Chatbot ve CDP Entegrasyonu: Konuşmadan Müşteri İçgörüsü Üretmek

Chatbot ve CDP entegrasyonunun iş dünyasında yarattığı en yaygın yanılgı şu: botu kuran şirket, müşteri verisini otomatik olarak zenginleştirdiğini sanıyor. Oysa iki sistem arasındaki veri akışını açmak yetmiyor. Chatbot konuşmasındaki ham metin CDP’ye ham hâliyle geçtiğinde şirket sadece pahalı bir metin deposu işletiyor olur — içgörü değil, gürültü üretiyor. Temel sorun şu: çoğu implementasyon botu destek maliyetini düşürmek için kuruyor, müşteri profilini zenginleştirmek için değil. Bu iki hedef teknik olarak bağdaşabilir ama şirketin hangi soruya yanıt aradığına göre mimarisi, veri modeli ve analitik katmanı baştan farklı kurulmak zorunda. Biri atlanınca diğerinin verisi işe yaramaz hâle geliyor.Konuşma verisinin içgörüye dönüşme yolu üç adımdan geçiyor: niyet tespiti, sorun sınıflandırması ve tercih sinyali çıkarımı. Niyet tespiti en çok yanlış anlaşılan kısım. Kullanıcı ‘kargo nerede?’ diye sorduğunda bu bir teslimat niyeti değil; aynı zamanda bir hayal kırıklığı sinyali, bir sadakat risk göstergesi ve belirli bir ürün kategorisindeki tekrar alım eğiliminin habercisi olabilir. Bu sinyali yalnızca ‘kargo sorgusu’ olarak etiketleyip CDP’ye göndermek, konuşmanın taşıdığı bilginin büyük çoğunluğunu çöpe atmak demek. Niyeti doğru tanımlamak için NLP katmanının salt amaç sınıflandırmasının ötesine geçmesi gerekiyor: duygu tonu, tekrar frekansı, konuşmanın terk edilip edilmediği ve hangi adımda terk edildiği bilgisi birleştiğinde profil anlamlı hâle geliyor. 2021 itibarıyla Türkiye’de konuşma analitiği bu katmanı kurgulayan platform sayısı oldukça sınırlı; büyük çoğunluğu hâlâ intent-matching düzeyinde çalışıyor.Kayseri merkezli, 392 çalışanı olan ve hem fiziksel hem çevrimiçi kanaldan satış yapan bir beyaz eşya bayisinin 2020 sonu 2021 başı geçişinde yaşadığı tablo bu sorunu somutlaştırıyor. Pandemi sürecinde e-ticaret cirosu sekiz ayda yaklaşık iki katına çıkınca destek talebi de aynı oranda arttı; firma chatbot kurdu, CDP’si ise zaten vardı. İlk altı hafta içinde bot-CDP entegrasyonu teknik olarak çalışıyordu: her konuşma sonunda müşteri profiline etiketler yazılıyordu. Ama bu etiketler ‘soru soran müşteri’, ‘iade bilgisi istedi’, ‘kampanya sordu’ düzeyindeydi. Altı ay sonra pazarlama ekibi CDP’deki veriyi segmentasyon için kullanmaya çalıştığında şunu gördü: etiketlerin büyük kısmı o müşterinin bir sonraki satın alma kararını tahmin etmek için işe yaramıyordu. Çünkü konuşma içindeki tercih sinyalleri — hangi ürün özelliğini sordu, hangi fiyat aralığını tartıştı, hangi markayı karşılaştırdı — hiç yakalanmamıştı. Sorun, boların değil mimari kararın içindeydi.Tercih sinyali çıkarımı, konuşma analitiğinin en değerli ve en az kullanılan katmanı. Bir müşteri chatbot üzerinden buzdolabı arıyorsa ve konuşmada ‘enerji sınıfı’, ‘gürültü seviyesi’, ‘iç aydınlatma’ ifadelerini kullanıyorsa bu bilgi CDP’deki standart demografik ve işlem geçmişi verisiyle birleştiğinde segmentasyon kalitesini