B2B Lead Scoring Modeli CRM ve Pazarlama Verileriyle Nasıl Kurulur?

Form dolduran her kişi satışa hazır değildir; bazıları fiyat araştırır, bazıları içerik indirir, bazılarıysa gerçekten teklif bekler. B2B lead scoring modeli, CRM ve pazarlama otomasyonu verilerini fit skoru ve engagement skoruyla birlikte değerlendirir. Bu yaklaşım, adayları yalnızca puanlamaz; satış önceliğini ve gelir potansiyelini görünür kılar.

Doğru kurulan sistem, satış ekibinizin zamanını daha sıcak fırsatlara ayırmasına yardım eder ve pazarlama kanallarını gelirle değerlendirir. Satış ve pazarlamanın ortak hedefi daha fazla form değil, daha kaliteli fırsatlar ve daha kısa bir satış sürecidir. Başlangıç noktası, puan vermek değil, CRM ve otomasyon verileriyle doğru müşteri adayını tanımlamaktır.

B2B lead scoring nedir, hangi sorunu çözer?

B2B lead scoring, potansiyel müşterileri ideal müşteri profiline uyumu (fit) ve dijital etkileşimleriyle satın alma davranışına (engagement) göre puanlama yöntemidir. CRM kayıtları, web sitesi etkileşimleri, reklam kaynakları ve satış notları birlikte değerlendirilir. Bu yaklaşım, lead qualification process, yani müşteri adayı nitelendirme ve satış önceliklendirme sürecini standartlaştırır.

Bu model sayesinde 80 puanlı bir aday, 20 puanlı adaydan önce satış temsilcisine gider, ancak puan tek başına satış garantisi değildir. Puanın arkasındaki veriyi, son etkileşim tarihini ve profil uygunluğunu incelemek gerekir.

LinkedIn’in lead scoring tanımı, bu yaklaşımı satış ve pazarlama ekiplerinin müşteri adayı kalitesini sayısal olarak değerlendirmesi şeklinde açıklar. Pratikte amaç, satış ekibinin “Kimi aramalıyım?” sorusuna ortak bir yanıt vermektir.

Puanlama, iyi bir satış temsilcisinin sezgisini ortadan kaldırmaz. Bu sezgiyi ölçülebilir, görünür ve tüm ekip için tekrarlanabilir bir karara dönüştürür.

Modeli kurmadan önce satış hedefinizi netleştirin

Puanlama modelinin ilk sorusu “Kaç form aldık?” olmamalı. Asıl soru şudur: “Hangi tip müşteri, hangi koşulda satış fırsatına dönüşüyor?”

Bunun için son 6 ila 12 aydaki kazanılmış ve kaybedilmiş fırsatları karşılaştırın. Ortak özellikleri ve ayrışan noktaları bulun. Sektör, çalışan sayısı, gelir veya şirket ölçeği, teknoloji altyapısı, karar verici rolü, ilk temas kanalı ve ürün ilgisini inceleyin. Satış döngüsü (sales cycle) ile farklı segmentlerin kapanış süresini ve bütçe uyumunu karşılaştırın. Verdiğiniz puanları satış kapanış oranlarıyla ilişkilendirin.

İdeal müşteri profilinizi yazılı hâle getirin

İdeal müşteri profili, yani ideal customer profile, herkesin kafasında farklı duran bir tanım olmamalıdır. Örneğin endüstriyel yazılım satan bir işletme için 50’nin üzerinde çalışanı olan, uygun teknoloji altyapısına sahip üretim firmaları daha uygun olabilir. Eğitim danışmanlığında ise insan kaynakları yöneticisi veya genel müdür daha değerli bir temas olabilir.

Profilinizde şu sorulara net yanıt verin:

• Hangi sektörlerde ve şirket ölçeklerinde satış kapatma oranınız yüksek?
• Hangi şirket büyüklüğü, geliri ve bütçesi hizmet yapınızla uyumlu?
• Karar verici, etkileyici ve kullanıcı rollerinde hangi unvanlar öne çıkıyor?
• Hangi teknoloji altyapıları ve coğrafi pazarlar hizmet verebildiğiniz alanla uyumlu?

