AI Destekli İnşaat CRM Satın Alırken Hangi Soruları Sormalısınız?

AI destekli inşaat CRM değerlendirirken sorulması gereken üç soru vardır: yazılım hangi işi yapıyor, bu işi hangi veriyle yapıyor ve çıktısını denetleyebiliyor musunuz. Bugün piyasadaki CRM'lerin büyük kısmı bir biçimde yapay zeka iddiası taşıyor; aralarındaki fark iddianın varlığı değil, iddianın test edilebilir olup olmamasıdır. "Yapay zeka destekli" ifadesi tek başına hiçbir şey söylemez — arkasında kural tabanlı basit bir filtre de, geçmiş satış verinizle eğitilmiş bir model de olabilir.

Bu yazı yapay zekânın gayrimenkul satışında ne işe yaradığını anlatmıyor; o konu gayrimenkul satışında yapay zeka yazısında ele alınmıştır. Burada konu satın alma öncesi değerlendirme: satıcıya hangi soruların sorulacağı, demo'da iddianın nasıl test edileceği, kendi verinizin bu özellikleri çalıştırmaya yetip yetmediği ve sözleşmede nelerin yazılı olması gerektiği. CRM seçiminin genel kriterleri ise CRM programı seçerken ve en iyi gayrimenkul CRM yazılarındadır.

"AI destekli" ne demek, ne demek değil?

Değerlendirmenin ilk adımı terminolojiyi ayırmaktır. Satış sunumlarında aynı başlık altında toplanan üç farklı şey vardır ve üçünün değeri, maliyeti ve riski farklıdır.

Beşinci satır özellikle yaygındır. Koşula bağlı otomatik mesaj gönderimi yararlı bir özelliktir ama yapay zeka değildir; otomasyon olarak zaten değerlendirilmelidir. Bu ayrımı yapmak, "AI" için ek ücret ödeyip ödemediğinizi anlamanın tek yoludur. Kural tabanlı otomasyonun kapsamı gayrimenkul satış otomasyonu yazısında ele alınmıştır.

Kural tabanlı olmak bir kusur değildir. Çoğu inşaat firması için şeffaf ve elle ayarlanabilir bir puanlama, açıklanamayan bir modelden daha kullanışlıdır. Önemli olan hangisini aldığınızı bilmektir.

Birinci eksen: hangi işi yapıyor?

AI özelliklerini değerlendirirken en çok yapılan hata, özelliğin adına bakıp işlevini varsaymaktır. Her özellik için üç şeyin net olması gerekir: girdi, çıktı ve çıktının kime ne yapmasını söylediği.

• Girdi. Hangi alanları okuyor? Lead formundaki beyan mı, aktivite geçmişi mi, maket davranışı mı, tahsilat verisi mi? Girdi listesi belirsizse çıktı da yorumlanamaz.
• Çıktı. Bir sayı mı (skor, olasılık), bir sıralama mı, bir metin mi, bir eylem mi? Eylem üretiyorsa onay gerektiriyor mu?
• Kararın sahibi. Çıktı bir öneri mi, yoksa sistem kendiliğinden bir şey mi yapıyor? Müşteriye otomatik mesaj gidiyorsa bu bir öneri değil eylemdir ve onay mekanizmasına bağlanması gerekir; konu satış onay süreçleri yazısında ele alınmıştır.

Pratik bir test: satıcıya "bu özellik kapalıyken ekibin davranışı ne olur, açıkken ne değişir?" diye sorun. Cevap somut bir davranış değişikliği içermiyorsa özellik bir gösterge panosundan öteye geçmiyor demektir.

İkinci eksen: hangi veriyle çalışıyor?

Bu, satın alma kararında en belirleyici ama en az sorulan eksendir. Bir modelin performansı, satıcının yazılımından çok sizin verinize bağlıdır.

Veri kaynağı: kendi veriniz mi, havuz mu?

Üç olasılık vardır ve her birinin farklı sonucu olur. Model yalnızca sizin verinizle çalışıyorsa çıktı sizin projenize özgü olur ama yeterli geçmiş veri biriktirene kadar zayıf kalır. Sektör havuzuyla çalışıyorsa ilk günden çıktı üretir ama sizin fiyat bandınıza ve alıcı profilinize uymayabilir. Karma yapıda ise havuz başlangıç sağlar, zamanla kendi veriniz ağırlık kazanır.

