Lead toplama, mesaj sınıflandırma, AI cevap taslağı, kuyruk sistemi ve yönetim paneliyle işletme otomasyonunun uçtan uca nasıl kurulacağını anlatıyorum.

İşletme Otomasyonları Nasıl Kurulur? Lead, Mesaj ve Rapor Akışları

İşletme otomasyonu, tekrar eden operasyonları yalnızca hızlandırmak değildir; aynı zamanda ölçülebilir hale getirmektir. Bir işletmeye web formundan, Instagram yorumundan, WhatsApp mesajından veya reklam kampanyasından veri geldiğinde bu veri genellikle farklı yerlerde kalır. Takip kaçırılır, dönüş süresi uzar, ekip kimin ilgilendiğini bilemez ve raporlama manuel yapılır. Otomasyonun ilk görevi bu dağınıklığı tek akışa dönüştürmektir.

Başarılı bir otomasyon projesi kodla başlamaz. Önce süreç haritası çıkarılır: veri nereden geliyor, hangi bilgi kritik, kim aksiyon alıyor, hangi cevap otomatik verilebilir, hangi cevap onay gerektirir, hangi durum rapora yansır? Bu sorular cevaplanmadan kurulan otomasyon genellikle sadece teknik entegrasyon olur.

Ortak veri modeli

Farklı kanallardan gelen veriyi tek modelde toplamak gerekir. Lead kaydı, kaynak bilgisini, mesajı, iletişim bilgisini, niyeti, skorunu ve durumunu taşımalıdır. Bu model sayesinde WhatsApp mesajı ile web formu aynı operasyon panelinde yan yana yönetilebilir.

model Lead {
  id        String   @id @default(cuid())
  source    String
  name      String?
  phone     String?
  email     String?
  message   String
  intent    String?
  score     Int      @default(0)
  status    String   @default("new")
  ownerId   String?
  createdAt DateTime @default(now())
}

Kuyruk mimarisi

AI sınıflandırma, CRM senkronizasyonu, bildirim gönderimi ve rapor üretimi aynı HTTP request içinde çalışmamalıdır. Bunlar gecikebilir, hata alabilir veya tekrar denenmesi gerekebilir. Bu yüzden kuyruk sistemi otomasyonun omurgasıdır.

import { Queue } from 'bullmq'

export const automationQueue = new Queue('automation-events', {
  connection: { url: process.env.REDIS_URL },
})

export async function enqueueLeadJobs(leadId: string) {
  await automationQueue.add('lead.classify', { leadId }, { attempts: 3 })
  await automationQueue.add('lead.notify-team', { leadId }, { delay: 1000 })
}

AI karar katmanı

AI katmanı işletmenin yerine karar vermemeli; karar vermeyi kolaylaştırmalı. Mesajın niyetini çıkarabilir, sıcaklık puanı verebilir, cevap taslağı hazırlayabilir ve temsilciye öneri sunabilir. Ancak fiyat, stok, garanti, sözleşme veya ödeme gibi kritik konularda iş kuralları net değilse otomatik cevap risklidir.

export async function classifyMessage(message: string) {
  return ai.generateObject({
    system: 'Classify customer messages for an operations team. Return strict JSON only.',
    prompt: message,
    schema: {
      intent: 'sales | support | complaint | information',
      urgency: 'low | medium | high',
      score: "number between 0 and 100",
      suggestedReply: "short draft reply"
    },
  })
}

Panel tasarımı

Otomasyonun değeri panelde görünür. Panelde yeni lead, bekleyen dönüş, geciken görev, kapatılan konuşma, temsilci performansı ve kanal bazlı metrikler net görünmelidir. Filtreler ve durum rozetleri, ekiplerin aynı anda çok sayıda kaydı yönetmesini sağlar.

Ölçüm ve iyileştirme

Her otomasyon log üretmelidir. Hangi mesaj geldi, hangi niyet seçildi, hangi cevap önerildi, temsilci bunu kullandı mı, müşteri geri döndü mü? Bu bilgiler olmadan otomasyonun iyi çalışıp çalışmadığı anlaşılamaz. Bir otomasyon sistemi canlıya çıktıktan sonra asıl iş başlar: skorlar ayarlanır, promptlar iyileştirilir, panelde gereksiz alanlar azaltılır.

Sonuç

İşletme otomasyonu bir entegrasyon listesi değil, operasyon tasarımıdır. İyi kurulduğunda ekip daha hızlı cevap verir, müşteri kaybı azalır, yöneticiler raporu beklemeden durumu görür ve tekrar eden işler sessizce sistem tarafından taşınır.

Operasyon kuralı olmadan otomasyon olmaz

Bir otomasyon sisteminin başarısı entegrasyon sayısıyla ölçülmez. Asıl değer, işletmenin karar kurallarını doğru modellemektir. Hangi lead sıcak kabul edilir, hangi mesaj temsilci onayı ister, hangi durumda otomatik cevap verilir, hangi kayıt yöneticiye bildirilir? Bu kurallar yazılmadan kurulan otomasyon kısa sürede kontrol dışı kalır.

İnsan kontrolü

AI ve otomasyon kullanılsa bile her süreci tamamen otomatikleştirmek doğru değildir. Satış, destek ve şikayet gibi alanlarda insan onayı önemli olabilir. Bu yüzden sistem “otomatik cevapla” ve “taslak oluştur” modlarını ayrı tutmalıdır. Kritik konularda temsilci son kararı verirken, düşük riskli tekrarlı sorularda otomasyon devreye girebilir.

Gözlemlenebilirlik

Her otomasyon adımı loglanmalıdır. Mesaj ne zaman geldi, hangi worker işledi, AI hangi niyeti seçti, cevap taslağı neydi, temsilci ne yaptı? Bu bilgiler hem hata ayıklama hem de iş geliştirme için gereklidir. Log yoksa sistemin neden yanlış karar verdiğini anlayamazsınız.

Başarı metrikleri

Otomasyonun etkisi cevap süresi, kaçan lead oranı, temsilci başına düşen açık görev sayısı, dönüşüm oranı ve müşteri memnuniyetiyle ölçülmelidir. Bu metrikler haftalık olarak izlenirse otomasyon yaşayan bir ürüne dönüşür.

Uygulama planı

Bu yaklaşımı gerçek bir projeye taşırken önce küçük ama doğru çalışan bir çekirdek kurulmalıdır. İlk adım veri modelini netleştirmek, ikinci adım API sözleşmesini belirlemek, üçüncü adım kullanıcı arayüzündeki ana akışı tamamlamak olmalıdır. Bundan sonra otomasyon, çeviri, raporlama veya medya yönetimi gibi ek katmanlar sırayla eklenebilir. Böyle ilerlemek hem geliştirme hızını korur hem de karmaşıklığın erkenden büyümesini engeller.

Ayrıca her teknik kararın kullanıcı veya operasyon karşılığı olmalıdır. Bir tablo, queue, SDK ya da dashboard bileşeni yalnızca teknik olarak doğru olduğu için değil, süreci daha anlaşılır, daha hızlı veya daha ölçülebilir yaptığı için eklenmelidir. Sağlam ürünler bu disiplinle büyür.