Hedef dışı firmaları hemen elemek yerine düşük fit puanı vermek daha sağlıklıdır. Böylece değişen koşullarda yeniden değerlendirilebilirler. Aksi hâlde verdiğiniz puanlar, satış önceliği yerine kalabalık bir CRM listesi oluşturur.

Açık ve örtük verileri birlikte değerlendirin

Sağlam bir model, yalnızca form alanlarına veya yalnızca web davranışına dayanmaz. Açık veri, adayın size doğrudan verdiği bilgidir. Örtük veri ise dijital kanallardaki davranışlarından oluşur. Bu iki veri türü, İngilizcede explicit and implicit data olarak ifade edilir.

Açık veriler, adayın işletme uyumunu gösterir

Formda paylaşılan şirket adı, sektör, çalışan sayısı, unvan, bütçe ve bölge bilgileri açık veridir. CRM içindeki geçmiş görüşme notları, mevcut müşteri olup olmadığı ve ihtiyaç alanı da bu gruba girer.

B2B firmalarda bu alanlar, firmographic data kapsamında çoğu zaman kişisel demographic data unsurlarından daha değerlidir. Kişinin unvanı, rolü veya iletişim bilgileri, firmanın satın alma kapasitesini tek başına göstermez. Bir pazarlama müdürü, 10 kişilik bir şirkette karar verici olabilir. Büyük bir kurumda ise yalnızca araştırma yapan kişi olabilir.

GA4, CRM, reklam platformları, form kayıtları, e-posta ve satış notlarından gelen verileri aynı modelde birleştirin.

Örtük veriler, satın alma niyetini gösterir

Fiyatlandırma sayfasını incelemek, ürün karşılaştırması veya vaka analizi okumak, buying signals olabilir. Demo talebi, teknik doküman indirme ve webinar katılımı da bu sinyalleri güçlendirir. Bu davranışlar, adayın neyle ilgilendiğini ve buyer intent düzeyini gösterir.

Web olaylarını kişi ve şirket bazında behavioral tracking ile izleyin. Bu süreçte izin ve kimlik eşleştirme kurallarını gözetin.

Ancak tek bir sayfa görüntülemesine yüksek puan vermeyin; tekrar sıklığını, izlenen sırayı ve zaman aralığını birlikte değerlendirin. Bir ziyaretçi yanlışlıkla fiyat sayfasına girebilir. Aynı kişinin kısa süre içinde vaka analizi okuması, fiyatları incelemesi ve demo formunu açması daha anlamlı bir örüntüdür.

En değerli puan, tek bir hareketten değil, uygun şirket profili ile tekrar eden satın alma sinyallerinin birleşiminden çıkar.

Puan kriterlerini basit ve açıklanabilir tutun

İlk scoring model, yani puanlama modeli, 50 farklı kural içermek zorunda değildir. Satış ekibinin anlayamadığı model güven kazanamaz. Başlangıçta 10 ila 15 ölçülebilir kriter yeterlidir.

Kriterleri iki gruba ayırın: fit, adayın şirketiniz için uygunluğu; engagement, markanızla etkileşim düzeyi. Başlangıçta toplam puanın yaklaşık %60’ını fit, %40’ını engagement kriterleri oluşturabilir. Bu ağırlıkları geçmiş satış verinizle doğrulamalısınız.

