Öne Çıkanlar

• MQL'i tanımlayan şey nitelendirmeyi kimin yaptığıdır: MQL'i pazarlama, SQL'i satış nitelendirir¹.
• Puanlama iki eksenlidir; HubSpot uygunluk (fit) ve etkileşim (engagement) skorlarını ayrı tutup tek birleşik skorda toplar².
• Oracle Eloqua gridinde profil skoru A-D, etkileşim skoru 1-4'tür; A1 en nitelikli, D4 en niteliksiz müşteri adayıdır⁵.
• Adobe Marketo Engage yeni başlayanlara 100 puanlık bir devir eşiğiyle başlamayı öneriyor⁴.
• Microsoft Dynamics 365'te tahmini puanlama modeli için en az 40 uygun ve 40 diskalifiye edilmiş kapatılmış müşteri adayı gerekir⁷.
• Forrester'ın 2022 tarihli analizine göre MQL merkezli süreçte sorgudan kazanılan satışa uçtan uca dönüşüm %1'in altındadır³.

MQL (Marketing Qualified Lead) nedir?

MQL (Marketing Qualified Lead), pazarlama ekibinin satış ekibine devredilmeye hazır olarak nitelendirdiği müşteri adayıdır¹. Salesforce aynı ayrımı başka bir açıdan kurar: MQL, ürününüze veya hizmetinize uygun olan ama henüz satın almaya hazır olmayan adaydır⁹. Bu statü sezgiyle değil, önceden yazılmış kriterlerle verilir. Bu sayfa tanımda durmuyor; MQL üreten mekanizmayı kuruyor: puanlama, eşik, devir, ölçüm.

Türkçe aramada MQL kısaltması çoğu zaman pazarlamayı işaret etmiyor. Semrush'ın TR organik verisinden 2 Ağustos 2026'da aldığımız ilk 20 sonucu kendimiz tasnif ettik: yalnızca 1'i Marketing Qualified Lead'i anlatıyor; kalan 19'u MetaQuotes Language, Miraqle adlı kripto para ya da endüstriyel Minimum Quantity Lubrication ile ilgili¹¹. Bu sayfa yalnızca pazarlama anlamını ele alıyor.

MQL yalnızca bir etiket değil, bir iç sözleşmedir: pazarlama bu etiketi verdiğinde satışın o kaydı araması beklenir. Etiketin ne anlama geldiği yazılı değilse iki ekip aynı kelimeyle farklı şeyi kasteder ve raporlar çakışır. Sayfanın geri kalanı, o yazılı tanımın nasıl kurulacağını anlatıyor.

MQL ile SQL'i ayıran tek soru: nitelendirmeyi kim yaptı?

Fark adayın kendisinde değil, etiketi kimin verdiğindedir. HubSpot'un ürün dokümantasyonunda MQL pazarlamanın satışa hazır saydığı kayıt, SQL ise satış ekibinin potansiyel müşteri olarak nitelendirdiği kayıttır¹. Salesforce'un çerçevesinde SQL hem ürüne uygun hem de satın almaya hazır olandır⁹. Ayrımın özü bu kadar; müşteri adayı kavramının kendisi ve alt türleri için lead kavramının tanımı sayfamıza bakabilirsiniz.

Türkiye'de MQL kısaltmasıyla karıştırılan üç şey

• MetaQuotes Language (MQL4/MQL5): MetaTrader forex platformunun programlama dili.
• Miraqle (MQL-USD): kripto para borsalarında işlem gören bir varlık.
• Minimum Quantity Lubrication: talaşlı imalatta kullanılan minimum miktarda yağlama yöntemi.

Bu karışıklığın pratik bir sonucu var. Arama ve reklam verisinde "MQL" terimini filtre olarak kullanan ekipler, pazarlamayla ilgisi olmayan trafiği kendi raporlarına taşır. İki basit önlem yeter: kısaltmayı şirket içi belgelerde ilk geçtiği yerde açın, CRM alan adlarında ise "pazarlama nitelikli müşteri adayı" gibi tam yazılmış bir etiket kullanın. Aynı disiplin, ekipler arasında tanım tartışmasını da bitirir.

