Yapay zeka ile CRM pazarlaması: tahmin, içerik ve yapay zeka ajanları

Yapay zeka ile CRM (müşteri ilişkileri yönetimi) pazarlaması, müşteri verisinden tahmin üreten, hangi mesajın ne zaman ve hangi kanaldan gideceğine karar veren, mesaj metnini hazırlayan ve son dönemde kampanya adımlarını kendisi yürüten modellerin CRM çalışmalarında kullanılmasıdır. Pratikte dört ayrı iş anlamına gelir: tahmin, karar, içerik üretimi ve uygulama. Yapay zeka destekli CRM araçlarının çoğu bu dört işin hepsini aynı çatı altında satıyor ama her biri farklı veri ister, farklı risk taşır ve farklı olgunluktadır. Bu yazı dört işi ayırıyor, araçların kendi dokümanlarında ne anlattığını aktarıyor, verinin ne zaman hazır sayılacağını ve izin, sıklık ve marka dili gibi kuralların neden modelin dışında kalması gerektiğini anlatıyor.

Pazarlamada yapay zeka etiketi, CRM araçlarında birbirinden çok farklı özellikleri kapsıyor. Bir churn skorunu hesaplayan model ile e-mail konu satırı yazan dil modeli aynı teknoloji değil. Hangisini kullandığını bilmek, sonucuna ne kadar güveneceğini de belirler.

Tahmin: kim ayrılacak, kim satın alacak?

Tahmine dayalı modeller geçmiş davranıştan bir olasılık üretir. Braze'in Predictive Churn dokümanı, modelin hem ayrılan hem kalan kullanıcıların geçmiş davranışından öğrendiğini ve her kullanıcıya 0 ile 100 arasında bir churn riski skoru verdiğini anlatıyor. Klaviyo'nun tahmine dayalı analiz sayfası churn riskini, tahmini müşteri yaşam boyu değerini (CLV) ve bir sonraki siparişin beklenen tarihini hesaplıyor.

Churn'ün ne anlama geldiğini çoğu araçta sen tanımlarsın. Braze de churn tanımını işletmenin kendisinin yapmasını istiyor.

Karar: hangi mesaj, hangi kanal, ne zaman?

İkinci grup, mesajın zamanını, kanalını ve sıklığını kişi bazında seçen modeller. Braze'in Intelligent Timing özelliği her kullanıcı için etkileşim ihtimalinin en yüksek olduğu saati, Intelligent Channel filtresi de kullanıcının en çok etkileşim verdiği kanalı seçiyor. Insider One'ın Next Best Channel modeli, MoEngage'in Most Preferred Channel parametresi ve CleverTap'in IntelliTime özelliği aynı soruya cevap veriyor.

Bir sonraki adım olan "next best action" ise hangi kampanyanın kime gideceğine karar vermek. Salesforce, Campaign Agent'ın her müşterinin niyetine göre hangi kampanyanın ona ulaşacağını seçtiğini ve çakışan mesajları bastırdığını yazıyor.

Üretim: metin, konu satırı ve görsel

Üretken yapay zeka mesajın kendisini hazırlıyor. MoEngage'in Merlin AI'ı e-mail konu satırı ve metin üretiyor, CleverTap'in Scribe ajanı geçmiş kampanyalardan yola çıkarak metin taslağı yazıyor, Dengage'in Zeki AI'ı metni markanın diliyle yeniden yazıyor ve görsel üretiyor. Aynı grupta, düz bir cümleyle anlatılan kitleyi segment kurallarına çeviren araçlar da var: Klaviyo'nun Segments AI'ı, Braze'in Operator'ı, MoEngage'in Segment Assist'i, CleverTap'in Segment Builder'ı ve Dengage'in Segment Shaper'ı.

Uygulama: kampanyayı yürüten yapay zeka ajanları

Son grup, birden fazla adımı kendisi atan ajanlar. Bir hedef verirsin, ajan kitleyi kurar, içeriği hazırlar ve gönderim planını çıkarır.

Salesforce, HubSpot, Iterable, Klaviyo ve MoEngage bu yönde ürünler duyurdu. Bu alan en yeni ve en hızlı değişen kısım. Aşağıda ayrıca ele alınıyor.

İki grubun en önemli farkı sonuçtan öğrenip öğrenmemeleri. Braze bunu kendi dokümanında ayırıyor: öğrenen özellikler (tahmin, zamanlama, kanal seçimi) birçok kullanıcının sonuçlarından örüntü çıkarıyor, akıl yürüten özellikler (dil modeliyle çalışan ajanlar) ise tek bir kullanıcının bağlamı üzerinde çalışıyor. Braze, ajanlarının çıktının işe yarayıp yaramadığından öğrenmediğini ve sonuçlardan kendi kendine gelişmediğini de yazıyor.