Aşağıdaki örnek, B2B hizmet satan bir firma için başlangıç yapısı olabilir:

Kategori	Kriter	Puan	Gerekçe
Fit	Hedef sektörde faaliyet göstermesi	+15	Hizmet uyumunu gösterir
Fit	Uygun şirket büyüklüğünde olması	+15	Ticari potansiyeli gösterir
Fit	Karar verici veya etkileyici unvana sahip olması	+15	Satın alma sürecine erişimi artırır
Engagement	Demo veya teklif formu göndermesi	+25	Yüksek satın alma niyetine işaret eder
Engagement	Fiyatlandırma veya ürün sayfasını tekrar ziyaret etmesi	+10	Ticari ilgiyi gösterir
Engagement	Teknik doküman veya vaka analizi indirmesi	+8	Araştırma aşamasını gösterir
Fit	Hedef dışı ülke veya sektörde bulunması	-20	Satış uygunluğunu düşürür
Fit	Kurumsal olmayan e-posta adresi kullanması	-5	Tek başına eleme nedeni değildir

Aynı adayın aynı davranıştan sınırsız puan almaması için her kritere puan tavanı koyun. Tekrarlı ziyaretleri belirli bir süre içinde yalnızca bir kez sayarak veriyi tekilleştirin.

Buradaki puanlar örnektir ve doğrudan nihai kural olarak kullanılmamalıdır. MQL eşiğini satış verisini görmeden kesinleştirmeyin. Teklif formu gönderen adayların çoğu satışa dönüşmüyorsa, formun içeriğini ve puanını yeniden inceleyin.

Yüksek niyetli satın alma sinyallerini ayırın

Her etkileşim aynı değerde değildir; buying journey içinde blog okumak yalnızca ilgi göstergesidir. Demo talebi, teklif isteme, takvim randevusu, telefon tıklaması, entegrasyon sayfası ziyareti ve teknik doküman indirme, blog okumaya göre daha yüksek puan almalıdır.

Sayfa davranışını içerik türüyle okuyun

Bir pricing page ziyareti ile hizmet sayfaları, entegrasyon detayları, müşteri hikâyeleri ve karşılaştırma sayfaları ticari niyeti güçlendirir. Buna karşılık kariyer sayfası, genel blog içerikleri veya basın sayfaları düşük niyet taşıyabilir.

Son 30 gün içinde tekrarlanan pricing page ziyaretleri, tekil bir görüntülemeden daha güçlü bir sinyal verir. Kurumsal web sitenizde form gönderimi, telefon tıklaması, takvim randevusu ve dosya indirme gibi conversion events, CRM’de ayrı ayrı ölçülebilen olaylar olarak tanımlanmalıdır. Bu olayları birlikte değerlendirmek, daha güvenilir buying signals elde etmenizi sağlar. Bu noktada GA4 ile B2B lead kaynaklarını ölçme yaklaşımı, form sayısından çok MQL, SQL ve fırsat oranlarını izlemenize yardım eder.

Kaynağı da puanlamaya katın

Arama motoru optimizasyonu kaynaklı organik trafik, çözüm arayan kişileri uzun araştırma sürecinde yakalayabilir. SEO çalışmalarını, teknik uygulamaları, yerel görünürlüğü ve içerik pazarlamasını yalnızca ziyaret sayısıyla değerlendirmeyin. Hangi içeriklerin nitelikli aday getirdiğine bakın.

Google Ads, LinkedIn ve yeniden pazarlama kaynakları için de aynı kural geçerlidir. Bir lead generation campaign veya content syndication çalışması tek başına kalite garantisi vermez. UTM verilerini, kampanya ve ilk temas/son temas bilgilerini CRM’e aktarın; başarıyı tıklama maliyetinden önce SQL ve satış fırsatı üretimiyle ölçün.

MQL ve SQL tanımlarını satışla birlikte belirleyin

Pazarlamanın “kaliteli aday” dediği kişi, satış için erken aşamada olabilir. marketing qualified lead (MQL, pazarlama nitelikli aday), pazarlamanın belirlediği puan eşiğini geçen adaydır. sales qualified lead (SQL, satış nitelikli aday) ise satışın görüşmeye değer bulduğu adaydır. Örnek bir başlangıç kuralında, uygun fit profili ve 60+ puan MQL için yeterli olabilir. 75+ puan alan ve satış tarafından görüşmeye değer bulunan aday SQL sayılabilir. Bu eşikler evrensel standart değildir, şirketin satış döngüsü ve dönüşüm verileriyle kalibre edilmelidir.