MQL kriterleri nasıl yazılır: uygunluk (fit) ve etkileşim (engagement)

MQL kriteri iki sorunun kesişimidir: "bu kişi bizim müşterimiz olabilir mi?" ve "bu kişi ilgileniyor mu?" Birincisi uygunluk (fit), ikincisi etkileşim (engagement). HubSpot'un puanlama aracı bu ikisini ayrı skorlar olarak tutar ve tek bir birleşik skorda toplar². Aynı ikili ekseni farklı sözcüklerle kuran üç ayrı ürün dokümantasyonu var; yani kavram araçtan bağımsızdır.

Kriter yazımı ideal müşteri profilini (ICP) yazmakla başlar. Yakın dönemde kazandığınız işleri açın; unvan, sektör, şirket büyüklüğü ve coğrafya kırılımında ortak paydayı çıkarın. Bu liste uygunluk ekseninin ham maddesidir. Kaybedilen işlerde tekrar eden özellikler ise negatif puanların ham maddesi olur. İki listeyi de satış ekibiyle birlikte yazın; tek taraflı yazılan kriter ilk itirazda çöker.

Uygunluk sinyalleri: unvan, sektör, şirket cirosu (explicit veri)

Uygunluk, adayın kim olduğunu anlatan veridir. Oracle Eloqua bunu açık (explicit) veri diye adlandırır ve örnek olarak unvanı, sektörü ve şirket cirosunu sayar⁵. HubSpot aynı ekseni yaş, unvan, şirket büyüklüğü ve yıllık ciro gibi demografik özelliklere bağlar². Adobe Marketo Engage ise demografik puanı isteğe bağlı bırakmaz; davranışsal puanın yanına mutlaka eklenmesi gerektiğini yazar⁴.

• Unvan karar verici ya da bütçe sahibi seviyesinde mi?
• Şirket büyüklüğü ve ciro, hizmet verdiğiniz bandın içinde mi?
• Sektör, referans üretebildiğiniz alanlardan biri mi?
• Coğrafya, satış ve teslimat yapabildiğiniz pazarın içinde mi?

Etkileşim sinyalleri: site ziyareti, içerik indirme, e-posta açma (implicit veri)

Etkileşim, adayın ne yaptığını anlatan veridir. Eloqua bunu örtük (implicit) veri diye tanımlar: site ziyaretleri ve kampanyalara verilen yanıt⁵. HubSpot etkileşim skorunu site ziyareti, bültene abone olma, harekete geçirici düğmeye tıklama ve pazarlama e-postası açma gibi eylemlerden üretir². Adobe ise davranışsal puanlamayı, satın alma niyeti gösteren izlenebilir eylemlere sayısal değer vermek olarak tanımlar⁴.

Tek eksene yaslanan model hızla bozulur. Yalnızca etkileşime bakarsanız, ürününüze hiç uymayan ama her rehberi indiren bir kişi MQL olur ve satışın zamanını yer. Yalnızca uygunluğa bakarsanız, sizi hiç tanımayan bir şirketin karar vericisi de MQL sayılır. İki eksen birlikte okunmadan puanlama bir öncelik sırası üretmez; yalnızca bir sıralama üretir ve o sıralama satışa neyi önce arayacağını söylemez.

Kriter yazımı, adayların bu havuza hangi kanaldan geldiğinden ayrı bir iştir. Kanal tarafını ve talep yaratmanın adımlarını potansiyel müşteri yaratma süreci sayfamızda ele alıyoruz; burada odağımız gelen adayın nasıl nitelendirileceği. Kanal ile kriter arasındaki tek bağ şudur: bir kanal sürekli hedef dışı sektörden aday getiriyorsa bunu puanlama kuralıyla değil, hedeflemeyle çözersiniz.

