Müşteri Eğitiminde Yapay Zekâ: Bağlı Bir Ekosistem

Bir SaaS şirketi düşünün. Aynı ürünü üç farklı müşteri kullanıyor: kurumsal hesabı yöneten bir yönetici, saha ekibindeki bir bayi temsilcisi, ürünü haftada bir açan bir son kullanıcı. Üçüne de aynı "Ürüne Giriş" kursu gönderiliyor. Sonuç tahmin edilebilir: biri sıkılıyor, biri boğuluyor, biri kursu hiç bitirmiyor.

Tek kurs herkese yetmiyor

Müşteri eğitimi çoğu şirkette aynı kalıpta ilerliyor. Tek bir onboarding kursu, tek bir video seti, tüm müşterilere aynı sırayla gönderiliyor. Mantık basit görünüyor: içerik bir kez üretilir, sonsuz kez kullanılır. Ama müşteri tabanı hiçbir zaman homojen değildir.

Bir proje yönetim yazılımını örnek alalım. Yazılımı kullanan bir ajansta üç farklı ekip, üç farklı ihtiyaç taşır: hesap yöneticisi entegrasyonları kurar, proje yöneticisi raporlama ekranlarını öğrenmek ister, saha ekibi ise sadece mobil uygulamadaki görev takibini bilmek zorundadır. Tek bir "Ürüne Giriş" videosu üçünü birden tatmin edemez.

• Kullanım seviyesi: yeni başlayan bir kullanıcıyla iki yıldır ürünü kullanan biri, aynı içerikten aynı şeyi almaz.
• Rol: yönetici panelini kuran biriyle günlük görevleri yürüten biri farklı bir yoldan geçer.
• Kanal: ürün bayi ağı üzerinden satılıyorsa, bayi eğitimi son kullanıcı eğitiminden ayrışmalıdır.
• Dil ve bölge: çok pazarlı bir müşteri tabanında tek dilli tek kurs, her zaman bir kısmını eksik bırakır.

Şirketler bu soruna genelde iki şekilde tepki verir. Ya tek kursu olabildiğince genel tutup hiçbir segmenti tam karşılamazlar, ya da her segment için ayrı kurs üretmeye çalışıp içerik ekibini tüketirler. İkisi de uzun vadede sürdürülebilir değildir.

Bu fark göz ardı edildiğinde sonuç nettir. Tamamlama oranları düşer, destek ekibine gelen tekrar eden sorular artar, müşteri ürünün sunduğu değerin büyük bölümünü hiç keşfetmez. İçerik zaten vardır — sadece doğru kişiye ulaşmamıştır.

Yapay zekâ neyi ölçekliyor?

Burada kritik bir ayrım var. Yapay zekânın müşteri eğitimindeki katkısı daha fazla içerik üretmek değildir. Var olan içeriği doğru kişiye doğru anda yönlendirmektir.

Bir müşteri ürüne giriş yaptığında sistem elindeki sinyalleri okur: hangi özellikleri kullanıyor, hangilerini hiç açmamış, en son ne zaman aktifti, destek ekibine hangi konularda soru sormuş. Bu sinyaller, o müşteri için hangi eğitim modülünün öncelikli olduğunu belirler.

Sinyaller nasıl işler?

• Davranışsal veri: hangi modüller tamamlandı, hangi ekranlar hiç açılmadı.
• Zaman: son giriş ne zamandı, kullanım sıklığı düşüyor mu.
• Destek geçmişi: müşteri hangi konularda tekrar tekrar soru soruyor.
• Segment bilgisi: müşterinin rolü, planı, sözleşme kapsamı.

Bu sinyaller tek başına anlamlı değildir. Yapay zekânın işi, onları bir araya getirip "bu müşteriye şimdi hangi modül gösterilmeli" sorusuna somut bir cevap üretmektir.

Naif çözüm her segment için ayrı bir kurs yazmak olurdu. Ama bu, içerik ekibini büyütür, bakım yükünü katlar, her ürün güncellemesinde onlarca versiyonu yeniden düzenlemeyi gerektirir. Yapay zekâ destekli yönlendirme bu tuzağı ortadan kaldırır: içerik tek kalır, dağıtım kişiselleşir.

Ölçek, daha çok içerik üretmekten değil, mevcut içeriği akıllıca dağıtmaktan gelir.

GOLMS ve GOCATALOG'da pratik

Respongo ekosisteminde bu yaklaşım iki üründe somutlaşır. GOLMS, her müşteri hesabının ilerleme verisini, rolünü ve kullanım geçmişini tutar. GOCATALOG ise hazır eğitim içeriği kütüphanesini bu verilerle eşleştirir.

Üç yaygın senaryo

• Bayi eğitimi: aynı ürün için bayi ekibi satış ve kurulum odaklı modülleri görür; son kullanıcı ise günlük kullanım modüllerini.
• Kademeli onboarding: yeni müşteri temel modüllerle başlar. Sistemi düzenli kullandıkça ileri seviye içerik otomatik olarak öne çıkar.
• Pasif özellik tespiti: bir özelliği hiç açmamış müşteriye, o özelliğe dair kısa bir modül önceliklendirilir.
• Çok pazarlı müşteri tabanı: aynı içerik kütüphanesi, müşterinin diline ve bölgesine göre doğru sürümüyle önerilir.

GOCATALOG'un hazır modül kütüphanesi burada devreye girer. İçerik ekibi her senaryo için sıfırdan üretim yapmaz; var olan modülleri doğru sırayla ve doğru müşteriye sunar. Kütüphanede gerçek bir boşluk çıkarsa GOFACTORY ile hedefe özel içerik üretimine gidilir — ama bu istisnadır, kural değil.

Bu, müşteri eğitim ekibinin gündemini değiştirir. Ekip artık "herkese ne gönderelim" sorusuyla uğraşmaz. Odak, içerik kütüphanesini zenginleştirmeye kayar — yönlendirmeyi sistem üstlenir.

Başlamak için üç adım

Müşteri eğitimini bu şekilde ölçeklendirmek köklü bir dönüşüm gibi görünebilir. Aslında üç adımda başlar.

• 1. Segmentleri netleştirin: müşteri tabanınızı rol, kullanım seviyesi ve kanala göre ayırın. Yapay zekâ bu ayrım olmadan öneri yapamaz.
• 2. İçerik kütüphanesini birleştirin: dağınık PDF'ler, videolar ve kurslar tek bir sistemde toplanmalı ki öneri motoru hepsine erişebilsin.
• 3. Sinyalleri tanımlayın: giriş sıklığı, tamamlanan modüller, açılan destek talepleri gibi hangi verinin öneriyi tetikleyeceğine karar verin.

Bu üç adım tamamlandığında iş bitmez, sadece başlar. Hangi segmentin hangi modülü tamamladığını, nerede takıldığını düzenli izlemek gerekir. Bir modül sürekli atlanıyorsa, sorun içerikte değil, o içeriğin yanlış kişiye önerilmesinde olabilir.

Müşteri eğitiminde asıl fark, kim daha çok içerik üretti sorusunda ortaya çıkmıyor. Kim, elindeki içeriği doğru müşteriye doğru anda ulaştırdı sorusunda ortaya çıkıyor.