Yapay Zekâ ile Teklif Skorlama: Hangi Teklif Kazanılır?

Bir freight forwarder firmasında gün boyunca onlarca navlun teklifi hazırlanabilir. Deniz yolu, hava yolu ve kara yolu taşımacılığında müşteriler farklı güzergâhlar, yük tipleri ve teslimat koşulları için fiyat talep eder.

Ancak her teklif satışa dönüşmez.

Bazı müşteriler fiyatı yüksek bulur, bazıları rakip firmayla çalışmayı tercih eder. Bazı teklifler ise zamanında takip edilmediği için sonuçsuz kalır.

Peki satış ekipleri, hangi tekliflerin kazanılma ihtimalinin daha yüksek olduğunu önceden tahmin edebilseydi?

Yapay zekâ ile teklif skorlama, geçmiş satış verilerini ve teklif özelliklerini analiz ederek bir teklifin kazanılma olasılığını tahmin etmeyi amaçlayan bir yöntemdir.

Bu yaklaşım, satış ekiplerinin fırsatları önceliklendirmesine, teklif takip süreçlerini planlamasına ve kaybedilen satışların nedenlerini daha sistematik biçimde incelemesine yardımcı olabilir.

Bu yazıda teklif skorlamanın ne olduğunu, yapay zekâ ile nasıl çalışabileceğini, freight forwarder firmalarında hangi verilerin kullanılabileceğini ve uygulama sırasında nelere dikkat edilmesi gerektiğini ele alacağız.

Teklif Skorlama Nedir?

Teklif skorlama, bir satış teklifinin müşteriden olumlu yanıt alma veya satışa dönüşme ihtimalini belirli kriterlere göre değerlendirme sürecidir.

Geleneksel satış yönetiminde bu değerlendirme çoğunlukla satış temsilcisinin deneyimine dayanır.

Örneğin bir satış temsilcisi, uzun süredir çalışılan bir müşteriden gelen talebin kazanılma ihtimalini yüksek görebilir. Başka bir temsilci ise aynı müşterinin geçmişte birçok teklifi reddettiğini bildiği için farklı bir değerlendirme yapabilir.

Teklif skorlama, bu değerlendirmeyi daha sistematik hâle getirmeyi amaçlar.

Geleneksel Teklif Skorlama Nasıl Yapılır?

Geleneksel yaklaşımda tekliflere belirli kriterler üzerinden puan verilebilir.

Örneğin:

• Müşteri daha önce firmayla çalışmış mı?

• Son altı ay içinde kaç teklif kabul etmiş?

• Teklif edilen fiyat rekabetçi mi?

• Müşterinin talebi ne kadar acil?

• Teklif gönderildikten sonra müşteriyle iletişim kurulmuş mu?

• Benzer taşımalarda geçmiş başarı oranı nedir?

Bu kriterlere ağırlık verilerek bir toplam puan hesaplanabilir.

Ancak bu tür kuralların her sektörde veya her müşteri grubunda aynı doğrulukta çalışacağı söylenemez.

Yapay Zekâ ile Teklif Skorlama Arasındaki Fark Nedir?

Yapay zekâ destekli teklif skorlama, yalnızca önceden belirlenmiş puanlama kurallarına dayanmak yerine geçmiş verilerdeki ilişkileri öğrenmeye çalışır.

Örneğin geçmiş teklif kayıtları incelenerek belirli güzergâhlarda, müşteri gruplarında veya teklif özelliklerinde hangi sonuçların daha sık görüldüğü araştırılabilir.

Yeterli ve kaliteli veri bulunduğunda bir makine öğrenmesi modeli, yeni tekliflerin kazanılma ihtimaline ilişkin tahminler üretebilir.

Bu tahminler kesin sonuç değildir. Amaç, satış temsilcisinin kararını destekleyecek ek bir değerlendirme sağlamaktır.

Yapay Zekâ ile Teklif Skorlama Nasıl Çalışır?

Yapay zekâ destekli teklif skorlama sistemi geliştirmek için önce geçmiş teklif verilerinin düzenli biçimde toplanması gerekir.

Ardından bu veriler analiz edilerek tekliflerin kazanılma ihtimali hakkında tahmin üretebilecek bir model oluşturulabilir.

1. Geçmiş Teklif Verileri Toplanır

İlk aşamada geçmişte müşterilere gönderilen teklifler ve sonuçları incelenir.

