Yapay Zekâ Destekli CRM Nasıl Çalışır?

Yapay zekâ destekli CRM, müşteri kayıtlarını tutan klasik CRM'in üzerine metni ve konuşmayı yorumlayabilen modeller ekler. Gelen bir mesajda müşterinin ne istediğini sınıflandırmak, uzun bir telefon görüşmesini birkaç satırlık nota çevirmek, talebi en uygun kişiye yönlendirmek ya da geciken bir fırsat için uyarı üretmek bu modellerin üstlenebileceği işlerdendir. Ortak amaç, ekibin zamanını tekrarlayan işlerden kurtarıp müşteriyle görüşmeye ayırmaktır.

Ancak yapay zekânın değeri, üzerine kurulduğu verinin kalitesiyle sınırlıdır. Aşamaları tanımsız, kayıp nedenleri boş, görüşme notları eksik bir CRM'de model de tutarsız sonuç üretir. Bu yüzden her kullanım alanında üç soruyu birlikte ele alıyoruz: Model hangi veriyle çalışacak, çıktısı nasıl doğrulanacak ve hata yaptığında kim devreye girecek? Kurulum ve otomasyon tarafındaki çalışma yöntemimizi yapay zekâ, CRM ve otomasyon sayfamızda bulabilirsiniz.

Niyet ve sınıflandırma

Niyet analizi, müşterinin mesajından ne istediğini çıkarmaktır: fiyat bilgisi, randevu talebi, servis sorunu, şikâyet ya da mevcut bir siparişin durumu. Form metni, WhatsApp mesajı veya e-posta bu şekilde etiketlendiğinde doğru ekibe daha hızlı ulaşır; raporlarda da hangi tür taleplerin arttığı görünür.

Etiket listesini işletmenin kendisi belirlemelidir. “Fiyat sorusu” ile “kampanya sorusu” gibi birbirine çok yakın etiketler, modelin de ekibin de karıştırdığı ayrımlardır; liste kısa, açık ve birbirini dışlayan kategorilerden oluşmalıdır. Kurguya bir güven eşiği de eklenmelidir: Model sınıflandırmadan emin olmadığında ya da güven puanı belirlenen eşiğin altında kaldığında mesaj otomatik işleme alınmaz, bir çalışanın kontrolüne düşer.

Kontrol noktası bir örneklem testidir: Geçmiş dönemden birkaç yüz mesajı ekip elle etiketler ve sonuç modelin etiketleriyle karşılaştırılır. Uyuşmazlığın yoğunlaştığı kategorilerde ya tanım belirsizdir ya da o kategori için daha fazla örnek gerekir. Bu test, sistem devreye alınmadan önce yapılmalı ve belirli aralıklarla tekrarlanmalıdır.

Görüşme özeti

Görüşme sonrası not yazmak, temsilcilerin en çok ertelediği işlerden biridir; bu yüzden CRM'deki notlar çoğu zaman eksik kalır. Yapay zekâ, kaydedilmiş bir görüşmenin dökümünden ya da uzun bir yazışmadan kısa bir özet çıkarabilir: müşterinin ihtiyacı, sorduğu sorular, konuşulan fiyat veya tarih ve kararlaştırılan sonraki adım.

Özetin güvenilir olması için şablonu belli olmalıdır. Serbest bir paragraf yerine “ihtiyaç, itirazlar, verilen sözler, sonraki adım” gibi sabit başlıklar hem okumayı hızlandırır hem de eksik bilgiyi görünür kılar. Dil modelleri kaynakta olmayan bir ayrıntıyı özete ekleyebilir; bu nedenle özet, görüşmeyi yapan temsilcinin onayından sonra kayda işlenmeli ve yapay zekâ tarafından üretildiği belirtilmelidir.

Görüşme kaydı alınacaksa karşı tarafın bilgilendirilmesi ve kişisel veri mevzuatına uygun hukuki dayanağın belirlenmesi gerekir. Kontrol noktası: Temsilcilerin onay sırasında özetleri ne sıklıkla düzelttiğini izleyin; düzeltme oranı yüksekse şablon veya kayıt kalitesi gözden geçirilmelidir.

Akıllı atama

Klasik CRM'de atama kurallarla yapılır: Belirli bir bölgeden gelen talep belirli bir ekibe, belirli bir ürün için gelen talep belirli bir uzmana gider. Yapay zekâ bu kurallara mesajın içeriğinden çıkarılan bilgiyi ekler. Form “genel iletişim” olarak gelmiş olsa bile içerik bir servis şikâyetine işaret ediyorsa kayıt satış yerine servis ekibine yönlendirilebilir.

Atamada uygunluk kadar iş yükü de hesaba katılmalıdır. En deneyimli temsilciye sürekli en iyi talepleri gönderen bir sistem kısa sürede onun kuyruğunu tıkar; açık iş sayısı, mesai ve izin durumu karara girmelidir. Model karar veremediğinde ya da veri eksik olduğunda uygulanacak varsayılan kural da tanımlanmalıdır; hiçbir kayıt sahipsiz kalmamalıdır.

