayanak ve aydınlatma yükümlülüğünü atlamayın.

Temiz veri, iyi satışın ve güvenilir yapay zekânın ön koşuludur: sentiment analizinden lead skorlamaya kadar her AI özelliği, beslendiği verinin kalitesi kadar iyidir. Bu veriyi güvenle saklamak için CRM güvenliği ve KVKK yazısına, satışta kullanıma dökmek için satış hunisi yönetimine göz atabilirsiniz.