Burada sorulması gereken kritik soru şudur: benim verim başka müşterilerin modelini eğitmek için kullanılıyor mu? Cevap evetse bu, sözleşmede açıkça düzenlenmesi gereken bir konudur. Veri sahipliği ve kullanım hakları, AI'lı bir CRM'de klasik bir CRM'den daha kritik hâle gelir.

Ne kadar geçmiş veri gerekiyor?

Bir özelliğin ilk günden çıktı vermesi tek başına kusur değildir ve sizin verinizi kullanmadığı anlamına da gelmez. Önceden eğitilmiş bir model, o anki proje ve lead verinizi girdi olarak alıp ilk günden çalışabilir; kural tabanlı bir puanlama ise hiç eğitim verisi gerektirmeden doğrudan sizin kayıtlarınız üzerinde çalışır. Belirleyici olan "ne zaman çalışmaya başladığı" değil, hangi yapıya dayandığıdır. Bu nedenle tek bir soru yerine beş soru sorulmalıdır:

1. Model önceden eğitilmiş mi? Eğitilmişse hangi veri üzerinde eğitildiği ve bu verinin sizin segmentinize benzerliği sorulur.
2. Kural tabanlı mı? Kural tabanlıysa kural listesi ve eşikler gösterilebilir; eğitim verisi gerekmez.
3. Firmanın geçmiş verisiyle ayrıca kalibrasyon veya eğitim yapıyor mu? Yapıyorsa bunun için ne kadar kayıt gerektiği ve ne sıklıkla tekrarlandığı önemlidir.
4. Mevcut proje verisini yalnızca girdi olarak mı kullanıyor? Bu durumda çıktı sizin verinize dayanır ama model sizin geçmişinizden öğrenmiyordur.
5. Kullanım arttıkça firmanın verisine göre adapte oluyor mu? Adaptasyon varsa çıktının zaman içinde değişeceğini bilerek izlemek gerekir.

Bu beş sorunun cevabı, çıktıyı nasıl yorumlayacağınızı belirler. "Hemen çalışır" cevabı kendi başına kırmızı bayrak değildir; satıcının bunun nasıl mümkün olduğunu açıklayamaması kırmızı bayraktır. Açıklama geldiğinde ise sıradaki soru nettir: firmanın kendi verisiyle kalibrasyon yapılıyorsa bunun için kaç kapanmış satış ve kaç lead kaydı gerekiyor?

Bu soru inşaat sektöründe özellikle önemlidir çünkü gözlem sayısı düşüktür. Yılda yüz daire satan bir proje, dijital pazarlama ölçeğinde çok küçük bir veri kümesidir. Düşük gözlem sayısında tahmin modelleri dalgalanır; bu, modelin kötü olduğu anlamına gelmez ama çıktının tek başına karar verdirmemesi gerektiği anlamına gelir. Aynı istatistiki sınır satış tahmininde de geçerlidir ve satış tahmini yazısında ele alınmıştır.

Veri kalitesi önkoşulu

Eksik ve tutarsız kayıtlar üzerinde çalışan bir skorlama, yanlış önceliklendirme üretir. Bu önkoşul inşaat CRM nedir yazısında da belirtilmiştir; burada eklenmesi gereken şey, satın alma öncesinde kendi verinizin bu önkoşulu karşılayıp karşılamadığını ölçmektir. Pratik kontrol listesi şudur:

1. Kaynak etiketi doluluk oranı. Lead kayıtlarının yüzde kaçında kaynak alanı dolu? Boşsa kanal sinyali kullanılamaz; konu lead attribution yazısındadır.
2. Aşama tanımlarının tekliği. "Nitelikli lead" ve "teklif verildi" ifadeleri ekipte aynı şeyi mi ifade ediyor? Farklı yorumlanan aşamalar modeli eğitilemez hâle getirir.
3. Kayıp nedeni doluluk ve çeşitliliği. Kayıpların nedeni kaydedilmiyorsa model yalnızca kazananları görür; bu da taraflı bir öğrenme demektir.
4. Aktivite kaydı gecikmesi. Görüşmeden günler sonra girilen kayıtlar, zaman temelli sinyalleri bozar.
5. Mükerrer kayıt oranı. Aynı müşterinin birden fazla kaydı varsa davranış sinyali bölünür.
6. Geçmiş derinliği. Kaç aylık/yıllık kayıt var ve bu dönemde fiyat politikası kaç kez değişti? Çok değiştiyse eski veri yeni dönemi açıklamaz.