Churn ve CLV skorları neyi söyler, neyi söylemez?

Bir churn skoru, sana kimin ayrılma ihtimalinin yüksek olduğunu söyler. Neden ayrılacağını ya da bir mesajın onu tutup tutmayacağını söylemez. Klaviyo, tahminlerin birçok müşterinin ortalamasında iyi çalıştığını ve tek bir kişi için kesin olması beklenmediğini not ediyor. Bu yüzden skoru tek kişilik kararlar için değil, kitleleri önceliklendirmek için kullanmak daha doğru.

Skorun yanında kural tabanlı bir bölümleme de iş görür. RFM analizi aynı soruya son satın alma, sıklık ve harcamadan bakarak cevap veriyor ve nasıl hesaplandığı açık. Tahmini CLV'yi kendi hesabınla karşılaştırmak istersen LTV hesaplama aracı geçmiş veriden basit bir yaşam boyu değer çıkarıyor.

Üretilen metin nerede işe yarar?

Üretken yapay zeka en çok taslak aşamasında işe yarıyor: konu satırı varyantları, kısa push metinleri, bir e-mailin farklı segmentlere göre uyarlanması ya da düz bir cümleden segment kuralı çıkarmak. Araçların kendileri de son kararı insana bırakıyor.

Klaviyo, yapay zekanın kurduğu segmentin son tanımından kullanıcının sorumlu olduğunu yazıyor. Braze'in Operator'ı önerdiği değişikliği önce bir karşılaştırma kartında gösteriyor ve kampanyayı başlatmayı kullanıcıya bırakıyor. Klaviyo'nun Composer ajanı için yazılan bir not da önemli: ajan sende olmayan bir özelliği uyduramaz, bu yüzden segment verinin izin verdiği kadar ayrıntılı olabilir.

Yapay zeka ajanları, CRM'de tek bir adımı değil bir işi yürütmeye başladı. Klasik bir CRM akışında tetikleyiciyi, bekleme süresini ve mesajı sen tanımlarsın. Ajanla çalışırken hedefi ve sınırları tanımlarsın, adımları ajan çıkarır.

Salesforce Haziran 2026'daki duyurusunda pazarlamacıların hedefleri, bütçeleri, kuralları ve özerklik sınırlarını belirlediğini, ajanların bu sınırlar içinde kampanya oluşturup yürüttüğünü anlatıyor. Salesforce, Eylül 2026'da Campaign Agent ürününün Ekim'de genel kullanıma açılacağını duyurdu. Haziran duyurusunda adı geçen Content Agent ve Marketing Goals Agent o tarihte pilot aşamasındaydı. HubSpot'un ajanları artık Agent Hub adı altında toplanıyor (eski adı Breeze Agents) ve kampanyayı planlayan, içeriği üreten ve potansiyel müşteriyi besleyen (nurture) ayrı ajanlardan oluşuyor.

"Ajan" kelimesi araçlarda iki farklı şeyi anlatabiliyor. Bazı araçlarda ajan, journey'nin içinde her kullanıcı için çalışan bir adım. Insider One'ın Call an Agent elemanı, journey'ye ulaşan her kullanıcının verisini okuyup yapılandırılmış bir çıktı döndüren bir akıl yürütme adımı ekliyor.

Bazı araçlarda ise ajan, bir hedefi optimize eden ve sonuçlardan öğrenen bir karar sistemi. Bir aracın "ajan" dediği şeyin hangisi olduğunu bilmek, ondan ne bekleyeceğini belirler.

Hangi aksiyonlar onaysız çalışmamalı?

Araçlar ajanları insan onayıyla birlikte tasarlıyor. Iterable, ajanların yaptığı işte her şey yayına girmeden önce son onayın kullanıcıda olduğunu yazıyor. HubSpot da ajanı yayına almadan önce test etmeyi ve sınırları kullanıcının belirlemesini öneriyor.

Bu sınırların içine şunlar girmeli: yeni bir kitleye ilk kez gönderim yapmak, indirim ya da fiyat içeren bir teklif oluşturmak, aktif bir journey'yi değiştirmek, bir kullanıcının izin ya da iletişim tercihine dokunmak ve CRM'deki müşteri verisini güncellemek. Bu aksiyonların hepsi geri alınması zor sonuçlar doğurur ve bir hata binlerce kişiye aynı anda yayılır.

Yapay zeka destekli CRM araçları, beslendikleri veriden daha iyi sonuç vermez. Araçların dokümanları da her modelin bir veri şartı olduğunu gösteriyor.