SQL kavramının satış hunisindeki yeri, bu aşamanın satış ekibinin değerlendirmesiyle netleştiğini vurgular. Bu nedenle CRM alanları ve puan eşikleri yalnızca pazarlama toplantısında belirlenmemelidir. Satışa hazır olma, yani sales readiness, yalnızca toplam puanla ölçülmez; son etkileşim, ihtiyaç, bütçe, yetki ve zamanlama birlikte değerlendirilir.

Satış kabul süresi için hizmet seviyesi belirleyin

Örneğin, 60 puan üzerindeki MQL adaylarının bir iş günü içinde aranması kararlaştırılabilir. sales and marketing teams için belirlenen SLA, ilk temasın CRM’e kaydedilmesini ve kabul edilmeyen adayın standart bir ret nedeniyle pazarlamaya geri gönderilmesini de içermelidir. Bu el değiştirme ve geri bildirim akışı, lead qualification process için temel kuralı oluşturur. Pazarlama ekibi bu geri bildirimleri haftalık olarak incelemelidir.

Satış temsilcisi adayı uygun bulmazsa, nedeni CRM’de seçebilmelidir: bütçe yok, yanlış sektör, zamanlama uygun değil veya yetkili kişi değil.

Bu geri bildirimler, modelin en değerli yakıtıdır. Pazarlama ekibi neden reddedildiğini görmeden yalnızca daha fazla form toplamaya çalışır. Satış ekibi de düşük kaliteli adaylarla uğraştığını düşünür.

CRM içinde otomasyon akışını kurun

CRM, customer relationship management sistemi olarak aday puanlarını, iş akışlarını ve satış atamalarını merkezi biçimde yönetir. HubSpot, Salesforce ve benzeri araçlar bu süreçleri otomatikleştirebilir. Ancak önce veri yapınızı sadeleştirmeniz gerekir.

Her aday kaydında kaynak, kampanya, UTM, şirket, kişi rolü, son etkileşim, toplam fit/engagement puanı, MQL tarihi, SQL tarihi, satış sonucu ve ret nedeni alanları bulunmalıdır. Aynı bilgiyi farklı alanlarda tutmak, raporlamayı bozar.

Aynı şirkete ait mükerrer kayıtları birleştirin. Raporlama öncesinde boş kaynak alanlarını kontrol edin. Puan değişikliklerini önceki değerleriyle birlikte geçmişte saklayın. Kampanya veya kaynak alanında content syndication kanalını ayrıca izleyin.

Puan değişince otomatik aksiyon alın

Bu marketing automation akışı, puan değişiminde görev açar, temsilci atar ve e-posta akışını başlatır. Aday puanı MQL eşiğini geçtiğinde satış temsilcisine otomatik görev oluşturun.

Örneğin demo isteyen uygun profili ilgili satış ekibine yönlendirin. Düşük puanlı adayı otomatik içerik akışına alın. SLA süresi aşılırsa yöneticiyi uyarın.

CRM ve pazarlama otomasyonundaki bu kurallar, insan hatasını azaltır. Yine de her akışı satış ekibinizin günlük çalışma biçimine göre kurun. Temsilci bildirimi görmüyorsa en iyi kuralın bile faydası sınırlı kalır.

email engagement ölçümünde yalnızca açılmaları izlemeyin. Tıklama, yanıt ve form dönüşümleri gibi sinyallere daha fazla ağırlık verin. Bu veriler, adayın gerçek ilgisini daha güvenilir gösterir.

Uzun satış döngülerinde otomatik lead takip e-posta akışları ile içerik, vaka analizi ve görüşme davetlerini adayın ilgi alanına göre planlayabilirsiniz. Otomasyonu, satış ekibinizin gerçekten kullandığı bildirim kanallarına göre kurun.