Kullanılabilecek veriler arasında şunlar bulunabilir:

• Teklif tarihi

• Müşteri ve müşteri segmenti

• Taşıma modu

• Çıkış ve varış noktası

• Yük tipi

• Teklif edilen fiyat

• Teklifin geçerlilik süresi

• Teklifin kazanılıp kazanılmadığı

• Müşterinin önceki teklif geçmişi

• Teklif takip süreçleri

Burada önemli olan yalnızca teklif sayısı değil, verilerin tutarlı ve doğru biçimde kaydedilmiş olmasıdır.

Örneğin geçmiş tekliflerin büyük bir bölümünün sonucu bilinmiyorsa modelin öğrenebileceği güvenilir bilgi sınırlı kalabilir.

2. Veriler Temizlenir ve Standartlaştırılır

Farklı satış temsilcileri aynı bilgileri farklı biçimlerde kaydetmiş olabilir.

Örneğin Hamburg varışlı bir sevkiyatın varış noktası bir kayıtta “Hamburg”, başka bir kayıtta “DEHAM” olarak bulunabilir.

Benzer şekilde taşıma modları, para birimleri ve teklif durumları farklı biçimlerde yazılmış olabilir.

Bu farklılıkların uygun biçimde standartlaştırılması, analiz kalitesini artırmaya yardımcı olur.

Ayrıca eksik kayıtlar, tekrar eden teklifler ve hatalı değerler belirlenmelidir.

3. Teklif Sonuçlarıyla İlişkili Değişkenler Analiz Edilir

Makine öğrenmesi modelleri, geçmiş tekliflerin özellikleriyle kazanma veya kaybetme sonuçları arasındaki ilişkileri inceleyebilir.

Örneğin şu sorular araştırılabilir:

• Mevcut müşterilerden gelen tekliflerin kazanılma oranı yeni müşterilerden farklı mı?

• Belirli taşıma modlarında teklif dönüşüm oranı değişiyor mu?

• Teklifin gönderilme süresi ile kazanılma sonucu arasında ilişki var mı?

• Farklı müşteri segmentlerinde fiyat hassasiyeti değişiyor mu?

Bu ilişkilerin bulunması, tek başına neden-sonuç ilişkisi olduğu anlamına gelmez.

Modelin amacı, geçmiş verilerdeki örüntülerden yararlanarak yeni tekliflere ilişkin tahmin üretmektir.

4. Yeni Teklif İçin Kazanılma Olasılığı Tahmin Edilir

Model geliştirildikten ve uygun şekilde test edildikten sonra yeni bir teklifin özellikleri üzerinden tahmin yapılabilir.

Örneğin bir teklif için modelin %72 kazanılma olasılığı ürettiğini varsayalım.

Bu değer, teklifin kesinlikle kazanılacağı anlamına gelmez. Modelin belirli veri ve varsayımlar altında oluşturduğu tahmindir.

Ayrıca %72 gibi bir çıktının gerçekten yaklaşık %72 kazanılma sıklığına karşılık gelip gelmediği, model kalibrasyonu ve bağımsız testlerle değerlendirilmelidir.

5. Tahminler Satış Önceliklendirmesinde Kullanılır

Tahmin sonuçları, satış ekiplerinin hangi teklifleri ne zaman takip edeceğini planlamasına yardımcı olabilir.

Ancak yüksek kazanılma olasılığı, her zaman en değerli teklif anlamına gelmez.

Düşük kârlı ancak kazanılması kolay bir teklif ile daha düşük olasılıklı fakat yüksek katkı marjına sahip bir teklif arasında farklı ticari değerlendirmeler gerekebilir.

Bu nedenle teklif skorlama, satış stratejisinin tek belirleyicisi değil, karar destek unsurlarından biri olmalıdır.

Freight Forwarder Firmalarında Teklif Skorlama: Somut Örnek

Bir lojistik firmasının aynı gün üç farklı navlun teklifi hazırladığını varsayalım.

Teklif A:

• Mevcut müşteri

• İzmir–Hamburg deniz yolu taşımacılığı

• Daha önce benzer sevkiyatlar gerçekleştirilmiş

• Teklif koşulları müşterinin geçmiş taleplerine benzer

Teklif B:

• Yeni müşteri

• İstanbul–Rotterdam deniz yolu taşımacılığı

• İlk fiyat talebi

• Müşterinin geçmiş satın alma davranışına ilişkin veri bulunmuyor

Teklif C:

• Uzun süredir çalışılmayan eski müşteri

• İstanbul–Frankfurt hava kargo taşımacılığı

• Acil yükleme talebi

• Fiyat ve kapasite koşullarında belirsizlik bulunuyor

Geleneksel yaklaşımda satış temsilcisi bu üç teklifi kendi deneyimine göre değerlendirir.