Somut lead scoring modeli: A-D profil ve 1-4 etkileşim gridi

Puanlamayı somutlaştırmanın en temiz yolu iki eksenli bir grid kurmaktır. Oracle Eloqua profil kriterlerine göre müşteri adayına A, B, C veya D harfini⁵, etkileşim kriterlerine göre 1, 2, 3 veya 4 rakamını verir⁵. İki skor birleştirilir ve tek bir müşteri adayı puanı çıkar: A1 en nitelikli, D4 en niteliksiz müşteri adayıdır⁵.

Grid nasıl okunur: A1 en nitelikli, D4 en niteliksiz

Harf "bu kişi bizim müşterimiz mi", rakam "bu kişi ilgileniyor mu" sorusunu yanıtlar. Doğru şirkette doğru kişi ama sessizse beslemeye devam edilir; çok ilgili ama hedef kitleniz değilse satışa gönderilmez. HubSpot da aynı mantığı kurar: birleşik skor etiketleri A1'den C3'e uzanır, harf uygunluk skorunu, rakam etkileşim skorunu temsil eder².

Ölçekler aynı değildir. Eloqua'nın etkileşim ekseni dörde bölünür⁵, HubSpot'un birleşik skorunda ise üçe². Eloqua'da küçük rakam yüksek etkileşim demektir⁵; kendi ölçeğinizi kurarken yönü baştan yazın. Kendi modelinizi kurarken ölçeği değil, mantığı taşıyın; kaç kademe kullandığınız satış ekibinizin kaç farklı aksiyonu ayırt edebildiğine bağlıdır. Ayırt edemeyeceğiniz kadar çok kademe kurmak, modeli okunmaz hale getirir.

Grid bir rapor satırı değil, bir aksiyon tablosudur. Oracle Eloqua da modeli tanımladıktan sonra puanların uygun takip aksiyonuna eşlenmesini öneriyor⁵. Pratikte bu üç kutuya iner: satışa devret, beslemeye devam et, arşivle. Hangi hücrenin hangi kutuya düştüğünü satış ekibiyle birlikte kararlaştırın; aksi halde grid duvara asılan güzel bir görsel olmaktan öteye geçmez.

Örnek puan tablosu: hangi sinyale kaç puan

Grid, hangi sinyale kaç puan verdiğinizi yazana kadar soyut kalır. Aşağıdaki puanlar birincil kaynaklardan alınmış evrensel değerler değil, modelin nasıl kurulduğunu gösteren roicool örnekleridir; kendi kapanan iş verinizle değiştirmeniz beklenir. Kaynağa dayanan tek kural şudur: Adobe Marketo Engage, demo talebi gibi doğrudan satış konuşmasına giden eylemlere devir eşiğine eşit puan verilmesini önerir⁴.

Puan değerlerini nereden bulacaksınız? En sağlıklı yöntem geriye doğru çalışmaktır. Kazandığınız işlerin devirden önceki son haftalarında hangi eylemleri yaptığına bakın; kazanan adaylarda tekrar eden eylemler büyük puanı hak eder. Kaybedilen ya da hiç yanıt alınamayan kayıtlarda sık görülen eylemler ise küçük puanla geçilir. Bu çalışma bir kez yapılır, sonra çeyreklik ritimle güncellenir. Tablo tek sayfayı geçmesin; bakımı yapılmayan bir puan tablosu, hiç puan tablosu olmamasından daha yanıltıcıdır.

Negatif puan: modeli bozan sinyaller

Puan yalnızca eklenmez. Hedef dışı bir sektör, rakip alan adından gelen bir e-posta, kariyer sayfası ziyareti ya da uzun süredir hiç etkileşim olmaması eksi tarafa yazılır. Negatif puanı olmayan model zamanla şişer: herkes eşiği aşar, MQL sayısı artar, satışın listeye güveni biter.

Negatif puanın ikinci işlevi zaman aşımıdır. Bir aday geçmişte eşiği aşmış ama aylardır hiçbir sinyal üretmiyorsa, o puan bugünün gerçeğini değil geçmişini gösterir. Etkileşim puanını zamanla eriten bir kural koyduğunuzda liste kendi kendini temizler. Bu örnekler kaynaklardan alınmış bir standart değil, bizim uyguladığımız çerçevedir.

