CRM'inizde Yapay Zeka Lead Skorlama: Zaten Güvendiğiniz Kurallarla Başlayın
Satışın zaten güvendiği kuralları yazarak, CRM verilerini temizleyerek ve satış temsilcileri kullanmadan önce yapay zeka skorunu bu kurallara karşı test ederek yapay zeka lead skorlamasını ekleyin.
7 dk. okuma

İçindekiler
Bir B2B şirketi yapay zeka lead skorlamasını, önce satış ekibinin zaten güvendiği kuralları yazarak, bu kuralların dayandığı CRM alanlarını temizleyerek ve ardından yapay zeka skorunu birkaç hafta boyunca kural tabanlı skorun yanında çalıştırarak eklemelidir. Temsilcilerin yapay zeka skoruna göre hareket etmesine, ancak kapanan anlaşmalarla en az kurallar kadar uyuştuğunda izin verin.
Lojistik firmalarına satış yapan bir yazılım şirketi düşünün. Satış lideri iyi bir lead'i gördüğünde tanıyor: bir avuç kamyondan fazlası olan bir şirket, içinde "operasyon" geçen bir iş unvanı ve bir e-kitap indirmesi yerine bir demo talebi. Bunların hiçbiri yazılı değil. Pazarlama CRM'de bir yapay zeka skorunu açıyor ve bir hafta içinde temsilciler üç whitepaper indiren öğrencileri arıyor, fiyat isteyen bir filo müdürü ise listenin en altında bekliyor. Ekip skora bakmayı bırakıyor ve skor güvenlerini bir daha kazanamıyor.
Yapay zeka lead skorlaması nedir?
Yapay zeka lead skorlaması, bir makine öğrenmesi modelinin her yeni lead'i geçmişte dönüşen ya da dönüşemeyen lead'lerle karşılaştırarak hesapladığı, CRM'inizdeki bir skordur. Buna karşılık kural tabanlı bir skor, bir kişinin seçtiği ölçütler için puan ekler ve çıkarır.
İki tür de aynı soruyu yanıtlar: satış önce hangi lead'leri aramalı? Fark, neyin önemli olduğuna kimin karar verdiğidir. Kurallarla ekibiniz karar verir ve her ölçütü okuyabilir. Yapay zekayla model, geçmişinizdeki örüntüyü bulur; bu, kimsenin düşünmediği sinyalleri ortaya çıkarabilir, ama aynı zamanda o geçmişteki her boşluğu ve önyargıyı da devralır.
HubSpot ve Salesforce yapay zeka lead skorlamasını nasıl ele alıyor?
HubSpot, yapay zekayla bir kişi skorunun taslağını çıkarabilir ve siz bunu kural tabanlı bir skor gibi gözden geçirip düzenlersiniz; Salesforce Einstein Lead Scoring ise dönüşen lead'lerinizden öngörücü bir model kurar ve temsilcilere hangi alanların her skoru yukarı ya da aşağı ittiğini gösterir. İkisi de geçmiş dönüşümlerinizin doğru kaydedilmiş olmasına bağlıdır.
İşte ikisinin, her satıcının kendi yardım sayfalarından (Kasım 2026'da kontrol edildi) karşılaştırması:
HubSpot lead skorlama: Nedir: uyum skorları (özellik değerlerine dayalı), etkileşim skorları (eylemlere dayalı) ve birleşik skorlar olan bir lead skorlama aracı. Yapay zeka seçeneği: seçtiğiniz iki yaşam döngüsü aşaması arasında hareket eden kişileri değerlendiren ve ölçütler ile puanlar öneren yapay zekayla oluşturulan kişi skorları. Kontrol: skoru açmadan önce önerilen ölçütleri düzenlersiniz. Plan: kişi skorları Marketing Hub Professional ya da Enterprise gerektirir; yapay zekayla oluşturulan kişi skorları Marketing Hub Enterprise gerektirir.
Salesforce Einstein Lead Scoring: Nedir: özel alanlar ve etkinlik verileri dahil geçmişte dönüşmüş lead'leri analiz eden ve mevcut lead'leri ne kadar yakın eşleştiklerine göre skorlayan öngörücü bir model. Gereken veri: Salesforce'un kurulum değerlendirmelerine göre son 200 günde oluşturulmuş, en az 120'si dönüşmüş en az 1.000 lead; daha azıyla, birçok Salesforce müşterisinin anonim verisinden oluşturulmuş global bir model kullanır. Kontrol: temsilciler her skor için en önemli olumlu ve olumsuz faktörleri görür. Plan: Performance ve Unlimited sürümlerine dahil ve Enterprise'da ek maliyetle sunulan Sales Cloud Einstein gerektirir.
Pratik fark: HubSpot'ın yapay zekası size okuyup değiştirebileceğiniz bir kural seti verir. Einstein size en önemli faktörleri üzerinden inceleyebileceğiniz ama ölçüt ölçüt düzenleyemeyeceğiniz bir model verir. Hâlâ bir CRM seçiyorsanız, hizmet işletmeleri için HubSpot ve GoHighLevel karşılaştırmamız daha geniş ödünleşimleri ele alıyor.
Neden zaten güvendiğiniz kurallarla başlamalı?
Zaten güvendiğiniz kurallar, yapay zekayı karşılaştıracağınız bir başlangıç noktası ve temsilcilerin ilk günden kullanacağı bir skor verir. Bir başlangıç noktası olmadan yapay zeka skorunun daha iyi olduğunu değil, yalnızca farklı olduğunu söyleyebilirsiniz.