Yapay zekâ destekli bir sistemde ise geçmiş verilerden öğrenilmiş ilişkiler kullanılarak her teklif için bir kazanılma olasılığı tahmin edilebilir.

Tamamen örnek olması amacıyla modelin aşağıdaki sonuçları ürettiğini düşünelim:

• Teklif A: %78

• Teklif B: %42

• Teklif C: %55

Bu yüzdeler gerçek bir modelin sonucu değildir; yalnızca yöntemi açıklamak için oluşturulmuş varsayımsal değerlerdir.

Satış ekibi bu tahminleri teklif tutarı, kârlılık, müşteri ilişkisi, operasyon kapasitesi ve stratejik önem gibi faktörlerle birlikte değerlendirebilir.

Böylece teklif takip süreci daha bilinçli biçimde planlanabilir.

Teklif Skorlamada Hangi Veriler Önemlidir?

Her işletmenin müşteri yapısı ve satış süreci farklıdır. Bu nedenle bütün firmalar için geçerli tek bir teklif skorlama modeli bulunmaz.

Ancak freight forwarding sektöründe değerlendirilebilecek bazı veri grupları vardır.

Müşteri Geçmişi

Müşterinin daha önce kaç teklif talep ettiği, kaçını kabul ettiği ve firma ile çalışma sıklığı incelenebilir.

Ancak geçmişte az teklif kabul etmiş bir müşterinin gelecekte de mutlaka düşük dönüşüm göstereceği varsayılmamalıdır.

Taşıma Modu ve Güzergâh

Deniz yolu, hava yolu ve kara yolu teklifleri farklı operasyonel ve ticari özelliklere sahip olabilir.

Aynı şekilde güzergâh, hizmet kapsamı ve taşıma koşulları da teklifin değerlendirilmesinde rol oynayabilir.

Fiyat ve Ticari Koşullar

Teklif fiyatı, geçerlilik süresi ve hizmet kapsamı önemli değişkenler olabilir.

Fakat fiyatın etkisini doğru değerlendirmek için mümkün olduğunda benzer hizmet koşullarına sahip teklifler karşılaştırılmalıdır.

Teklif Hazırlama ve Yanıt Süresi

Talebin alınmasıyla teklifin gönderilmesi arasındaki süre analiz edilebilir.

Burada dikkat edilmesi gereken nokta, hızlı gönderilen tekliflerin daha çok kazanılmasının tek başına hızın kazanmayı sağladığını kanıtlamamasıdır.

Geçmiş Teklif Sonuçları

Kazanılan, kaybedilen, iptal edilen ve henüz sonuçlanmamış teklifler birbirinden ayrılmalıdır.

Özellikle sonucu bilinmeyen tekliflerin otomatik olarak kaybedilmiş kabul edilmesi, modelin yanlış öğrenmesine neden olabilir.

Yapay Zekâ ile Teklif Skorlamanın Sağlayabileceği 5 Avantaj

1. Satış Önceliklerinin Daha Sistematik Belirlenmesi

Satış temsilcileri, çok sayıda açık teklif arasından hangilerine öncelik vereceklerini belirlerken ek veri desteğinden yararlanabilir.

2. Teklif Takip Süreçlerinin İyileştirilmesi

Tahminler, tekliflerin takip edilme sıklığı ve zamanlaması hakkında karar verirken kullanılabilir.

Ancak takip sıklığı belirlenirken müşteri tercihleri ve iletişim geçmişi de dikkate alınmalıdır.

3. Kaybedilen Tekliflerin Daha İyi Analiz Edilmesi

Geçmiş tekliflerin ortak özellikleri incelenerek belirli müşteri gruplarında veya hizmet türlerinde görülen kayıp örüntüleri araştırılabilir.

4. Satış Performansının Daha Ayrıntılı Değerlendirilmesi

Teklif dönüşüm oranları müşteri segmenti, taşıma modu, güzergâh veya dönem bazında analiz edilebilir.