MQL eşiği kaç puan olmalı?

Adobe Marketo Engage, yeni başlayanlara 100 puanlık bir eşikle başlamayı ve modeli oradan geliştirmeyi öneriyor⁴. Bu rakam evrensel bir standart değil, kalibrasyon için bir başlangıç noktasıdır. Yukarıdaki örnek tablo daha küçük bir ölçekte kuruludur; o değerlerle çalışıyorsanız eşik 100 değil 50-60 bandına denk gelir. Önemli olan rakamın kendisi değil, eşiğin birden fazla anlamlı temas gerektirmesidir. Devir kuralı ise nettir: aday, tanımladığınız eylemleri yaparak yeterli ilgiyi gösterdiğinde ve toplam puan eşiği aştığında satış ekibine devredilir⁴.

Eşiğin büyüklüğü doğrudan iş yükü demektir. Çok küçük bir eşik, satış ekibini henüz konuşmaya hazır olmayan adaylarla doldurur ve ekip listeyi ciddiye almayı bırakır. Çok büyük bir eşik ise gerçekten ilgilenen adayı bekletir. Eşik, tek bir e-posta açılışıyla aşılamayacak kadar yüksek olmalı; aday devredilmeden önce markanızla birden fazla anlamlı temas kurmalıdır⁴.

Eşiği puan tablonuzla birlikte seçin. Tek bir eylemin en büyük değeri eşiğin yarısını geçmiyorsa hiçbir aday tek hamlede MQL olamaz; çoğu şirkette istenen davranış budur. Tek istisna doğrudan niyet sinyalleridir: Adobe, demo talebi gibi eylemlere devir eşiğine eşit puan verilmesini öneriyor⁴. Demo isteyen kişi tek hamlede eşiği aşar ve doğrudan satışa gider. Bu istisnayı kurmazsanız en sıcak aday, sırf yeterince içerik indirmediği için beklemede kalır.

Eşiği kalibre etme: veriyle güncelleme ritmi

Adobe, puanlamanın yinelemeli bir süreç olduğunu ve veri biriktikçe puanların da eşiklerin de sürekli gözden geçirilmesi gerektiğini yazıyor⁴. Pratikte bu, çeyrekte bir yapılan basit bir kontroldür: kapanan işlerin devir anındaki puanlarına bakın.

Kazanılan işlerin çoğu eşiğin hemen üstünde toplanıyorsa eşik doğru yerdedir. Kazanan adayların neredeyse tamamı eşiğin çok üstündeyse eşik gereğinden küçüktür ve aradaki fark satışın vaktini yiyordur. Tersine, satış ayda ancak birkaç MQL görüyor ve hepsini kapatıyorsa eşik gereğinden büyüktür. Bu kontrol için kaynak bir kıyas oranına ihtiyacınız yok; kendi kapanan iş veriniz yeterli.

Bir uyarı: devir eşiği ile tahmini puanlama modellerinin ürettiği puan aynı şey değildir. Devir eşiği sizin yazdığınız bir kuraldır; tahmini puan ise geçmiş veriden türetilmiş bir olasılık tahminidir. İkisi farklı ölçeklerde üretilir ve birbirinin yerine geçmez; tahmini puanlamayı bir sonraki bölümde ayrıca ele alıyoruz.

Devir kuralı ve pazarlama-satış SLA'sı

Eşik tek başına bir kural değildir; iki tarafın da kabul ettiği bir belgeye bağlanması gerekir. HubSpot, SLA'yı (hizmet seviyesi anlaşması) taraflar arasında belirli ve ölçülebilir standartlar belirleyen sözleşmesel bir belge olarak tanımlıyor¹⁰. Departmanlar arası SLA'lar ise özellikle satış ve pazarlama ekipleri arasında uyum ve hesap verebilirlik yaratır¹⁰.