Bu altı maddenin durumu kötüyse yapılacak doğru yatırım AI değil veri disiplinidir. Zayıf veri üzerine kurulan bir model, yanlış kararı daha hızlı verdirir.

Üçüncü eksen: çıktı denetlenebilir mi?

Bir skorun veya tahminin kullanılabilir olması, ekibin ona güvenmesine bağlıdır; güven ise gerekçenin görünmesiyle kurulur. Danışman bir lead'in neden yüksek puan aldığını bilmiyorsa sıralamaya uymaz, kendi sezgisiyle çalışmaya devam eder ve özellik fiilen kullanılmaz.

Satıcıya sorulması gereken üç soru:

• Gerekçe gösteriliyor mu? Skorun yanında "neden" bilgisi var mı — hangi sinyaller bu sonucu üretti?
• Elle müdahale edilebiliyor mu? Danışman veya yönetici skoru geçersiz kılabiliyor mu, bu müdahale kayda geçiyor mu?
• Ağırlıklar ayarlanabiliyor mu? Sizin projenizde bütçe sinyali daha belirleyiciyse bunu yansıtmak mümkün mü?

Üçüncü soruya "hayır" cevabı tek başına diskalifiye edici değildir; ancak o zaman çıktının sizin satış gerçeğinize uymadığı durumlarda yapabileceğiniz bir şey olmadığını bilerek almanız gerekir.

Ayrıca pratik bir yönetim kuralı: AI çıktısı danışman performans değerlendirmesine bağlanmamalıdır. Skor ödüle bağlandığı anda ekip veriyi doğru girmek yerine skoru yükseltecek biçimde girmeye başlar ve modelin beslendiği veri bozulur. Aynı mantık sunum analitiği için de geçerlidir ve sunum analitiği yazısında ele alınmıştır.

Demo'da iddia nasıl test edilir?

Hazır demo verisiyle yapılan gösterim hiçbir şey kanıtlamaz; o veri özelliğin iyi görünmesi için seçilmiştir. Anlamlı test kendi verinizle yapılır.

Holdout testi en değerli olanıdır ama metodolojisi kritiktir: sonucu satıcıdan gizlemek tek başına yeterli değildir. Test verisinin modelin eğitiminde, kalibrasyonunda veya ayar sürecinde daha önce kullanılmamış olması gerekir. Model aynı geçmiş kayıtlarla eğitildiyse, o kayıtlar üzerinde alınan yüksek başarı gerçek hayattaki performansı kanıtlamaz — model yalnızca kendisine öğretilmiş olanı tekrar etmiş olur.

Pratik kurulum şudur: geçmiş veriyi iki parçaya bölün ve ikinci parçayı hiç paylaşmayın. Kurulum ve kalibrasyon birinci parçayla yapılsın, ölçüm ikinci parça üzerinde yapılsın. Mümkünse ayırma tarih bazlı olsun; aynı dönemden rastgele seçilen kayıtlar birbirine fazla benzeyebilir. Satıcıdan hangi verilerin eğitim ve kalibrasyonda kullanıldığının yazılı olarak teyit edilmesi, testin anlamlı olmasının ön koşuludur.

Test için veri paylaşacaksanız kişisel verilerin maskelenmesi veya sözleşmesel çerçevenin önceden kurulması gerekir.

Satıcıya sorulacak on iki soru

Dokuzuncu soru ticari olarak en çok sürpriz üretenidir: AI özellikleri sıklıkla kullanım bazlı limitlerle gelir ve limit aşımı maliyeti bütçeye sonradan girer. Toplam maliyet hesabının kurulumu gayrimenkul CRM fiyatları ve CRM ROI yazılarında ele alınmıştır.

Veri yönetişimi ve kişisel veri boyutu

Otomatik skorlama ve tahmin uygulamaları kişisel verilerin işlenmesi anlamına gelir; bu nedenle aydınlatma yükümlülüğü, işlemenin hukuki dayanağı ve saklama süreleri satın alma öncesinde değerlendirilmelidir. Kişi hakkında otomatik değerlendirme yapılması ve bunun sonuçlarının kişiyi etkilemesi hâlinde ek değerlendirme gerekebilir.

Barındırma ve veri aktarımı ayrı bir başlıktır: modelin nerede çalıştığı, verinin yurt dışına aktarılıp aktarılmadığı ve aktarım varsa hangi hukuki mekanizmaya dayandığı netleştirilmelidir. Konunun genel çerçevesi gayrimenkul satışında KVKK uyumluluğu yazısında, barındırma tercihi bulut mu yerel sunucu mu yazısında ele alınmıştır. Sözleşme ve aydınlatma metinlerinin bu kullanımı kapsayıp kapsamadığı konusunda şirket avukatından görüş alınmalıdır.