Bu sayede yalnızca toplam teklif sayısına odaklanmak yerine satış sürecinin farklı aşamaları değerlendirilebilir.

5. Veri Odaklı Satış Kültürünün Geliştirilmesi

Düzenli teklif kayıtları ve ölçülebilir satış sonuçları, ekiplerin yalnızca kişisel deneyime değil, geçmiş verilere de dayanarak karar vermesine yardımcı olabilir.

Teklif Skorlama ile Teklif Takibi Aynı Şey mi?

Teklif skorlama ve teklif takibi birbiriyle ilişkili ancak farklı süreçlerdir.

Teklif takibi, müşteriye gönderilen teklifin durumunun izlenmesini ve gerekli iletişimin gerçekleştirilmesini kapsar.

Örneğin teklifin gönderildiği tarih, müşteriden geri dönüş alınıp alınmadığı ve sonraki görüşmenin ne zaman yapılacağı takip edilir.

Teklif skorlama ise teklifin kazanılma ihtimalini belirli kriterlerle değerlendirmeyi amaçlar.

Bir firma teklif takibini yapay zekâ kullanmadan da düzenli biçimde yürütebilir.

Hatta geçmiş teklif sonuçlarının güvenilir biçimde kaydedilmesi, gelecekte yapay zekâ destekli skorlama çalışmaları için önemli bir veri temeli oluşturabilir.

Bu nedenle yapay zekâ projesine başlamadan önce mevcut teklif takip süreçlerinin düzenlenmesi çoğu işletme için mantıklı bir ilk adımdır.

Yapay Zekâ ile Teklif Skorlama Uygularken Nelere Dikkat Edilmeli?

Veri Kalitesi Yeterli Olmalı

Makine öğrenmesi modelleri, kendilerine sunulan veriler üzerinden öğrenir.

Eksik, hatalı veya tutarsız kayıtlar tahmin kalitesini olumsuz etkileyebilir.

Özellikle kazanılan ve kaybedilen tekliflerin doğru kaydedilmesi önemlidir.

Veri Sızıntısı Önlenmeli

Model geliştirilirken yalnızca teklifin değerlendirildiği anda bilinebilecek bilgiler kullanılmalıdır.

Örneğin teklifin kazanılmasından sonra sisteme eklenen bir bilginin model eğitiminde yanlışlıkla kullanılması, gerçekte elde edilemeyecek kadar yüksek başarı sonuçları doğurabilir.

Tahminler Test Edilmeli

Bir modelin geçmiş veriler üzerinde başarılı görünmesi, gelecekte aynı performansı göstereceğini garanti etmez.

Bu nedenle eğitim verilerinden ayrı test verileri kullanılmalı; mümkün olduğunda zaman bazlı doğrulama yapılmalıdır.

Tahminler Düzenli Olarak Güncellenmeli

Navlun piyasası, müşteri davranışları ve rekabet koşulları zaman içinde değişebilir.

Geçmiş verilerle geliştirilen bir modelin tahmin kalitesi de bu değişimlerden etkilenebilir.

Bu nedenle model performansı düzenli aralıklarla değerlendirilmelidir.

Veri Güvenliği ve KVKK Dikkate Alınmalı

Müşteri bilgileri ve ticari teklif kayıtları hassas bilgiler içerebilir.

Verilerin hangi amaçla işlendiği, kimlerin erişebildiği ve hangi sistemlere aktarıldığı açık biçimde tanımlanmalıdır.

Kişisel verilerin işlenmesine ilişkin yükümlülükler için Kişisel Verileri Koruma Kurumu tarafından yayımlanan kaynaklar incelenebilir.

Makine öğrenmesi yöntemleri ve model geliştirme yaklaşımları hakkında teknik bilgi edinmek isteyenler Google'ın Machine Learning Crash Course kaynağından da yararlanabilir.

Yapay Zekâ Olmadan Teklif Skorlamaya Başlanabilir mi?

Evet. Bir işletmenin tekliflerini daha sistematik değerlendirmesi için ilk günden yapay zekâ modeli geliştirmesi gerekmez.

Öncelikle geçmiş teklif verilerini düzenli hâle getirmek ve temel performans göstergelerini izlemek daha uygulanabilir bir başlangıç olabilir.

İlk Adım: Teklif Durumlarını Standartlaştırın

Teklif kayıtlarında ortak durum alanları kullanın.