SLA'da yazılması gereken dört madde

HubSpot'un tanımı belgenin iskeletini de veriyor: net devir prosedürleri, müşteri adayı kalite standartları ve yanıt süresi beklentileri¹⁰. Buna geri bildirim yükümlülüğünü eklediğinizde anlaşma çift yönlü hale gelir.

1. Devir prosedürü: hangi puan eşiğinde, hangi alanlar dolu olarak ve hangi sistem üzerinden devredileceği¹⁰.
2. Kalite standardı: bir kaydın MQL sayılması için zorunlu uygunluk kriterleri, yani unvan, sektör ve coğrafya¹⁰.
3. Yanıt süresi: satışın devredilen adaya ne kadar sürede temas edeceği. Bu süreyi kıyas verisinden değil, kendi ekibinizin kapasitesinden türetin¹⁰.
4. Geri bildirim: satışın reddettiği her adayın gerekçesini aynı sistemde işaretlemesi.

Anlaşmanın iki tarafı da taahhüt verir. Pazarlama tarafı hacim ve kalite taahhüdü verir; satış tarafı temas ve geri bildirim taahhüdü verir. Tek yönlü yazılmış bir SLA, yani yalnızca "pazarlama şu kadar MQL üretecek" cümlesi, ilk çeyrekte hedefi tutturan ama satışın hiçbirini aramadığı bir liste üretir.

SLA'yı iki ekibin de göreceği bir yerde tutun ve çeyrekte bir gözden geçirin; belgede tarih, sürüm ve iki tarafın onayı bulunsun. Devrin hangi sistemde gerçekleştiği de yazılı olmalı: CRM'de bir aşama değişikliği mi, bir görev ataması mı, bir bildirim mi? Bu ayrıntı yazılmadığında devir e-postada kaybolur ve kimse sorumluluğu üstlenmez. Aynı belgeye kimin hangi durumda MQL etiketini geri alabileceğini de yazın; geri alma kuralı olmayan bir model, yanlışları temizleyemez ve sayılar zamanla anlamını yitirir.

Reddedilen MQL ne olur: geri besleme döngüsü

Reddedilen aday çöpe gitmez, modele geri döner. Satışın red gerekçesi, yani yanlış sektör, bütçe yok ya da karar verici değil kayıtları, puanlama kurallarını güncellemenin en ucuz kaynağıdır. Adobe'nin yinelemeli süreç ilkesi tam burada işler: puanlar ve eşikler veri biriktikçe gözden geçirilir⁴.

Satış tarafı adayı kendi çerçevesiyle doğrular. Salesforce'un eğitim içeriğinde bu çerçevelerden biri BANT'tır: bütçe, yetki, ihtiyaç ve zaman⁹. Reddedilen adayın hangi maddede takıldığını kaydettiğinizde, o madde doğrudan bir uygunluk puanı kuralına çevrilebilir. Bütçesi olmayan adaylar tekrar tekrar aynı sektörden geliyorsa sorun puanlamada değil, hedeflemededir. Böylece SLA bir belge olmaktan çıkıp modeli besleyen bir döngüye dönüşür.

Kural tabanlı puanlamanın sınırı ve tahmini (AI) puanlama

Elle yazılan puan kuralları büyüdükçe bakımı zorlaşır. Frontiers in Artificial Intelligence'da yayımlanan 2025 tarihli hakemli çalışma, geleneksel puanlama modellerinde satış temsilcilerinin dönüşmeyecek niteliksiz müşteri adayı yığınına çok zaman harcadığını ve bu modellerin yanlış, keyfi ve önyargılı yöntemlere dönüşebildiğini yazıyor⁸. Aynı çalışma lead scoring'i, veri analiziyle her adayın dönüşüm olasılığına göre ağırlığını tahmin etmek olarak tanımlıyor⁸.

Tahmini (predictive) puanlama bu bakımı devralır. Microsoft Dynamics 365'te tahmini müşteri adayı puanı, geçmiş veriye dayalı bir makine öğrenmesi modeliyle açık müşteri adaylarının puanını hesaplar⁶⁷. Terminoloji notu: Microsoft'un resmi Türkçe dokümantasyonu "lead" karşılığı olarak "müşteri adayı" terimini kullanıyor⁷; bu sayfada da aynı terimi tercih ediyoruz.