Hangi özellikle başlanmalı?

Tüm AI özelliklerini aynı anda devreye almak, hiçbirinin işe yarayıp yaramadığını anlamamakla sonuçlanır. Önceliklendirmenin pratik ölçütü şudur: çıktısı en kolay doğrulanabilen özellikle başlamak.

Buradan çıkan pratik sıra şudur: metin tarafıyla başlayın, lead skorlamayı görülmemiş bir dönem üzerinde doğrulayıp devreye alın, tahmin tarafını en az üç aylık gözlemden sonra karara dahil edin. Fiyatlandırma kararlarını AI çıktısına bağlamadan önce kendi verinizle uzun dönem karşılaştırma yapın; fiyat kararının hangi verilere dayandığı kademeli fiyat artışı yazısında ele alınmıştır.

Altmış günlük pilot nasıl tasarlanır?

1. Başarı kriterini önce yazın. "Faydalı olursa devam ederiz" bir kriter değildir. Ölçülebilir bir ifade gerekir: örneğin skorun üst diliminde yer alan lead'lerin randevuya dönme oranının, alt dilime göre anlamlı biçimde yüksek olması.
2. Ölçümü görülmemiş veri üzerinde yapın. Pilot boyunca gelen yeni lead'ler modelin eğitiminde veya kalibrasyonunda kullanılmamış olduğu için en sağlıklı ölçüm zeminidir. Kurulum sırasında geçmiş veriyle kalibrasyon yapıldıysa, başarı o kayıtlar üzerinde değil pilot döneminin yeni kayıtları üzerinde değerlendirilmelidir.
3. Karşılaştırma grubu bırakın. Ekibin bir kısmı skoru görmeden çalışmaya devam etsin. Herkesin aynı anda yeni sisteme geçtiği pilotlarda etkiyi ayrıştırmak mümkün olmaz.
4. Veri disiplinini sabitleyin. Pilot süresince aşama tanımları ve zorunlu alanlar değişmemelidir; aksi halde sonuç okunamaz.
5. Danışman geri bildirimini kayıt altına alın. Skorun yanlış olduğunu düşündükleri vakaları işaretlesinler; bu liste pilotun en değerli çıktısıdır.
6. Altmışıncı günde karar verin. Devam, ayar veya kapatma. Karara bağlanmayan pilot, süresiz bir deneme hâline gelir ve kimse sonucunu sormaz.

Pilotun ölçümü mevcut raporlama ritminize bağlanmalıdır; ayrı bir takip dosyası genellikle ikinci haftada bırakılır. Ritim kurgusu satış raporlama ritmi yazısında, lead tarafındaki ölçümler lead response time ve satış ekibi KPI yazılarında ele alınmıştır.

Evon'un AI iddiaları ve bunların doğrulanması

Evon'un canlı sitesinde yer alan AI ifadeleri şunlardır: AI destekli lead skorlama, sıcak lead'in otomatik belirlenmesi (bütçe, zaman ve kanal sinyalleriyle), dönüşüm tahmini (her lead için kapanış olasılığı) ve satış ekibi için bir AI asistan — konuşmalardan müşteri bilgisi çıkarma, en sıcak lead'i belirleme ve otomatik takip mesajı önerme. Modül listesinde ayrıca Yapay Zeka Analizleri ve Yapay Zeka Destekli İçerik Üretimi bulunmaktadır.

Bu yazının kendi mantığı Evon için de geçerlidir: yukarıdaki ifadeler ürün sayfasında doğrulanabilir iddialardır, ancak sizin projenizde ne üreteceği ancak kendi verinizle test edilerek anlaşılır. Bu nedenle değerlendirme yaparken sorulması gereken sorular aynıdır — skorun gerekçesinin gösterilip gösterilmediği, hangi alanların girdi olarak kullanıldığı, anlamlı çıktı için ne kadar geçmiş veri gerektiği ve görülmemiş bir dönem üzerinde holdout testinin yapılıp yapılabileceği. Bunların kendi kurulumunuzda nasıl çalıştığı demo üzerinden doğrulanmalıdır.

Birden fazla satıcıyı aynı ölçekte nasıl karşılaştırırsınız?