Pazarlama kanallarını form sayısıyla değil, gelirle okuyun

Dijital pazarlama yatırımlarında kanalları yalnızca form maliyetiyle karşılaştırmayın. Bir lead generation campaign veya content syndication kanalı, form hacmi yerine aday kaynağı, MQL, SQL, fırsat, kazanılan gelir ve kârlılık üzerinden değerlendirilmelidir. Bu yaklaşım, kanal bütçesinin brüt kâra ya da fırsat değerine katkısını ve return on investment sonucunu görünür kılar.

SEO uzmanı, SEO danışmanlığı sürecinde organik görünürlüğü ve CRM sonuçlarını birlikte incelemelidir. SEO, Google Ads, LinkedIn ve yeniden pazarlama kanallarını UTM, offline conversion ve CRM fırsat kayıtlarıyla eşleştirin. Hangi sorgu, içerik ve açılış sayfasının satışa katkı verdiği bu şekilde anlaşılır. account-based marketing çalışmalarında hedef hesap listelerini, şirket bazlı reklamları ve satışla ortak takibi izleyin; marka görünürlüğünü nitelikli talep ve gelirle birlikte değerlendirin.

Google Ads danışmanlığı, SEM danışmanlığı ve performans pazarlama çalışmalarında çevrim dışı dönüşüm verisini de kullanın. Google Analytics’te veri içe aktarma özelliği, reklam, GA4 ve CRM arasında aktarılan çevrim içi ve çevrim dışı conversion events verilerini bir arada raporlamanıza yardımcı olur.

Dönüşüm optimizasyonunda tek bir conversion rate ile karar vermeyin; form dönüşümünden MQL’ye ve MQL’den fırsata kadar her aşamayı ayrı ölçün. Açılış sayfanızın form uzunluğunu, teklif metnini ve güven unsurlarını da izleyin. Dönüşüm odaklı Google Ads yönetimi reklam, form ve CRM verisini aynı hedefe bağlayarak daha sağlıklı bütçe kararları sağlar.

Negatif puanlama ve puan eskimesini unutmayın

Pozitif puanlar kadar negatif puanlar da önemlidir. Hedef dışı sektör, öğrenci veya araştırma amaçlı başvuru, rakip firma e-posta alanı, geçersiz telefon numarası, hizmet verilmeyen bölge ve uzun süre hareketsizlik satış ekibinin zamanını tüketebilir. Bu nedenle bu yaklaşımı, satış önceliğini düzenleyen bir negative scoring mekanizması olarak kurgulayın. Örneğin bu sinyallere sırasıyla -20, -15, -25, -10, -20 ve -10 puan verebilirsiniz.

Negatif puan, kişiyi sistemden silmek veya fit skoru ile engagement skorunu tamamen sıfırlamak demek değildir. Yalnızca satış önceliğini azaltır. Böylece araştırma yapan veya yanlışlıkla form bırakan kişileri satış kuyruğunun önüne taşımazsınız.

Eski davranışların etkisini azaltın

Altı ay önce fiyat sayfanızı inceleyen bir aday bugün aynı sıcaklıkta değildir. Bu nedenle puan eskimesi kuralı kullanın. Örneğin 90 günlük modelde son 30 gün içindeki davranışlar %100, 31 ile 90 gün arasındaki davranışlar %50, 90 gün üzerindeki davranışlar %0 etkili olabilir.

Email engagement ölçümünde e-posta açılma oranını tek başına güçlü sinyal kabul etmeyin. Gizlilik korumaları, bazı açılmaları otomatik veya eksik gösterebilir. Tıklama ve yanıt, açılmadan daha güçlü sinyallerdir. Form dönüşümü, toplantı talebi ve web sitesi geri dönüşü de güvenilir davranışlardır.