Kural tabanlı model küçük hacimde kötü bir seçenek değildir; en büyük avantajı okunabilir olmasıdır. Satış, bir adayın neden MQL sayıldığını tek bakışta görebilir ve itiraz edebileceği bir kural vardır. Tahmini modelde bu şeffaflık azalır, puanın gerekçesini ayrıca açıklamanız gerekir. Seçim yalnızca teknolojiye değil, ekibin modele duyduğu güvene de bağlıdır.

Tahmini puanlama için gereken minimum veri: 40 + 40

Modelin somut bir veri eşiği var. Microsoft'un Türkçe dokümantasyonuna göre kuruluşun, modeli eğitmek için seçtiği zaman dilimi boyunca en az 40 uygun ve 40 diskalifiye edilmiş müşteri adayı oluşturmuş ve kapatmış olması gerekir⁷. Bu sayıya ulaşmamış bir ekip için tahmini puanlama sıradaki adım değildir; önce kural tabanlı modeli çalıştırıp kapanan iş verisi biriktirmek gerekir.

Çıktı bir olasılık sıralamasıdır. Microsoft'un örneğinde model, Müşteri Adayı A'ya 80 ve Müşteri Adayı B'ye 50 puan hesaplar; A'nın fırsata dönüşme şansı daha büyüktür⁷. Bu puanı yukarıda anlattığımız devir eşiğiyle karıştırmayın: farklı bir ölçekte, farklı bir mantıkla üretilir ve eşiğin yerini almaz.

Akademik tarafta sonuçlar umut verici ama dar kapsamlı. Aynı 2025 tarihli çalışma, tek bir B2B yazılım şirketinin CRM verisiyle on beş sınıflandırma algoritmasını karşılaştırdı⁸; en iyi performansı gösteren Gradient Boosting Classifier ortalama %98,39 doğruluk elde etti⁸. Bu bir sektör kıyası değil, tek şirketlik bir vaka çalışmasının sonucudur ve kendi verinizde aynı sonucu vereceğinin garantisi yoktur.

MQL modeli hâlâ çalışıyor mu? Forrester'ın eleştirisi

Forrester'ın 2022 tarihli waterfall kıyaslama verisine göre MQL merkezli bir süreçte sorgudan kazanılan satışa dönüşüm oranı %1'in altındadır³. Bu rakamın ne olmadığını yazmak önemli: uçtan uca bir dönüşümdür, yani ilk ilgi anından kapanan işe kadar olan yolun tamamını kapsar. MQL'in SQL'e dönüşme oranı değildir ve o oran yerine kullanılamaz.

Aynı analiz modelin zayıf noktasını da işaret ediyor. Forrester'a göre profil ve etkileşim faktörlerine verilen puanlar ve MQL'in ne zaman iletileceğini belirleyen eşik, gerçek satın alma eğilimi analizine değil, tahminlere ve rastgele kestirimlere dayanır³. Bu eleştiri yukarıda kurduğumuz puanlama modelini çürütmüyor; modelin kapanan iş verisiyle kalibre edilmediği sürece bir varsayım listesi olarak kalacağını söylüyor.

Tek kişi değil alım grubu: sinyali nereden okumalı

Forrester'a göre B2B satın alma kararlarının %80'inden fazlası üçten fazla kişiden oluşan bir alım grubu tarafından verilir³. Aynı analiz, tek bir kişinin dört teknik doküman indirmesinin satış tarafı için olsa olsa hafif bir ilgi işareti olduğunu, asıl güçlü sinyalin alım grubunun birden fazla üyesinden gelen etkileşim olduğunu söylüyor³.

Pratik karşılığı şu: puanı yalnızca kişi kaydında değil, şirket kaydında da toplayın. Aynı alan adından birden fazla kişinin aynı hafta fiyatlandırma sayfasına gelmesi, tek kişinin arka arkaya doküman indirmesinden daha güçlü bir sinyaldir. Çoğu puanlama kurgusu bunun tersini yapar ve en aktif tek kişiyi ödüllendirir.