Değerlendirme birkaç tedarikçi arasında yapılıyorsa, her sunumdan sonra farklı şeyler hatırlandığı için karşılaştırma zemini kaybolur. Pratik çözüm, her satıcı için aynı başlıkları doldurmaktır.

Bu tablonun değeri puanlamada değil, boş kalan hücrelerde ortaya çıkar. Dört satıcıdan üçünün veri eşiği hücresi boşsa, o soruyu kimse cevaplamamış demektir ve karar bu bilgi alınmadan verilmemelidir. Aynı mantıkla holdout testi hücresi yalnızca bir satıcıda doluysa, karşılaştırma aslında yapılmamıştır.

CRM'inizde AI zaten var ama kullanılmıyorsa

Yaygın bir durum: firma AI özellikleri olan bir CRM kullanıyor ama ekip bunları açmamış bile. Bu, satın alma hatasından çok devreye alma eksikliğidir ve nedeni genellikle üç başlıkta toplanır.

• Özellik ekibe hiç tanıtılmamıştır. Kurulum sırasında temel modüller üzerinde durulur, analitik katman "sonra bakarız" diye bırakılır ve bir daha dönülmez.
• Çıktıya güvenilmemiştir. Danışman ilk birkaç skoru kendi sezgisiyle çelişkili bulmuş ve sistemi kapatmıştır. Gerekçe gösterilmiyorsa bu kaçınılmazdır.
• Veri yetersizdir ve kimse bunu söylemez. Eksik kayıtlar üzerinde çalışan bir skorlama anlamsız çıktı üretir; ekip özelliği kusurlu sanır, oysa sorun girdidedir.

Bu durumdaysanız yeni yazılım aramaya başlamadan önce yapılacak doğru iş, mevcut özelliği bu yazıdaki pilot tasarımıyla bir kez düzgün test etmektir. Veri disiplini düzeltildikten sonra aynı özellik çalışır hâle gelebilir; gelmezse de yeni tedarikçi görüşmelerine somut bir deneyimle gidersiniz. Ekip adaptasyonu ve devreye alma tarafı Excel'den CRM'e geçiş yazısında ele alınmıştır.

Sekiz kırmızı bayrak

1. "Algoritma gizli, açıklayamayız." Ticari sır gerekçesi anlaşılabilir; ancak kullanıcıya hiçbir gerekçe göstermeyen bir skor sahada kullanılmaz.
2. "Hemen çalışır" denip nasıl mümkün olduğunun açıklanamaması. İlk günden çalışmak sorun değildir; modelin önceden eğitilmiş mi, kural tabanlı mı olduğunun ve sizin verinizi girdi olarak mı yoksa eğitim verisi olarak mı kullandığının söylenemiyor olması sorundur.
3. Yalnızca hazır demo verisiyle gösterim. Kendi verinizle test teklif edilmiyorsa iddia test edilmemiş kalır.
4. Sayısal performans iddiası, kaynağı olmadan. "Dönüşümü yüzde şu kadar artırır" türü ifadelerin dayanağı sorulmalıdır.
5. Veri kullanım hakkının sözleşmede belirsiz bırakılması. Verinizin model eğitiminde kullanılıp kullanılmadığı yazılı olmalıdır.
6. Kullanım limitinin konuşulmaması. AI özellikleri sıklıkla limitli gelir; limit ve aşım maliyeti baştan netleşmelidir.
7. İnsan onayı olmadan müşteriye mesaj gidebilmesi. Otomatik gönderim bir eylemdir ve onaya bağlanmalıdır.
8. Türkçe çıktının gösterilmemesi. Metin üreten özelliklerde dil kalitesi kendi cümlelerinizle sınanmalıdır.

Sık Sorulan Sorular

AI destekli CRM, klasik CRM'den daha mı iyi?

Tek başına değil. AI özellikleri, altındaki CRM temeli sağlam olduğunda değer üretir: envanter yapısı, fiyat ve ödeme planı yönetimi, aktivite kaydı ve raporlama çalışmıyorsa AI katmanı eksik veriyle çalışır. Değerlendirme sırası bu nedenle önce temel yetenekler, sonra AI olmalıdır. Temel kriterler CRM programı seçerken yazısındadır.

Küçük bir projede AI özellikleri işe yarar mı?