Örneğin:

• Taslak

• Gönderildi

• Takip bekliyor

• Kazanıldı

• Kaybedildi

• İptal edildi

Bu durumların ekip genelinde aynı anlamda kullanılması önemlidir.

İkinci Adım: Teklif Kazanma Oranını Hesaplayın

Temel bir gösterge olarak teklif kazanma oranı kullanılabilir.

Teklif kazanma oranı = Kazanılan teklifler / Sonuçlanmış teklifler × 100

Örneğin belirli bir dönemde 80 teklif sonuçlanmış ve bunların 24'ü kazanılmışsa kazanma oranı %30'dur.

Henüz sonuçlanmamış tekliflerin hesaplamaya nasıl dâhil edileceği önceden belirlenmelidir.

Üçüncü Adım: Kaybedilme Nedenlerini Kaydedin

Mümkün olduğunda kaybedilen teklifler için neden bilgisi tutulabilir.

Örneğin:

• Fiyat

• Transit süre

• Kapasite

• Hizmet kapsamı

• Rakip tercihi

• Müşterinin sevkiyatı iptal etmesi

• Nedeni bilinmiyor

Bu bilgiler zaman içinde satış süreçlerini analiz etmek için kullanılabilir.

Dördüncü Adım: Teklif Takibini Düzenleyin

Gönderilen tekliflerin sorumlusu, takip tarihi ve mevcut durumu açıkça görülebilmelidir.

Böylece satış fırsatlarının kişisel e-posta kutularında veya dağınık Excel dosyalarında kaybolması riski azaltılabilir.

Beşinci Adım: Yapay Zekâ İçin Veri Hazırlığını Değerlendirin

Yeterli sayıda ve kalitede geçmiş teklif kaydı oluştuğunda, yapay zekâ destekli tahmin modellerinin işletme açısından anlamlı olup olmadığı değerlendirilebilir.

Bu değerlendirmede yalnızca model geliştirme maliyeti değil, beklenen ticari fayda ve sürdürülebilir bakım ihtiyacı da dikkate alınmalıdır.

Quotarix ve Teklif Yönetiminde Veri Düzeni

Yapay zekâ ile teklif skorlama gibi ileri analiz yöntemlerinin değerlendirilebilmesi için teklif verilerinin düzenli ve erişilebilir olması önemlidir.

Freight forwarder firmalarında müşteri bilgilerinin, satış fırsatlarının ve teklif süreçlerinin merkezi biçimde yönetilmesi bu açıdan değerli bir başlangıç noktasıdır.

PekVera tarafından geliştirilen Quotarix, lojistik sektörüne yönelik müşteri ilişkileri ve teklif yönetimi süreçlerine odaklanan bir platformdur.

Bu yazıda anlatılan yapay zekâ destekli teklif skorlama, Quotarix'in mevcut bir özelliği olarak sunulmamaktadır. Burada açıklanan yöntem, uygun veri altyapısı ve teknik geliştirme süreçleriyle uygulanabilecek genel bir yapay zekâ yaklaşımıdır.

Teklif kayıtlarının düzenli tutulması, teklif sonuçlarının izlenmesi ve müşteri geçmişinin korunması, işletmelerin gelecekte değerlendirebileceği veri analizi çalışmalarına da temel oluşturabilir.

Sonuç: Hangi Teklifin Kazanılacağını Bilmek Değil, Daha İyi Tahmin Etmek

Yapay zekâ ile teklif skorlama, bir teklifin kesin olarak kazanılıp kazanılmayacağını söyleyen bir teknoloji değildir.

Amaç, geçmiş verilerden yararlanarak satış ekiplerinin fırsatları daha sistematik değerlendirmesine yardımcı olmaktır.

Özellikle çok sayıda navlun teklifi hazırlayan freight forwarder firmalarında müşteri geçmişi, taşıma modu, güzergâh, fiyatlandırma ve teklif sonuçları gibi bilgiler analiz için kullanılabilir.

Ancak başarılı bir yapay zekâ uygulamasının ilk şartı, doğru ve düzenli veridir.

Bugün atılabilecek en önemli adım, tekliflerinizi merkezi bir sistemde takip etmek ve her teklifin sonucunu düzenli biçimde kaydetmektir.

Çünkü gelecekte hangi tekliflerin kazanılabileceğini daha iyi tahmin etmek, bugün hangi tekliflerin neden kazanıldığını veya kaybedildiğini anlayabilmekle başlar.