Bu eleştiriyi modele çevirmenin yolu şu: puan ağırlıklarını tahminle değil kapanan iş verisiyle belirleyin ve kişi puanının yanına hesap düzeyinde ikinci bir eşik koyun. Kişi puanı satış temsilcisine kimi arayacağını söyler; hesap puanı hangi şirkete kampanya açacağınızı söyler. İkisi aynı tabloda tutulduğunda MQL raporu yeniden karar verilebilir bir belge olur. Uygulamada bu, aynı şirketten gelen kayıtların tek bir hesap altında birleştirilmesiyle başlar; birleştirme yoksa alım grubu sinyali zaten görünmez.

Sonuç dengeli: MQL ölmedi, tek başına yeterli değil. Pazarlama ile satış arasındaki devir noktasını tanımlayan işlevi duruyor. Ama hesap düzeyinde toplanan sinyalle ve alım grubu okumasıyla birlikte kullanılmadığında, üzerine kurduğunuz raporlama satın alan tarafı değil, en çok içerik indiren kişiyi ölçer.

MQL'i ölçemiyorsanız tanımlayamazsınız: veri altyapısı ve maliyet tarafı

Puanlama modeli ancak dönüşüm verisi kayıpsız toplanıyorsa çalışır. CRM, reklam platformları ve site verisi tek yerde birleşmiyorsa MQL tanımı kâğıt üstünde kalır: puan atayacak sinyaliniz eksiktir, eşiği kalibre edecek kapanan iş veriniz yoktur. Sıralama nettir; önce ölçüm altyapısı, sonra puanlama modeli.

Yönettiğimiz hesaplarda ölçüm altyapısını bu sırayla kuruyoruz: Google Ads hesaplarını sıfırdan kurup optimize ediyor, dönüşümleri sunucu taraflı API entegrasyonuyla (CAPI) kayıt altına alıyoruz¹¹. Amaç formun dolduğu anı değil, o formdan sonra ne olduğunu da veriye bağlamak. Reklam platformu ancak kaliteli adayın verisini gördüğünde ona benzeyen kişileri getirmeye başlar.

Ölçüm tarafında üç bağlantıyı kurmadan puanlamaya başlamayın. Reklam platformundaki dönüşümü CRM'deki kayıt kimliğiyle eşleştirin, MQL etiketini CRM'de tek bir alanda tutun ve kapanan işi aynı kimlikle geri yazın. Bu üçü çalıştığında hangi kampanyanın form değil, hangi kampanyanın kazanılan iş getirdiğini görürsünüz; puan tablosunu kalibre edecek veri de buradan gelir. Bu bağlantılar kurulmadan yapılan her puanlama tartışması fikir tartışmasıdır.

CPL değil Cost Per MQL: optimizasyon hedefini değiştirmek

Reklam tarafında en hızlı kazanç, optimizasyon hedefini değiştirmekten gelir. Cost Per MQL odaklı vaka çalışmamız bunun somut örneği: reklam optimizasyonu form başına maliyete (CPL) göre değil, kaliteli müşteri adayı başına maliyete göre yapıldı¹¹. Hedef, form sayısını değil, satışın konuşmaya değer bulduğu aday sayısını ucuzlatmaktı.

Aynı hizmet setinde bile müşteri adayı maliyeti sabit değildir; yönettiğimiz sağlık turizmi hesaplarında bu maliyet 11-16 USD bandında değişti¹¹. Tıklama başına maliyet düşerken müşteri adayı başına maliyetin artması sık görülen bir tablodur. Bu yüzden tek başına tıklama başına maliyet iyileşmesi bir başarı göstergesi sayılmaz.