Metin üretimi ve özetleme tarafı veri hacminden bağımsız çalıştığı için küçük projelerde de kullanışlıdır. Tahmin ve skorlama tarafı ise geçmiş veri gerektirir; az sayıda kapanmış satışın olduğu bir projede çıktı dalgalanır. Bu durumda doğru yaklaşım, skorlamayı karar aracı değil sıralama önerisi olarak kullanmak ve veri biriktikçe tekrar değerlendirmektir.

Lead skorlamanın isabetli olduğunu nasıl anlarım?

En pratik yöntem holdout testidir: modelin eğitim ve kalibrasyonunda kullanılmamış ayrı bir dönemin lead'lerini, sonucunu söylemeden sisteme verip skorları gerçek kapanmalarla karşılaştırmak. Testin anlamlı olması için o kayıtların daha önce görülmemiş olması şarttır; modelin eğitildiği veri üzerinde alınan yüksek başarı gerçek performansı göstermez. Canlıya geçtikten sonra ise skorun üst ve alt dilimlerindeki randevu ve kapanış oranları yeni gelen lead'ler üzerinde ayrı ayrı izlenir. Tek tek vakalara bakarak değerlendirme yapmak yanıltıcıdır.

Verimiz modeli eğitmek için kullanılır mı?

Bu, satıcıya açıkça sorulması ve cevabın sözleşmede yer alması gereken bir konudur. Verinin yalnızca sizin kurulumunuz için mi kullanıldığı, toplulaştırılmış biçimde mi işlendiği ve sözleşme sonlandığında ne olacağı yazılı olmalıdır.

AI özelliği için ek ücret ödemek mantıklı mı?

Ödemenin mantıklı olup olmadığı özelliğin doğrulanabilirliğine bağlıdır. Çıktısı kolay doğrulanan ve ekibin günlük işini kısaltan özellikler (özetleme, taslak mesaj) için ek bedel değerlendirilebilir. Çıktısı aylar sonra ölçülebilen tahmin özellikleri için ise pilot sonucunu görmeden kalıcı bir maliyet taahhüdüne girmemek daha güvenlidir. Kullanım limitleri ve aşım bedeli mutlaka sorulmalıdır.

Kural tabanlı puanlama yeterli olur mu?

Çoğu inşaat firması için olabilir. Şeffaf ve elle ayarlanabilir bir puanlama, ekibin güvendiği ve kullandığı bir araçtır; açıklanamayan bir model ise kullanılmadığı sürece değer üretmez. Model tabanlı yaklaşımın avantajı, insanın fark etmediği sinyal bileşimlerini yakalayabilmesidir; bu avantaj ancak yeterli ve temiz veriyle ortaya çıkar.

AI çıktısını danışman primine bağlayabilir miyim?

Önerilmez. Skor ödüle bağlandığında ekip kayıtları skoru yükseltecek biçimde girmeye başlar; bu hem veri kalitesini hem modelin kendisini bozar. AI çıktısı iş sıralaması ve koçluk için kullanılmalı, performans değerlendirmesinin ölçütü olmamalıdır. Prim yapısının kurgusu emlak prim ve komisyon sistemi yazısındadır.

Sonuç

"AI destekli" ifadesi bir özellik değil bir başlıktır; altında kural tabanlı bir filtre de, kendi verinizle eğitilmiş bir model de bulunabilir. Satın alma kararını doğru veren firmaların yaptığı şey iddiayı reddetmek değil, üç soruyu sormaktır: hangi işi yapıyor, hangi veriyle yapıyor, çıktısını denetleyebiliyor muyum.

Pratikte en yüksek getirili iki adım şudur. Birincisi, satın almadan önce kendi veri kalitenizi ölçmek: kaynak etiketi, aşama tanımları, kayıp nedenleri ve kayıt gecikmesi kötü durumdaysa yapılacak yatırım AI değil veri disiplinidir. İkincisi, modelin daha önce görmediği bir dönem üzerinde holdout testi talep etmek — hazır demo verisiyle yapılan gösterim, hatta modelin eğitildiği kayıtlarla yapılan test de iddiayı kanıtlamaz. Bu ikisi yapıldığında AI özellikleri bir pazarlama başlığı olmaktan çıkıp ölçülebilir bir karar aracına dönüşür.

İlgili Yazılar

Konut Projesinde Müşteri Memnuniyeti Nasıl Ölçülür? Konutta Sözleşme Devri: Müşteri Daireyi Teslimden Önce Satmak İsterse Ne Olur? Satış Kampanyası Nasıl Kurgulanır? Kapsam, Süre, Bitiş ve Ölçüm