Her atama kararının nedeni kaydedilmelidir: Talep neden bu kişiye gitti? Bu bilgi hem yanlış yönlendirmeleri düzeltmek hem de ekip içinde adalet algısını korumak için gereklidir. Kontrol noktası: Başka bir kişiye yeniden atanan kayıtların oranı yükseliyorsa atama mantığı gözden geçirilmelidir.

Tahmin ve uyarı

Tahmin modelleri geçmiş verideki örüntülere bakarak bir sonucun olasılığını hesaplar: bir lead'in satışa dönme, bir fırsatın kazanılma ya da bir müşterinin ilişkiyi sonlandırma olasılığı. Bu tahminlerin anlamlı olması için CRM'de yeterli sayıda kapanmış kayıt bulunmalı ve bu kayıtların sonucu düzenli tutulmuş olmalıdır. Sonucu belirsiz kayıtlarla beslenen model puan üretir, ama bu puan karar vermeye yardım etmez.

Uyarılar tahminden daha basit ve çoğu zaman daha yararlıdır: bir süredir işlem görmeyen fırsat, tarihi geçmiş görev, olağandan uzun süredir yanıt bekleyen mesaj. Tehlike, uyarı sayısı arttıkça ekibin uyarıları okumamaya başlamasıdır. Her uyarının bir sahibi ve beklenen bir eylemi olmalı; eylem gerektirmeyen bildirimler kapatılmalıdır.

Tahmin puanı temsilciye gerekçesiyle birlikte gösterilmelidir; tek başına “düşük olasılık” etiketi, o müşterinin hiç aranmamasına yol açabilir. Kontrol noktası: Dönem sonunda yüksek puan alan kayıtların gerçekten daha yüksek oranda satışa dönüp dönmediğini karşılaştırın.

İnsan kontrolü

Temel soru, hangi kararların modele bırakılacağı ve hangilerinin insan onayı gerektireceğidir. Genel ilke şudur: Geri alınması kolay ve düşük riskli işler (etiketleme, özet taslağı, iç bildirim) otomatikleştirilebilir. Müşteriye taahhüt içeren, geri alınması zor ya da hukuki sonuç doğurabilecek işler (fiyat ve indirim teklifi, sözleşme koşulları, şikâyet yanıtı) ise insan onayından geçmelidir.

Müşteriyle doğrudan yazışan otomasyonlarda devir noktaları önceden tanımlanır: Müşteri bir insanla görüşmek istediğinde, model soruyu anlamadığında ya da konu kritik bir kategoriye girdiğinde görüşme geçmişiyle birlikte bir çalışana aktarılır. Bu sınırları insan onayının nerede gerektiğini anlatan yazıda örneklerle ele aldık.

Denetlenebilirlik de insan kontrolünün parçasıdır: Modelin hangi kayıtta ne önerdiği ve bu önerinin onaylanıp onaylanmadığı saklanmalıdır. Müşteri verisi harici bir yapay zekâ hizmetine gönderiliyorsa verinin nerede işlendiği ve saklanıp saklanmadığı KVKK açısından ayrıca değerlendirilmelidir.

Uygulamada sık yapılan hatalar

• Veri kalitesini düzeltmeden yapay zekâdan tutarlı sonuç beklemek.
• Birbirine çok yakın, tanımsız etiketlerle niyet sınıflandırması kurmak.
• Görüşme özetlerini temsilci onayı olmadan müşteri kaydına işlemek.
• Modelin karar veremediği durumlar için varsayılan atama kuralı tanımlamamak.
• Eylem gerektirmeyen uyarılarla ekibi bildirim yağmuruna tutmak.

Çamlıca yaklaşımı

Yapay zekâ projelerine küçük ve ölçülebilir bir kullanım alanıyla başlıyoruz; model çıktısını ekibin gerçek kararlarıyla karşılaştırmadan kapsamı genişletmiyoruz. Çamlıca Reklam Ajansı bünyesindeki diğer hizmetlerimizde olduğu gibi burada da işe hedefleri ve sorumlulukları yazılı hâle getirerek başlıyoruz; otomasyonun sınırlarını ve insanın devreye girdiği noktaları kurulumdan önce belirliyoruz.

Modelin işlediği veri formlardan, reklamlardan ve organik aramadan gelir; bu kanallar doğru veri taşımıyorsa yapay zekâ da doğru sonuç veremez. Bu yüzden projeyi gerektiğinde web tasarım ve yazılım, dijital reklam ve performans pazarlaması ile SEO, AEO ve GEO ekiplerimizle birlikte yürütüyoruz. Talebin ilk karşılandığı yer için kurumsal web sitesi rehberimizi, talebin geldiği kanallar için dijital reklam kanalları yazımızı okuyabilirsiniz.