MQL tanımını kurmak bir raporlama işi değil, bir karar mekanizmasıdır: hangi adayın aranacağını, hangi bütçenin nereye gideceğini ve hangi kanalın kapatılacağını belirler. Tanım yazılı olmadığında bu kararların hepsi sezgiyle verilir ve her ay yeniden tartışılır. Modeli kurup reklam hedefine bağlamak istiyorsanız lead generation hizmetimiz tam olarak bu kapsamı taşıyor.

Sıkça Sorulan Sorular

MQL eşiği (threshold) kaç puan olmalı?

Adobe Marketo Engage yeni başlayanlara 100 puanlık bir eşikle başlamayı öneriyor⁴. Bu bir sektör standardı değil, kalibrasyon başlangıcıdır. Eşik, tek bir e-posta açılışıyla aşılamayacak kadar büyük olmalıdır. Doğru değeri satış ekibinizin haftada kaç konuşma yürütebildiği ve kapanan işlerin devir anındaki puanları belirler. Adobe, puanlamanın yinelemeli bir süreç olduğunu ve eşiklerin veri biriktikçe gözden geçirilmesi gerektiğini yazıyor⁴.

Bir lead ne zaman MQL'den SQL'e geçer?

Toplam puan devir eşiğini aştığında ve satış ekibi adayı kendi kriterleriyle nitelendirdiğinde geçer⁴. HubSpot'un tanımında MQL'i pazarlama, SQL'i satış nitelendirir¹. Salesforce'a göre SQL, hem ürüne uygun hem de satın almaya hazır olan adaydır⁹. Satış tarafı bunu çoğunlukla bütçe, yetki, ihtiyaç ve zaman gibi bir çerçeveyle doğrular⁹. Geçiş anı bir puanla değil, iki ekibin ortak yazdığı kuralla tanımlanır.

MQL tanımını kim yapmalı: pazarlama mı satış mı?

İkisi birlikte. MQL tanımı, pazarlama ile satışın ortak yazdığı SLA'da belirlenir. HubSpot SLA'yı, taraflar arasında belirli ve ölçülebilir standartlar koyan sözleşmesel bir belge olarak tanımlıyor¹⁰; departmanlar arası SLA'lar satış ve pazarlama arasında uyum ve hesap verebilirlik yaratır¹⁰. Belgede net devir prosedürleri, müşteri adayı kalite standartları ve yanıt süresi beklentileri yazılır¹⁰.

Lead scoring puanları nasıl belirlenmeli?

Puanlar iki eksende dağıtılır: uygunluk ve etkileşim². Oracle Eloqua aynı ayrımı açık ve örtük veri diye kurar⁵. Yöntem şudur: satın alma niyetine en yakın eylemlere en büyük puanı verin, hedef dışı sinyallere negatif puan yazın ve değerleri kapanan iş verinizle güncelleyin⁴. Adobe, demo talebi gibi doğrudan satışa giden eylemlere devir eşiğine eşit puan verilmesini öneriyor⁴.

Lead kalifikasyonu için CRM şart mı?

Küçük hacimlerde bir tablo yeterli olabilir; puanlama otomatikleşecekse CRM zorunlu hale gelir. HubSpot'un puanlama aracı skorları doğrudan CRM kayıtları üzerinde kurar ve tek bir birleşik skorda toplar². Tahmini puanlamada ise seçenek yoktur: Microsoft Dynamics 365'te model eğitimi, seçilen dönemde en az 40 uygun ve 40 diskalifiye edilmiş kapatılmış müşteri adayı gerektirir⁷. Bu veri elle tutulan bir tabloda birikmez.

MQL ölçüt olarak ölmüş müdür, yerine ne kullanılıyor?

Ölmemiştir ama tek başına yeterli değildir. Forrester'ın 2022 tarihli analizine göre MQL merkezli süreçte sorgudan kazanılan satışa uçtan uca dönüşüm %1'in altındadır³. Aynı analiz, B2B satın alma kararlarının %80'inden fazlasının üçten fazla kişilik bir alım grubu tarafından verildiğini söylüyor³. Yerine geçen tek bir ölçüt yok; MQL bugün hesap düzeyinde toplanan alım grubu sinyaliyle birlikte okunuyor.