Düşük puanlı ama profil olarak uygun adayları lead nurturing sürecinde tutun. İçerik, vaka analizi ve uygun zamanda görüşme davetiyle bu adayları takip edin. Düzenli ama gereksiz olmayan akış, doğru zaman geldiğinde adayları yeniden hareketlendirebilir.

Yapay zekâ destekli puanlama ne zaman gerekir?

Yapay zekâ, pazarlama ve AI marketing araçları, geçmiş satış kayıtlarındaki örüntüleri bulabilir. Predictive lead scoring, yeterli sayıda kazanılmış ve kaybedilmiş fırsat, tutarlı CRM sonuçları ve temiz kaynak verisi olduğunda test edilebilir.

Ancak yapay zekâ, eksik veya hatalı CRM verisini düzeltemez. Mükerrer şirket kayıtları, boş kaynak alanları, işlenmemiş satış sonuçları, eski unvanlar ve eksik firma bilgileri tahminleri bozabilir.

AI lead scoring uygulamalarına dair bu değerlendirme, modelin veri kalitesi ve satış süreciyle birlikte ele alınması gerektiğini gösterir. Önce kural tabanlı modeli kurup çalıştırın. Veri hacmi ve doğruluk metrikleri yeterli olduğunda tahmine dayalı modeli mevcut modelle karşılaştırarak test edin.

KVKK kapsamında veri işleme amacını, açık rızayı veya uygun hukuki sebebi, saklama süresini ve erişim yetkilerini belirleyin. Aydınlatma metnini güncel tutun, silme ve anonimleştirme süreçlerini tanımlayın. Skor, kişinin değerini değil, belirli bir ticari süreçteki önceliğini gösterir. Bu nedenle skor ve ilgili kişisel veriler yalnızca yetkili ekiplerin erişimine açık olmalıdır.

Modeli test edin, raporlayın ve büyütün

İlk kurulum için iki ila dört haftalık bir pilot çalışma çoğu B2B işletme için yeterlidir. Bu dönemde puan eşiğini, satışa atama akışını ve CRM alanlarını test edersiniz.

Sağlıklı bir değerlendirme için satış döngünüzün tamamlanmasını beklemeniz gerekebilir. Aylık gözden geçirmede lead qualification process kapsamında puan eşiğini, ret nedenlerini ve satış geri bildirimini birlikte inceleyin.

Her ay aşağıdaki oranları ve metrikleri tablo halinde takip edin. MQL, SQL, fırsat ve kazanım aşamalarını sales pipeline içinde birlikte izleyin. Aşama bazlı conversion rate karşılaştırması, darboğazları ve modelin satışa katkısını görünür kılar.

• Lead’den MQL’ye geçiş oranı, pazarlama kalitesini gösterir.
• MQL’den SQL’e geçiş oranı, satış ve pazarlama uyumunu gösterir.
• SQL’den fırsata geçiş oranı, satışa hazır olma düzeyini gösterir.
• Fırsattan kazanıma geçiş oranı, teklif ve kapanış performansını gösterir.
• Ortalama satış süresi ve kabul süresi, ekiplerin işlem hızını gösterir.
• Ret nedenleri, puan kriterlerinde düzeltilmesi gereken alanları ortaya çıkarır.
• Kazanılan gelir, kanal ve model etkisini gerçek sonuçlarla ölçmenizi sağlar.
• Eşik üstü adayların gerçek fırsata dönüşme oranı, puan eşiğinin doğruluğunu test eder.
• Kazanılan fırsatların ilk kaynakları, kanal yatırımlarını yönlendirir.
• Kaynak bazlı cohort raporu, content syndication kanalının MQL, SQL ve gelir katkısını karşılaştırır.

CRM ve pipeline KPI dashboardu ile bu metrikleri tek ekranda izleyebilirsiniz. GA4 tarafında User-ID kullanımı bu eşleştirmeyi destekler. CRM’de doğrulanmış demo, toplantı, teklif ve satış olaylarını conversion events olarak GA4 ve reklam verileriyle eşleştirin. Google’ın User-ID uygulama önerileri, çevrim dışı ana olayları ölçmek isteyen işletmeler için yol gösterir.

