Emlak Taleplerinde Niyet Okumak: Yapay Zekâ ile Ön Eleme Yaparken Kararı Neden İnsanda Bırakmalı?

Bir gayrimenkul ofisinin gelen kutusunu bir sabah açtığınızı düşünün. Gece boyunca ilan portallarından, Meta reklam formlarından, web sitesindeki iletişim formundan ve WhatsApp'tan otuz yeni talep gelmiş. Bir kısmı "fiyat nedir?" diye tek satır yazmış, bir kısmı üç paragrafla ailesini, bütçesini ve taşınma tarihini anlatmış, birkaçı ise yanlışlıkla forma tıklamış. Ekipte iki danışman var ve ikisi de güne aynı soruyla başlıyor: Önce kimi arayalım?

Ben Koray Yalçın olarak lead yönetimi, CRM kurulumu ve PropTech süreçleri üzerinde çalışırken bu soruyla neredeyse her ekipte karşılaştım. Son iki yılda bu soruya verilen popüler cevap "yapay zekâ halletsin" oldu. Bu yazıda yapay zekâyı emlak taleplerinin ön elemesinde nasıl kullanabileceğinizi, nerede çok işe yaradığını ve nerede kararı mutlaka bir insana bırakmanız gerektiğini somut örneklerle anlatmak istiyorum.

Talep ile Niyet Aynı Şey Değildir

CRM'e düşen her kayıt bir taleptir; ama her talep aynı niyeti taşımaz. Emlak sektöründe gördüğüm talepleri genellikle dört niyet grubuna ayırıyorum:

• Hemen hareket etmek isteyenler: Bütçesi belli, bölgesi belli, çoğu zaman bir tarih veriyor ("Ocak'ta taşınmamız lazım").
• Araştırma aşamasındakiler: Piyasayı tanımaya çalışıyor, birkaç ilana birden yazıyor, soruları genel.
• Fiyat karşılaştıranlar: Aynı daireyi başka bir ofiste de görmüş, sizden yalnızca bir rakam bekliyor.
• Yanlış eşleşmeler: Kiralık arıyorken satılık ilana yazmış, ya da reklam formunu merakla doldurmuş.

Sorun şu ki bu ayrım çoğu zaman formun alanlarında değil, cümlelerin içinde saklıdır. "3+1 bakıyoruz, çocuklar okula başlamadan karar vermek istiyoruz" diyen biriyle "fiyatı ne kadar?" diyen biri aynı formu doldurmuştur ama aynı yerde durmazlar. İşte yapay zekânın gerçekten değer kattığı yer burasıdır: serbest metindeki niyet işaretlerini hızlıca okumak.

Yapay Zekânın Ön Elemede İyi Yaptığı Üç Şey

1. Dağınık metni yapılandırılmış alana çevirmek

Dil modelleri, "Girne tarafında, denize yakın, en fazla 180 bin sterlin, eşim evden çalışıyor o yüzden ayrı bir oda şart" gibi bir cümleden bölge, bütçe, oda ihtiyacı ve öncelik bilgisini çıkarıp CRM'deki ilgili alanlara yazabilir. Bu, danışmanın her kaydı baştan okuma yükünü ciddi biçimde azaltır. Burada amaç karar vermek değil, bilgiyi görünür kılmaktır.

2. Aciliyet ve netlik sinyallerini işaretlemek

Bir tarih, bir bütçe aralığı, bir finansman durumu ("kredi onayımız var") ya da somut bir yaşam olayı (iş değişikliği, okul, evlilik) güçlü sinyallerdir. Model bu sinyalleri işaretleyip kaydı "bugün ara" listesine taşıyabilir. Benim önerim, modelin bir puan uydurması yerine gördüğü sinyali açıkça yazmasıdır: "Tarih belirtilmiş: Ocak. Bütçe belirtilmiş: 180 bin." Danışman neden öne alındığını tek bakışta görür.

3. İlk yanıt taslağını hazırlamak

Talebin içeriğine göre kişiselleştirilmiş bir ilk mesaj taslağı hazırlamak, yanıt süresini dakikalara indirir. Ama taslak, gönderilmiş mesaj değildir. Özellikle ilk temasta danışmanın taslağı okuyup iki kelimesini değiştirmesi bile, mesajın "makine kokmasını" engeller.

