AI Destekli CRM & Duygu Analizi Çözümü

Yapay zeka destekli CRM, mevcut müşteri ve satış verinizi tahmine ve öneriye çevirir: hangi adayın satışa yakın olduğunu (lead scoring), müşterinin ne hissettiğini (duygu analizi), bir sonraki en iyi aksiyonu (next-best-action) ve kimin kaybedilme riski taşıdığını (churn) gösterir. Bu sayfa; satış, pazarlama, müşteri ilişkileri ve bilgi işlem ekipleri için kapsamı, hesap yöntemlerini ve seçim/şartname kriterlerini anlatır.

Çözüm neyi kapsar?

• Lead skorlama (lead scoring): Ağırlıklı kriterlerle aday önceliklendirme, SQL eşiği.
• Duygu analizi (sentiment): Mesaj/çağrı metninde olumlu-nötr-olumsuz sınıflama, öfke sinyali.
• Öneri motoru (next-best-action): Her müşteri için bir sonraki en iyi adımı önerme.
• Tahminsel satış & churn: Kapanış olasılığı ve müşteri kaybı riski tahmini.
• Açıklanabilirlik (XAI): Skorun/kararın gerekçesini gösterme, denetim izi.
• Entegrasyon: CRM, WhatsApp, çağrı merkezi, e-posta ve web etkileşim verisi.

Lead skorlama nasıl hesaplanır?

Lead skoru, seçili kriterlere verilen puanların ağırlıklı toplamıdır: Skor = Σ (kriter puanı × ağırlık). Puan 0-100 aralığında, ağırlıklar toplamı 1,0’dır. Aşağıdaki örnek, tek bir aday için hesabı gösterir:

Bu adayın skoru ≈ 70. Eşik politikası örneği: ≥70 sıcak (SQL, hemen ara), 40-69 ılık (besle/otomasyon), <40 soğuk. Rakamlar temsili örnektir; ağırlıklar ve eşik, her kurumun geçmiş kazanma ve kaybetme verisiyle kalibre edilmelidir. Kalibrasyon olmadan skor yanıltıcı olur.

Duygu analizi, öneri ve churn tahmini

Duygu analizi, gelen mesaj ve çağrı metnini olumlu/nötr/olumsuz olarak sınıflar; olumsuz eğilim veya iptal/şikâyet sinyali eşik aşınca CRM otomatik bir next-best-action önerir (öncelikli yönlendirme, arama, teklif, sadakat aksiyonu). Churn (kayıp) tahmini ise kullanım düşüşü, azalan etkileşim, olumsuz duygu ve geciken ödeme gibi sinyallerden bir risk olasılığı üretir. Örneğin yanıt süresi de aksiyonu tetikleyebilir: Ort. ilk yanıt süresi = Σ (ilk yanıt zamanı − talep zamanı) / talep sayısı; bu süre uzadıkça olumsuz duygu ve churn riski tipik olarak artar.

Yaklaşım seçimi: kural, ML ve hibrit

Aynı sonuç farklı yöntemlerle üretilebilir; doğru seçim veri olgunluğuna ve açıklanabilirlik ihtiyacına bağlıdır.

Rakamlarla yapay zekâ benimsemesi

Yapay zekâ kurumsal dünyada artık istisna değil norm. McKinsey State of AI (2025) araştırmasına göre kurumların %88’i en az bir iş fonksiyonunda yapay zekâ kullanıyor; bir önceki yıl bu oran %78’di. Duygu analizi tarafında da pazar hızla büyüyor: Precedence Research (2025) küresel duygu analitiği pazarını 2025’te 5,71 milyar USD olarak ölçüyor ve 2035’e kadar yıllık ortalama %12,78 büyümeyle 19,01 milyar USD’ye ulaşmasını öngörüyor. Aynı araştırmaların ortak bulgusu ise uyarıcıdır: benimseme yaygın, ancak ölçülebilir değer üreten kurum azınlıkta. Fark, yapay zekânın rapor olarak kalması ile satış akışına gömülü aksiyon üretmesi arasındadır; bu sayfadaki mimari tercihleri o farkı kapatmak için yapılır.