Eşiği yalnızca daha fazla MQL üretmek için düşürmeyin. Satış kabul oranı ve kazanılan fırsat kalitesiyle birlikte değerlendirerek eşiği yükseltin veya düşürün. Model için aylık operasyonel ve üç aylık stratejik inceleme takvimi oluşturun. Satış ve pazarlama SLA’sı için haftalık geri bildirim ritmi kurun.

Kurumsal web tasarım yapınız, form deneyiminiz ve CRM akışınız birbirinden kopuksa önce bu bağlantıları kurun. Dijital pazarlama ajansı desteği veya dijital pazarlama stratejisi oluşturma çalışması, kanalların aynı gelir hedefinde buluşmasına yardımcı olur.

Sıkça Sorulan Sorular

B2B lead scoring modelinde hangi veriler kullanılmalıdır?

CRM kayıtları, şirket ve kişi bilgileri, web sitesi davranışları, reklam kaynakları, e-posta etkileşimleri ve satış notları birlikte değerlendirilmelidir. Açık veriler fit skorunu, dijital davranışlar ise engagement skorunu oluşturur.

MQL ve SQL eşikleri nasıl belirlenir?

MQL ve SQL eşikleri evrensel standartlara göre değil, geçmiş satış ve dönüşüm verilerine göre belirlenmelidir. Puanın yanında son etkileşim, ihtiyaç, bütçe, yetki ve zamanlama da satış ekibiyle birlikte değerlendirilmelidir.

Tek bir yüksek puanlı davranış satışa hazır olmayı gösterir mi?

Hayır, tek bir fiyatlandırma sayfası ziyareti veya form gönderimi satış garantisi değildir. Uygun şirket profili, tekrarlanan satın alma sinyalleri ve güncel etkileşimler birlikte incelenmelidir.

Puanlama modeli ne sıklıkla güncellenmelidir?

Model aylık operasyonel, üç aylık stratejik incelemelerle ve satış geri bildirimleriyle gözden geçirilmelidir. Ret nedenleri, satışa dönüşüm oranları, puan eskimesi ve kazanılan gelir değiştikçe kriterler ve eşikler güncellenmelidir.

Yapay zekâ destekli lead scoring ne zaman kullanılmalıdır?

Predictive lead scoring, yeterli sayıda kazanılmış ve kaybedilmiş fırsat ile temiz ve tutarlı CRM verisi olduğunda test edilmelidir. Önce kural tabanlı model kurulmalı, yapay zekâ tahminleri mevcut modelin sonuçlarıyla karşılaştırılarak değerlendirilmelidir.

Sonuç: Puan değil, satışa yakınlık ölçün

İyi bir B2B lead scoring modeli, daha fazla adayı değil, doğru fit ve güncel etkileşim sinyalleriyle satışa yakın adayları öne çıkarır. Bunun için ideal müşteri profili, veri kaynakları, puan ağırlıkları, MQL/SQL eşikleri, SLA, negatif puanlama, KVKK ve düzenli optimizasyon birlikte çalışmalıdır.

Puanlama modeli yaşayan bir sistemdir. Satış sonuçları değiştikçe ağırlıkları, eşikleri ve otomasyonları güncelleyin. İşe yaramayan puanları kaldırın, gelir getiren davranışlara daha fazla ağırlık verin.

İlk adım olarak son dönem satış sonuçlarını CRM verileriyle karşılaştırın ve modeli buna göre güncelleyin.

 

İlgili yazılar: B2B SEO Anahtar Kelime Önceliklendirme Modeli Nasıl Kurulur? · B2B Intent Data ile Hesap Önceliklendirme Modeli Kurma Rehberi · GA4 Atıf Modelleri B2B Lead Raporlarını Nasıl Değiştirir?