Klaviyo'nun CLV tahmini için en az 180 günlük sipariş geçmişi ve son 30 gün içinde sipariş gerekiyor. Salesforce'un Einstein Send Time Optimization özelliği 90 günlük etkileşim verisiyle çalışıyor. Braze'in Intelligent Channel filtresi bir kanalı sıralayabilmek için o kanaldan en az üç mesaj almış olmayı ve en az iki kanalda yeterli veri olmasını şart koşuyor. Insider One'ın Next Best Channel modeli son 6 ayın sinyallerine bakıyor.

Event verisi, kimlik eşleştirme ve tahmin edilecek bir sonuç

Bir modelin öğrenebilmesi için önce neyi tahmin edeceğini bilmesi gerekir: satın alma, abonelik iptali, uygulamayı silme ya da 30 gün boyunca hiç giriş yapmamak gibi net tanımlanmış bir sonuç olayı. Bunun yanında web ve uygulamadaki davranışın aynı kişiye bağlanması, olayların aynı isimle ve aynı parametrelerle gelmesi ve izin bilgisinin de bir veri alanı olarak tutulması gerekir. Mevcut event'lerin hangi journey'leri desteklediğini görmek istersen Journey oluşturucu elindeki event ve parametreleri okuyup bu eşleştirmeyi çıkarıyor.

Açılma verisi artık eskisi kadar güvenilir değil

Zamanlama ve kanal modellerinin bir kısmı e-mail açılmalarına dayanıyor. Apple'ın Mail Privacy Protection özelliği, göndericinin e-mailin açılıp açılmadığını görmesini engelliyor. Araçlar da buna göre ayar yapıyor.

Braze, makine açılmalarını Intelligent Timing hesabından çıkarıyor. Salesforce, açılmaların daha az güvenilir bir sinyal haline geldiğini ve Einstein Engagement Scoring modelinin artık yalnızca açılmalara değil, etkileşim ve abonelikten çıkma oranlarına da baktığını yazıyor. Insider One da Apple Mail'in otomatik açılmalar ürettiğini ve bunun saatlik açılma dağılımını bozabileceğini belirtiyor.

Kendi aracında zamanlama modelinin açılmayı nasıl kullandığını sormak bu yüzden önemli. Açılma verisinin teslim edilebilirlik tarafındaki etkisini e-mail teslim edilebilirliği yazısında anlattım.

Yapay zekanın karar verdiği bir CRM programında bazı kontroller pazarlık konusu değildir ve bunlar modelin içinde değil, her gönderimden önce çalışan sabit kurallar olarak kalmalı. Bir model yüksek satın alma ihtimali gördüğü kişiye daha sık mesaj göndermeyi öğrenebilir. Bir dil modeli, kampanyada olmayan bir indirimi metne ekleyebilir. Bu hataları modelin kendisinin yakalamasını bekleyemezsin.

İzin, bastırma listesi ve sıklık sınırı

İzni olmayan, abonelikten çıkmış ya da bastırma listesinde olan kişiye gönderim yapılmaması, kullanıcı başına günlük ya da haftalık mesaj sınırı ve sessiz saatler, hangi model ya da ajan çalışırsa çalışsın aynı şekilde uygulanmalı. Braze'in kendi önerisi de bu yönde: bir kural temiz veriyle soruyu cevaplayabiliyorsa standart bir adım kullan, yapay zekayı ancak bir kuralın ifade edemediği kararlar için kullan.

Üretilen metnin uyduramayacakları

Fiyat, indirim oranı, kampanya süresi, teslimat vaadi, yasal bilgilendirme metinleri ve ürün özellikleri üretken yapay zekanın serbestçe yazacağı alanlar değil. Bunları sabit alanlardan ya da ürün kataloğundan çekmek, modelin yalnızca bu alanların etrafındaki metni yazmasına izin vermek daha güvenli. Markanın kullanmadığı ifadeleri ve kategoriye özel yasakları da modele açıkça vermek gerekir.

KVKK ve İYS

Kişisel Verileri Koruma Kurumu, Kasım 2025'te Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi'ni yayımladı. Rehber, pazarlama ve reklamcılığı içerik üretimi, hedef kitle analizi ve kampanya optimizasyonu gibi süreçlerle üretken yapay zekanın yaygın kullanıldığı alanlar arasında sayıyor. Kişisel veri işleme faaliyetinin şeffaf olmasını ve aydınlatma yükümlülüğüne uyulmasını öne çıkarıyor. Ayrıca 6698 sayılı Kanun'un 11. maddesindeki, verilerin yalnızca otomatik sistemlerle analiz edilmesi sonucu kişinin aleyhine bir sonuç çıkmasına itiraz etme hakkını hatırlatıyor.

Ticari e-mail ve SMS tarafında ise İYS kuralları geçerli: Resmî Gazete'deki 2020 yönetmelik değişikliğine göre İYS'de onayı bulunmayan alıcılara ticari elektronik ileti gönderilemez. Mesajı bir insanın ya da bir yapay zeka ajanının hazırlamış olması bu kuralı değiştirmez. Bu yüzden izin kontrolü ajanın vereceği bir karar değil, gönderimden önce çalışan bir kural olmalı. Bu bölüm hukuki görüş değil, kendi kullanımın için hukuk ekibinle konuşmalısın.