Türkçe doğal dil işlemede açık kaynak zemin (model analizi)

Türkçe duygu analizinde başlangıç noktası çoğu zaman açık kaynak dil modelleridir. Hugging Face üzerinde yayımlanan BERTurk (bert-base-turkish-cased) gibi Türkçe için önceden eğitilmiş modeller, kurumun kendi mesaj ve çağrı verisiyle ince ayar (fine-tuning) yapılarak sektöre özgü bir duygu sınıflayıcısına dönüştürülür. Model analizinden çıkan ders: sıfırdan model eğitmek yerine açık Türkçe zemin üzerine kurum verisiyle ince ayar yapmak hem maliyeti düşürür hem doğruluğu artırır. Kritik başarı faktörü modelin markası değil, etiketli eğitim verisinin kalitesi ve düzenli yeniden eğitim disiplinidir. (Bu bölüm bağımsız bir teknik analizdir; ürün referansı değildir.)

Uygulama yol haritası: pilottan yaygınlaştırmaya

1. Veri denetimi: CRM alan doluluk oranları, mükerrerler ve geçmiş kazanma/kayıp etiketleri çıkarılır; taban çizgisi (baseline) belirlenir.
2. Pilot kapsam: Tek kullanım senaryosu seçilir (ör. lead skorlama); kural tabanlı ilk sürüm hızla devreye alınır.
3. Ölçüm ve kalibrasyon: Skorların gerçek kapanışlarla uyumu ölçülür; ağırlıklar ve eşikler veriyle güncellenir.
4. Yaygınlaştırma: Doğrulanan senaryo ekiplere açılır; duygu analizi ve churn gibi yeni senaryolar sırayla eklenir.

Açıklanabilirlik (XAI) ve veri kalitesi

Yapay zekânın değeri çıktının doğruluğu kadar gerekçesinin görünür olmasıyla ölçülür. Skorun neden yüksek/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 “çöp girer, çöp çıkar” sonucunu doğurur. Bu yüzden veri temizliği, alan doğrulama ve düzenli yeniden eğitim (retraining) çözümün ayrılmaz parçasıdır.

Teknik şartnamede / seçimde dikkat edilecekler

• Açıklanabilirlik ve insan denetimi: Kara kutu değil; skor gerekçesi ve müdahale yetkisi.
• KVKK 6698 & İYS uyumu: Aydınlatma, hukuki dayanak, veri minimizasyonu, denetim izi.
• Veri sahipliği ve dışa aktarım (vendor lock-in önlemi): Model çıktısı ve ham veri sizde kalmalı.
• Entegrasyon: CRM, WhatsApp Business API, çağrı merkezi ve e-posta; açık API.
• Model yönetişimi: Doğruluk metriği (ör. F1) izleme, yeniden eğitim ve versiyonlama; SLA.
• Güvenlik: Rol/yetki, şifreleme, tercihen ISO 27001 kapsamında işleyiş.

Seçim kriterleri

• Mevcut CRM verinizle çalışabilirlik ve gerçekçi bir kalibrasyon süreci.
• Türkçe metin (mesaj/çağrı) için duygu analizi başarımı ve iyileştirme yolu.
• Öneri ve skorların satış akışına gömülü olması (rapor değil, aksiyon).
• Şeffaf maliyet, ölçeklenebilirlik ve eğitim/onboarding kapsamı.

Verinizin bugünkü olgunluğunu birlikte değerlendirip; kural tabanlı hızlı bir başlangıç mı, yoksa ML destekli tahminsel bir kurulum mu doğru olduğunu netleştirelim. Aşağıdaki formdan ihtiyacınızı iletmeniz yeterli.