önemli ölçüde yükseltiyor. Ama bunu gerçekleştirmek için birkaç koşul bir arada olmalı: önce bot diyalog akışının bu sinyalleri yakalayacak biçimde tasarlanması gerekiyor, ardından NLP katmanının entity extraction yapması, son olarak bu entity’lerin CDP’nin veri modelindeki doğru alana yazılması. Bu üç adımın herhangi birinde kopukluk olduğunda sinyal kaybolur. Türkiye’deki pek çok KOBİ entegrasyonunda kopukluk genellikle ikinci ve üçüncü adım arasında yaşanıyor: NLP entity çıkarıyor ama CDP tarafında bu veriyi karşılayacak alan tanımlanmamış. Veri model tasarımı baştan yapılmayınca sonradan yamama oldukça maliyetli hâle geliyor.Ama şunu da açıkça koymak gerekiyor: bu mimari doğru kurulsa bile konuşma verisinin ciddi sınırları var. Chatbot’a yalnızca sorunlu müşteriler yazıyor değil; ama önce destek sorularını çözmek için kullanıldığında kanal önyargısı (channel bias) oluşuyor. CDP’ye akan veri mutlu müşteriyi değil, bir sorunu olan müşteriyi temsil ediyor. Bunu fark etmeden konuşma verisine dayalı segmentasyon yapılırsa pazarlama mesajları sağlıklı müşteri tabanının önemli bir bölümünü atlayacak biçimde şekilleniyor. Bu riski azaltmanın yolu, konuşma verisini tek kaynak olarak değil, e-ticaret davranışı ve satın alma geçmişiyle birlikte ağırlıklı bir sinyal olarak kullanmak. CDP’nin amacı zaten bu: tek kanalın eksikliğini başka kanalların gücüyle kapatmak.Konuşma analitiğinin ürün ve hizmet kararlarına girdi üretmesi meselesi, pazarlama ekibinin sorunu olmaktan çıkıp ürün ekibinin gündemine girdiğinde aslında daha güçlü oluyor. Kayseri’deki beyaz eşya bayisi örneğine dönersek: bot konuşmalarında ‘kurulum desteği’ aramalarının %63’ü ilk iki haftada yoğunlaşıyordu ve büyük çoğunluğu belirli bir marka modeliyle ilgiliydi. Bu bulgu ürün sayfasına montaj videosu eklenmesi kararını tetikledi ve aynı bot üzerinden o ürüne yönelik destek taleplerinin dört ayda %28 gerilediği görüldü. Bu, konuşma analitiğinin destek maliyetini düşürme hedefiyle müşteri içgörüsü hedefinin buluştuğu ender nokta. Ama bu sonuca ulaşmak için birinin sorması gerekti: ‘Hangi konuşma örüntüsü ürün kararımı değiştirebilir?’Bu soruyu soran firma chatbot’u gerçek bir içgörü kanalına dönüştürebilir. Sormayan firma ise yalnızca destek maliyetini düşürüyor — ki bu da değerli bir hedef, ama CDP’ye bağlı bir bot için oldukça pahalı bir yol. Pazartesi sabahı atılacak ilk adım teknik değil: mevcut bot diyalog akışlarından hangisi tercih sinyali, hangisi sorun sinyali taşıyor, hangisi ise sadece işlem tamamlama içeriyor? Bu ayrımı yapmadan CDP tarafındaki veri modeli tasarlanamaz. İkinci adım, CDP’deki müşteri profilinde konuşma verisi için alan rezervasyonu yapmak — standart alanlara sıkıştırmadan, konuşmaya özgü bir yapı kurmak. Üçüncü adım, konuşma analitiği raporlarını en az üç ayda bir pazarlama ve ürün ekibinin birlikte okuduğu bir ritme bağlamak. Bot yönetimi teknik bir iş olmaktan çıkıp iş zekâsı döngüsünün parçasına girdiğinde Kayseri’deki o bant dışı konuşma şimdi anlamlı hâle geliyor.