Çoğu satış ekibi lead'leri zaten kafasında skorlar. Bu kuralları yazıya dökmek üç şey yapar:
Anlaşmazlığı ortaya çıkarır. Satış ve pazarlamanın iyi bir lead hakkında genellikle farklı tanımları vardır. Herhangi bir model CRM'den öğrenmeden önce bunu çözün.
Hangi alanların önemli olduğunu gösterir. Kurallar şirket büyüklüğüne ve iş unvanına bağlıysa, bu alanlar hem kurallar hem de yapay zeka için doldurulmuş ve tutarlı olmalıdır.
Yapay zekaya yenilecek bir şey verir. Ekibinizin bir öğleden sonra yazdığı bir sayfa kuralı geçemeyen bir model, maliyetine ya da opaklığına değmez.
İyi bir ilk kural seti kısadır. Sektör, şirket büyüklüğü ve rol gibi birkaç uyum ölçütü ve bir demo talebi, bir fiyatlandırma sayfası ziyareti ya da bir satış e-postasına yanıt gibi birkaç etkileşim ölçütü kullanın. Net diskalifiye edicilere negatif puan ekleyin: öğrenciler, rakipler, bir B2B ürünü için kişisel e-posta alan adları.
Yapay zeka lead skorlaması CRM'den hangi veriye ihtiyaç duyar?
Yapay zeka lead skorlaması hangi lead'lerin dönüştüğüne ve hangilerinin dönüşmediğine dair güvenilir bir kayda, artı o lead'lerde tutarlı uyum ve etkileşim alanlarına ihtiyaç duyar. Dönüşümler geç, tutarsız ya da hiç kaydedilmiyorsa, model yanlış örüntüyü öğrenir.
Açmadan önce neleri kontrol etmelisiniz
Dönüşüm bir kez tanımlanmış. Satış kalifiye lead'e yaşam döngüsü aşaması değişimi, bir fırsatın oluşturulması ya da kazanılmış bir anlaşma gibi sayılan olayı seçin ve herkesin aynı şekilde kaydettiğinden emin olun.
Mükerrerler birleştirilmiş. Üç kez saklanan bir alıcı üç lead gibi görünür; ikisi hiç dönüşmemiştir. Yapay zeka eklemeden önce CRM verilerini temizleme yazımız mükerrerleri, kayıt granülerliğini ve alan sahipliğini ele alıyor.
Kaynak verisi hayatta kalıyor. Etkileşim sinyalleri yalnızca arkalarındaki takip kadar iyidir. Kampanya parametreleri reklam, form ve CRM arasında kayboluyorsa, model hangi kanalların alıcı getirdiğini öğrenemez; bkz. UTM parametreleri araçlar arasında neden kaybolur.
Eski lead'ler yanlış etiketlenmemiş. Hiç işlenmemiş lead'ler, işlenmiş ve kaybedilmiş lead'lerle aynı şey değildir. CRM'iniz ikisini ayıramıyorsa, model göz ardı edilen lead'leri kötü lead olarak ele alır.
Temsilciler güvenmeden önce bir yapay zeka lead skorunu nasıl test edersiniz?
Kimin arandığını değiştirmeden, yapay zeka skorunu ve kural tabanlı skorunuzu aynı lead'ler üzerinde yan yana çalıştırın ve ikisini de gerçekte neyin dönüştüğüyle karşılaştırın. Yönlendirmeyi yapay zeka skoruna yalnızca, kapanan lead'leri kurallardan daha yukarı sıraladığında geçirin.