Kuralın hâlâ daha iyi olduğu durumlar

Her CRM sorusunun cevabı bir model değil. Gönderim hacmi düşükse ya da tahmin edilecek sonuç az sayıda gerçekleşiyorsa, modelin öğreneceği kadar örnek yoktur.

Şifre sıfırlama, sipariş onayı ve fatura gibi işlemsel mesajlarda zamanlamayı ya da metni bir modele bırakmanın faydası yok, bu mesajlar hemen ve aynı içerikle gitmeli. Birkaç haftalık kısa kampanyalarda modelin öğrenme süresi kampanyanın kendisinden uzun olabilir. Kuralın açıkça yazılabildiği durumlarda da (örneğin sepetini bırakan kişiye bir saat sonra hatırlatma) kural daha anlaşılır, test etmesi ve açıklaması daha kolaydır.

Journey örneklerinde yapay zekanın yeri

Yapay zeka çoğu zaman yeni bir journey kurmaz, mevcut bir journey'nin tek bir adımını iyileştirir. Journey kütüphanesindeki bazı akışlarda modelin nereye oturabileceğine birkaç örnek:

• Churn riskine kademeli müdahale: Tetikleyici bir churn skorunun eşiği geçmesi olabilir, müdahalenin seviyesi kurallarla belirlenir.
• Tahmini yenileme hatırlatması: Bir sonraki siparişin beklenen tarihi, hatırlatmanın zamanını belirleyebilir.
• Eski müşteriyi geri kazanma: Kanal seçimi ve gönderim saati kişi bazında seçilebilir, teklifin kendisi sabit kalır.
• Uygulama kurulumundan ilk değere: Üretken yapay zeka, kullanıcının ilk ilgisine göre onboarding mesajının varyantlarını hazırlayabilir.
• Yanıt vermeyen aboneyi sonlandırma: Etkileşim modelleri pasif aboneyi daha erken gösterebilir ama sonlandırma kararı açık bir kural olarak kalmalı.

Her akışın tetikleyicisi, bekleme süreleri ve çıkış koşulları kendi sayfasında anlatılıyor.

Bir CRM ekibi için aşamalı başlangıç

Yapay zekayı CRM programına tek seferde değil, risk seviyesine göre adım adım eklemek daha güvenli. Önerdiğim sıra şöyle:

1. Taslak ve yardım: Konu satırı varyantları, metin taslakları ve düz cümleden segment kurma ile başla. Her çıktıyı bir insan onaylar ve hiçbir şey kendiliğinden yayına girmez.
2. Zamanlama ve kanal: Verinin yeterli olduğu kanallarda gönderim saati ve kanal seçimini modele bırak. Salesforce'un kendi önerisi gibi, aynı mesajı modelli ve modelsiz gönderip sonucu karşılaştır.
3. Tahmine dayalı segmentler: Churn ya da satın alma skorlarını mevcut journey'lerin tetikleyicisi veya filtresi olarak kullan. Skoru yeni bir akış kurmak için değil, var olan akışı doğru kişiye yönlendirmek için kullan.
4. Ajanlara sınırlı yetki: Ajanlara önce tek bir aksiyon ver, her adımı kayıt altına al ve geri alma yolunu baştan belirle. İzin, bastırma ve sıklık kuralları bu aşamada da modelin dışında kalır.

İkinci adımdaki karşılaştırmanın nasıl okunacağını varsayımsal bir örnek gösteriyor. 40.000 kişilik bir kitleyi rastgele ikiye böl. 20.000 kişi mesajı sabit bir saatte, 20.000 kişi modelin seçtiği saatte alsın. Sabit saatte gönderilen grupta 400 kişi (%2,0), model grubunda 460 kişi (%2,3) satın alsın. Model 60 ek sipariş getirmiş görünüyor, göreli olarak %15'lik bir fark.

Bu farkın rastlantıyla açıklanıp açıklanamayacağını istatistiksel olarak kontrol etmeden modeli kalıcı hale getirmemek gerekir. Aynı iki grupta abonelikten çıkma ve şikayet sayılarını da ayrı ayrı izlemek, ek satın almanın daha fazla rahatsızlık pahasına gelip gelmediğini gösterir.

Bu sıra, her adımda neyin değiştiğini görmeni ve bir sorun çıktığında hangi katmandan geldiğini bulmanı kolaylaştırır. Hangi CRM ve pazarlama otomasyonu aracının hangi kanalları yönettiğine bakmak istersen CRM ve pazarlama otomasyonu araçları yazısı araçları yan yana koyuyor.