CRM’de Müşteri Kaybı Analizi İçin Veri Modeli Nasıl Kurulur

Bir tekstil toptancısı düşünün: müşterilerinden biri her ay düzenli sipariş verirken son üç aydır siparişleri seyrekleşiyor, iki kez şikayette bulunmuş ve satış temsilcisinin aramalarına geç dönüyor. Bu müşteri kayıp mı vermek üzere? Büyük olasılıkla evet — ama bunu sezgiyle değil, veriyle görmek mümkün. CRM sistemlerinde müşteri kaybı analizi tam olarak bu soruya yanıt vermek için kurulur: hangi müşteri, ne zaman, hangi sinyallerle ayrılmaya hazırlanıyor?

Müşteri kaybı analizi için bir veri modeli kurmanın ilk adımı, hangi davranış verilerinin ‘kayıp öncesi sinyal’ taşıdığını tanımlamaktır. Bu sinyaller üç ana başlık altında toplanır: sipariş sıklığı düşüşü, şikayet artışı ve temas azalması. Sipariş sıklığı, müşterinin geçmiş sipariş geçmişine göre beklenen alım döngüsünden ne kadar saptığını ölçer. Şikayet artışı, belirli bir dönemde açılan destek talebi veya itiraz sayısının önceki dönemle karşılaştırılmasıyla hesaplanır. Temas azalması ise müşteriyle gerçekleştirilen toplantı, telefon görüşmesi veya e-posta yazışmasının yoğunluğundaki düşüşü ifade eder. Bu üç veri türü CRM sisteminde ayrı tablolarda tutulsa da anlamlı bir kayıp skoru üretmek için birleştirilmesi gerekir.

Veri modelinin omurgasını müşteri bazlı zaman serisi tabloları oluşturur. Her müşteri için aylık veya haftalık periyotlarla sipariş adedi, sipariş tutarı, şikayet sayısı ve temas sayısı kayıt altına alınır. Bu tablo yapısı, CRM yazılımlarının raporlama modüllerinde ya da doğrudan veritabanı sorgularıyla oluşturulabilir. Kritik nokta, bu verilerin yalnızca anlık değil birikimli olarak saklanmasıdır; çünkü bir müşterinin bu ay sıfır şikayet açması iyi bir işaret değildir, eğer geçen ay üç şikayet açmışsa ve şu an sessizse bu sessizlik farklı bir anlam taşıyabilir. Tarihsel birikim olmadan bağlamı yakalamak mümkün değildir.

Kayıp skoru hesaplamak için her sinyale ağırlık atanması gerekir. Sipariş sıklığı düşüşü genellikle en güçlü öncü gösterge olduğundan toplam skorun yarısına yakın bir ağırlık alır. Şikayet artışı ikinci sıradadır; özellikle çözüme kavuşturulmamış veya geç kapanan şikayetler daha yüksek ağırlıkla değerlendirilmelidir. Temas azalması ise üçüncü sırada gelir ama bazı sektörlerde — özellikle satış döngüsünün kişisel ilişkiye dayandığı hizmet firmalarında — bu göstergenin ağırlığı artırılmalıdır. Ağırlıklandırılmış bu üç bileşen toplanarak 0 ile 100 arasında normalize edilmiş bir kayıp skoru üretilir; skor ne kadar yüksekse müşterinin ayrılma riski o kadar büyüktür.

Bu modelin pratikte işe yaraması için CRM sistemindeki veri girişinin düzenli ve tutarlı olması şarttır. Satış temsilcisi her müşteri temasını sisteme kaydetmezse temas azalması sinyali anlamsız hale gelir; müşteri hizmetleri şikayetleri ayrı bir tabloda tutup CRM’e aktarmazsa şikayet verisi eksik kalır. Dolayısıyla veri modelinin teknik tasarımı kadar veri giriş disiplini de sonucun kalitesini doğrudan etkiler. Orta ölçekli bir firmada bu disiplini sağlamanın en pratik yolu, haftalık satış toplantılarında kayıp skorunu gündem maddesi haline getirmektir; böylece ekip verileri güncel tutmak için somut bir motivasyon kazanır.

Modelin en önemli sınırlaması, geçmiş verisi yetersiz olan yeni müşterilerde güvenilir bir skor üretememesidir. En az altı ila on iki aylık sipariş ve temas geçmişi olmadan beklenen davranış eğrisi çizmek güçleşir ve skor yanıltıcı sonuçlar verebilir. Bunun yanı sıra sektörel mevsimsellik de modeli bozabilir; inşaat malzemesi satan bir firma için yaz aylarındaki sipariş düşüşü gerçek bir kayıp sinyali değil, mevsimsel bir normaldir. Bu nedenle ağırlıklar ve eşik değerleri her sektör hatta her müşteri segmenti için ayrı ayrı kalibre edilmelidir. Tek bir evrensel formülle tüm müşteri tabanını analiz etmeye çalışmak, modeli gerçekten faydalı olmaktan çıkarır.

CRM’de müşteri kaybı analizi kurmayı düşünen bir KOBİ yöneticisi için ilk pratik adım, mevcut CRM sisteminin sipariş, şikayet ve temas verilerini ayrı tablolarda saklayıp saklayamadığını ve bu tabloların tarihsel kayıt tutup tutmadığını kontrol etmektir. Eğer sistem bu yapıya uygunsa basit bir ağırlıklandırma formülüyle bile anlamlı bir kayıp skoru üretmek mümkündür. Eğer sistem bu veriyi tutmuyorsa önce veri giriş süreçlerini düzene sokmak, ardından modeli kurmak daha sağlıklı bir yol olacaktır. Kayıp analizi için karmaşık bir yazılım değil, doğru yapılandırılmış bir veri alışkanlığı gerekir.


churn riski, yalnızca teknik bir tercih değildir; kurumun nasıl karar aldığına dair bir göstergedir. Süreç, veri ve sahiplik netleşmeden yapılan yatırım kısa vadede hız, uzun vadede karmaşa üretir. Gerçek değer, teknolojinin iş sonucuna bağlandığı noktada başlar.


Gökhan Mercanoğlu
CRM ve Müşteri Yönetimi