Kararı Neden İnsanda Bırakmalısınız?

Yapay zekâyı ön elemede kullanmanın en büyük riski, ön elemenin sessizce bir eleme hâline gelmesidir. Model bir talebi "düşük niyet" diye işaretlediğinde, yoğun bir günde o kayıt bir daha açılmayabilir. Sahada gördüğüm üç tipik hata şunlar:

Kısa mesaj, düşük niyet değildir. "Fiyat?" yazan kişi bazen gerçekten yalnızca merak ediyordur; bazen de telefondan, iş arasında, en hızlı biçimde yazmıştır ve en ciddi alıcı odur. Kısa metin, modelin elinde az veri demektir; az veri ise düşük niyet anlamına gelmez.

Dil ve üslup önyargısı. Türkçeyi ikinci dil olarak kullanan, yazım hatası yapan ya da çok resmi yazan kişiler, modelin "netlik" değerlendirmesinde haksız biçimde geride kalabilir. Kıbrıs gibi çok dilli pazarlarda bu risk daha da belirgindir.

Bağlamı bilmemek. Model, o kişinin geçen yıl ofisinizden ev kiraladığını, şimdi satın almaya hazırlandığını bilmeyebilir. CRM geçmişine bakan bir danışman bunu saniyeler içinde fark eder.

Bu nedenle benim kurduğum yapılarda kural basittir: Yapay zekâ sıralar, insan karar verir. Hiçbir talep, bir insan en az bir kez bakmadan "kapandı" ya da "ilgisiz" durumuna geçmez.

Somut Bir Akış: Sabah 30 Talep, İki Danışman

Pratikte işleyen bir akışı adım adım anlatayım.

1. Toplama: Tüm kanallardan gelen talepler tek bir CRM'de toplanır. Kaynak alanı (portal, reklam formu, web sitesi, WhatsApp) mutlaka doldurulur.
2. Zenginleştirme: Yapay zekâ, serbest metinden bölge, bütçe, oda sayısı, zaman çizelgesi ve finansman durumunu çıkarır; emin olmadığı alanı boş bırakır ve "belirsiz" olarak işaretler.
3. Sinyal etiketleme: Her kayda "tarih var", "bütçe var", "finansman hazır", "yalnızca fiyat sordu" gibi okunabilir etiketler eklenir.
4. Üç kova: Kayıtlar "bugün ara", "bugün mesaj at", "bu hafta takip et" kovalarına ayrılır. Dördüncü bir "çöp" kovası yoktur.
5. İnsan kontrolü: Danışmanlar güne "bugün ara" kovasıyla başlar, ama gün sonunda diğer kovalara da en az bir göz atar. "Yalnızca fiyat sordu" etiketli kayıtlara kısa ve sıcak bir mesajla dönülür.
6. Geri bildirim: Hafta sonunda, "bu hafta takip et" kovasından çıkıp satışa dönen kayıtlar incelenir. Model hangi sinyali kaçırmış? Bu inceleme, etiket kurallarını ayarlamak için en değerli veridir.

Bu akışta yapay zekâ danışmanın zamanını geri verir; ama hiçbir talebin kaderini tek başına belirlemez.

Hangi Ölçülerle Başarıyı Takip Etmelisiniz?

Ön eleme sistemi kurulduktan sonra ekiplerin çoğu yalnızca "kaç talep işlendi" sayısına bakar. Bu yanıltıcıdır. Benim önerdiğim ölçüler şunlar:

• İlk yanıt süresi: Talep geldikten sonra ilk insan temasına kadar geçen süre. Hedef, mesai saatlerinde dakikalar düzeyidir.
• Kova doğruluğu: "Bu hafta takip et" kovasından satışa dönen kayıtların oranı. Bu oran yüksekse model önemli sinyalleri kaçırıyordur.
• Boş bırakılan alan oranı: Modelin "belirsiz" dediği alanların oranı. Çok düşükse model tahmin uyduruyor olabilir; bu iyi bir işaret değildir.
• Danışman düzeltme sayısı: Danışmanların modelin çıkardığı bilgiyi ne sıklıkla düzelttiği. Zamanla düşmesi beklenir.