Basit bir test planı:
İki skoru da açın ve yönlendirmeyi mevcut süreçte tutun.
Sonuçları bekleyin. Tipik bir lead'in dönüşüm olayınıza ulaşması için yeterince uzun bir pencere seçin.
Her listenin üstünü karşılaştırın. Her skorun en yüksek banda koyduğu lead'lerden hangi payı dönüştü? En düşük bant için de aynısını yapın: iyi bir skor alıcıları oradan uzak tutar.
Uyuşmazlıkları okuyun. Yapay zekanın yüksek, kuralların düşük puanladığı lead'lere ve tersine bakın. Bir temsilciye yapay zekanın seçimlerinin mantıklı olup olmadığını sorun. Yeni sinyalleri burada bulursunuz ya da modelin gürültüyü ödüllendirdiğini.
Karar verin ve belgeleyin. Yapay zeka skoruna geçin, kuralları koruyun ya da yapay zekanın bulduklarını kurallara katın.
Her iki CRM de burada size çalışacak bir şey verir. HubSpot'ın skor geçmişi ve performans görünümleri skor dağılımını ve bir kaydın skorunu değiştiren olayları gösterir. Einstein her lead'de en önemli faktörleri gösterir; bu da uyuşmazlık incelemesini hızlandırır.
Yapay zeka lead skorlamasında ne ters gider?
Yaygın başarısızlıklar, önyargılı bir geçmiş üzerinde eğitmek, niyet yerine etkinliği ödüllendirmek ve kimsenin sahip olmadığı bir skordur. Her biri temsilcilerin rakama güvenmeyi bırakmasına yol açar ve göz ardı edilen bir skor, hiç skor olmamasından kötüdür.
Önyargılı geçmiş: ekibiniz yalnızca bir segmentte çalıştıysa, model yalnızca o segmentin dönüştüğünü öğrenir ve diğerlerini aç bırakmaya devam eder.
Niyet yerine etkinlik: her bülteni açan bir lead yüksek skor alırken, bir fiyat teklifi isteyen tek bir e-posta gönderen alıcı düşük skor alır. Yüksek niyetli eylemlere ağırlık verin ve eski etkinliğin solması için skor azalmasını kullanın (HubSpot etkileşim puanlarını her 1, 3, 6 ya da 12 ayda azaltmanıza izin verir).
Sahip yok: pazarlar değişir, ürünler değişir ve CRM değişir. Birinin skoru bir takvime göre gözden geçirmesi, son kapanan anlaşmalara karşı kontrol etmesi ve ayarlaması gerekir. Salesforce'a göre Einstein lead'leri kabaca her 10 günde bir yeniden analiz eder, ama yeniden eğitim, birinin sonucu kontrol etmesiyle aynı şey değildir.
Gizli gerekçe: temsilciler bir lead'in neden yüksek skor aldığını göremezlerse ona güvenmezler. En önemli faktörleri ya da eşleşen ölçütleri kayıtta gösterin.
Vizio AI olarak nasıl yaklaşıyoruz
Modelle değil, kurallarla başlıyoruz. Satış ve pazarlamayla kısa bir atölyede iyi bir lead'in neye benzediğini yazıyor, dönüşüm olayı üzerinde anlaşıyor ve bu kuralların arkasındaki CRM alanlarının doldurulmuş ve tutarlı olduğunu kontrol ediyoruz.
Ardından müşterinin zaten kullandığı CRM'de kural tabanlı skoru kuruyor, kuralların ortaya çıkardığı veri sorunlarını düzeltiyor ve etkileşim sinyallerini besleyen takibi bağlıyoruz. Ancak bundan sonra yanında bir yapay zeka skoru açıyor, yan yana testi çalıştırıyor ve uyuşmazlıkları onu kullanacak temsilcilerle inceliyoruz. Müşteri, ekibinin anladığı bir skorla, neden seçildiğine dair bir kayıtla ve onu gözden geçiren adı belli bir sahiple sonuçlanıyor.
Bu çalışma Growth Studio'muzda, CRM kurulumu, atıf ve giden satışla birlikte yer alıyor.
Kaynaklar
HubSpot Knowledge Base, Overview of the lead scoring tool (updated 2 September 2026): https://knowledge.hubspot.com/scoring/understand-the-lead-scoring-tool
HubSpot Knowledge Base, Build contact lead scores with AI (updated 14 August 2026): https://knowledge.hubspot.com/scoring/build-lead-scores-with-ai
HubSpot Knowledge Base, View lead score history and performance (updated 14 August 2026): https://knowledge.hubspot.com/scoring/lead-score-history-and-performance
Salesforce Help, Considerations for Setting Up Einstein Lead Scoring: https://help.salesforce.com/s/articleView?id=sf.einstein_sales_els_setup_considerations.htm&language=en_US&type=5
Salesforce Help, Understand How Einstein Scores Your Leads: https://help.salesforce.com/s/articleView?id=sf.einstein_sales_els_how_it_works.htm&language=en_US&type=5
Vizio AI, Clean Your CRM Data Before You Add AI: https://www.vizio.ai/resources/blog/crm-data-cleanup
SSS.
Daha Fazla Oku

Attribution That Survives Your Tool Stack: Keeping UTMs From Ad to Booking to CRM

Clean Your CRM Data Before You Add AI: Dedupe, Grain and Ownership

Semantic Layer First: Getting Your BI Ready for AI Agents

How F&B CMOs Use Generative AI In Business For Location Decisions

How Real Estate Firms Use Business Analytics For City Parks To Drive Value

Data Storytelling and Visualization

When Does a Business Actually Need Digital Transformation?

Analytics for Product Recommendations

Data Analyst vs. Data Quality Analyst

The Best NoSQL Analytics Tools 2024