Bu dört ölçü, sistemin hız kazandırırken kaliteden ödün verip vermediğini gösterir.

Veri ve Gizlilik Tarafını Atlamayın

Emlak talepleri kişisel veri içerir: isim, telefon, bazen gelir bilgisi, aile durumu. Yapay zekâ aracına bu verileri göndermeden önce üç soruyu netleştirmek gerekir: Veri nerede işleniyor? Model sağlayıcısı bu veriyi eğitim için kullanıyor mu? Kişi, verisinin bu amaçla işleneceği konusunda bilgilendirildi mi? Pratik bir yaklaşım, modele yalnızca serbest metni ve gerekli alanları göndermek, telefon ve e-posta gibi tanımlayıcı bilgileri CRM içinde tutmaktır. Bu konuda bulunduğunuz ülkenin mevzuatına göre bir hukuk danışmanıyla konuşmak her zaman doğru adımdır.

Küçük Ofisler İçin Başlangıç Önerisi

Büyük bir entegrasyon projesine girmeden de başlayabilirsiniz. İlk hafta, gelen talepleri elle üç kovaya ayırın ve neden o kovaya koyduğunuzu tek cümleyle not edin. İkinci hafta bu notları bir dil modeline örnek olarak verin ve yeni talepleri sınıflandırmasını isteyin; siz de paralel olarak sınıflandırın. Üçüncü hafta farkları karşılaştırın. Bu küçük deney, hangi sinyallerin sizin pazarınızda gerçekten önemli olduğunu gösterir ve otomasyonu kendi tecrübenizin üzerine kurmanızı sağlar.

Benim gözlemim, bu yaklaşımı benimseyen ekiplerin yapay zekâyı bir "kara kutu" olarak değil, en yorucu okuma işini üstlenen bir asistan olarak görmeye başladığıdır. Asıl satış becerisi, yani güven kurmak, doğru soruyu sormak ve doğru evi doğru kişiye göstermek, yine danışmanda kalır.

Sıkça Sorulan Sorular (SSS)

Yapay zekâ emlak taleplerini tamamen otomatik yönetebilir mi?

Bilgi çıkarma, etiketleme ve taslak yanıt hazırlama gibi işleri büyük ölçüde üstlenebilir. Ancak bir talebi kapatma ya da ilgisiz sayma kararı, en az bir kez insan kontrolünden geçmelidir.

Lead puanlama ile niyet etiketleme arasındaki fark nedir?

Puanlama tek bir sayı üretir ve nedenini çoğu zaman gizler. Niyet etiketleme ise "tarih var", "bütçe var" gibi okunabilir sinyaller verir. Danışman neden öne alındığını görebildiği için sisteme daha çok güvenir.

Kısa mesajlarla gelen talepleri nasıl ele almalıyım?

Düşük öncelikli saymak yerine kısa, sıcak ve tek soruluk bir mesajla dönün. Örneğin bütçe ya da taşınma zamanı hakkında tek bir soru, kişinin niyetini çoğu zaman netleştirir.

Çok dilli pazarlarda modelin önyargısını nasıl azaltırım?

Farklı dillerde ve üsluplarda gelmiş gerçek talepleri örnek olarak kullanın, yazım hatalarını ya da kısa cümleleri olumsuz sinyal saymayan kurallar belirleyin ve düzenli olarak kova doğruluğunu dil bazında kontrol edin.

Bu sistemi kurmak için büyük bir CRM gerekiyor mu?

Hayır. Temel alanları ve etiketleri destekleyen her CRM yeterlidir. Önemli olan araç değil; kanalların tek yerde toplanması, kuralların yazılı olması ve haftalık geri bildirim alışkanlığıdır.

Başarının ilk göstergesi ne olur?

Genellikle ilk yanıt süresinin kısalması ve danışmanların güne "kimi arayalım" tartışması olmadan başlamasıdır. Daha uzun vadede, takip kovasından gelen satışların oranı sistemin ne kadar iyi ayarlandığını gösterir.

Yazar: Koray Yalçın — lead yönetimi, CRM, dijital pazarlama, yapay zekâ ve gayrimenkul teknolojileri (PropTech) üzerine çalışmaktadır.