MQL, SQL ve PQL; bir pazarlama kampanyasından gelen her iletişim talebini aynı potansiyele sahipmiş gibi işleme almanın satış ekiplerini nasıl yorduğunu ve dönüşüm oranlarını nasıl düşürdüğünü anlamak için kullanılan lead kalifikasyon kategorileridir. Fakat çoğu KOBİ ve B2B şirket bu üç terimi bilmekle birlikte aralarındaki geçişi sistematik bir modele oturtamaz; sonuç olarak pazarlama “lead getirdi” derken satış “bunlar hazır değil” der ve iki ekip aynı veriye bakarak farklı başarı hikâyeleri anlatır.
Bu rehber, söz konusu kopukluğun tam ortasına odaklanıyor. MQL, SQL ve PQL tanımlarından başlayarak BANT ve MEDDIC gibi kalifikasyon modellerini, lead puanlama kriterlerini ve hunideki ilerleme aşamalarını ele alacak. Daha da önemlisi, Google Ads, Meta ve LinkedIn gibi reklam kanallarının bu lead türlerini beslemedeki spesifik rolünü ve 2026’te yapay zeka destekli skorlamanın geleneksel modeli nasıl dönüştürdüğünü de inceleyecek.
AdRoket olarak yüzlerce B2B ve e-ticaret hesabında bu süreçleri bizzat yönetmiş bir ekip olarak söyleyebiliriz: doğru lead kalifikasyon çerçevesi, reklam bütçenizi değil öncelikli olarak satış enerjinizi optimize eder.
MQL, SQL ve PQL Nedir? Temel Tanımlar ve Önemi
MQL, SQL ve PQL; bir potansiyel müşterinin satın alma yolculuğundaki olgunluk düzeyini tanımlayan üç temel lead kalifikasyon kategorisidir. Bu üç kavramı doğru anlamak, pazarlama bütçenizi kime, ne zaman ve nasıl harcayacağınızı netleştirir.
Lead kalifikasyon neden bu kadar kritik?
Bir B2B şirkette ya da büyüme hedefli bir KOBİ’de satış ve pazarlama ekipleri çoğu zaman aynı dili konuşamaz. Pazarlama “çok sayıda lead getirdik” derken satış “bu leadler niteliksiz” diye yanıt verir. Bu kopukluğun temelinde ortak bir kalifikasyon çerçevesinin olmaması yatar. MQL, SQL ve PQL kavramları tam da bu noktada devreye girer: her lead’in hangi aşamada olduğunu herkesin anlayacağı şekilde tanımlar.
Üç temel lead türü şu şekilde ayrışır:
| Terim | Açılımı | Kısaca Ne Anlama Gelir |
|---|---|---|
| MQL | Marketing Qualified Lead | Pazarlama aksiyonlarıyla ilgi göstermiş, satışa henüz hazır olmayan lead |
| SQL | Sales Qualified Lead | Satış ekibinin değerlendirmeye aldığı, satın alma niyeti taşıyan lead |
| PQL | Product Qualified Lead | Ürünü bizzat deneyimleyerek değer gören ve yükseltme/satın alma sinyali veren lead |
MQL nedir? Bir içeriği indiren, webinar’a kaydolan ya da e-posta listesine giren kullanıcılar tipik MQL örnekleridir. Bu kişi ilgi göstermiştir; ancak satın almaya hazır olup olmadığı henüz netleşmemiştir.
SQL nedir? Satış ekibiyle görüşmeye razı olan, bütçesi ve karar alma yetkisi netleşmiş, çözümünüzü rakiplerle kıyaslamaya başlamış bir lead SQL statüsüne geçmiştir. SQL’ler satış hunisinin orta-alt katmanında yer alır.
PQL nedir? Özellikle SaaS ve freemium iş modellerinde öne çıkan bu kategori, ürünü ücretsiz ya da deneme sürümüyle kullanan ve belirli bir kullanım eşiğini aşan kullanıcıları kapsar. PQL’ler, ürünün değerini zaten deneyimlediği için genellikle en yüksek dönüşüm oranına sahip lead türüdür.
Bu ayrımın pratik değeri nedir?
Doğru kalifikasyon yapıldığında satış ekibi zamanını gerçekten hazır olan lead’lere ayırır, pazarlama ekibi ise hangi içerik veya reklam aksiyonunun kaliteli lead ürettiğini ölçebilir hale gelir. Ekibimizin Google Ads ve Meta kampanyalarını yönetirken sıklıkla gözlemlediği bir gerçek şudur: tıklama sayısı değil, hangi tıklamaların MQL’e, MQL’lerin SQL’e dönüştüğü, gerçek kampanya başarısını belirler.
Bu rehberin devamında her lead türünü ayrı ayrı ele alacak, aralarındaki geçiş kriterlerini ve lead kalifikasyon sürecinizi nasıl optimize edeceğinizi adım adım açıklayacağız.
MQL (Marketing Qualified Lead) Detaylı Açıklaması
Marketing Qualified Lead (MQL), pazarlama faaliyetleri sonucunda yeterli ilgi ve etkileşim sinyali göstermiş, ancak henüz satış görüşmesine hazır olmayan potansiyel müşteriyi tanımlar. Kısaca: pazarlama hunisinin ortasında duran, ısınmış ama henüz pişmemiş adaydır.
MQL’i Diğer Ziyaretçilerden Ayıran Nedir?
Her web sitesi ziyaretçisi veya form dolduran kişi otomatik olarak MQL sayılmaz. Bir ziyaretçinin marketing qualified lead statüsüne geçebilmesi için belirli davranışsal eşikleri aşması gerekir. Bu eşikler şirketten şirkete farklılaşsa da yaygın sinyaller şunlardır:
- İçerik tüketimi: Birden fazla blog yazısı okumak, bir e-kitap veya whitepaper indirmek
- Form etkileşimi: Demo talebi, bülten kaydı veya ücretsiz deneme başvurusu
- Sayfa derinliği: Fiyatlandırma sayfasını ziyaret etmek veya ürün karşılaştırması yapmak
- Tekrarlı ziyaret: Belirli bir süre içinde siteye birden fazla kez dönmek
- Webinar veya etkinlik katılımı: Markaya zaman ayırmaya istekli olduğunu göstermek
Bu sinyallerin her biri tek başına yeterli olmayabilir; önemli olan birden fazla sinyalin birleşmesidir. Bu nedenle çoğu pazarlama ekibi lead scoring (lead puanlama) yöntemini kullanarak her davranışa bir puan atar ve toplam puanın belirli bir eşiği aşması durumunda kişiyi MQL olarak sınıflandırır.
MQL Pazarlama Hunisinde Nerede Durur?
Klasik funnel modelinde MQL, farkındalık (awareness) aşamasının üstünde, değerlendirme (consideration) aşamasının tam ortasında yer alır. Kişi markayı tanımıştır, bir sorunu olduğunun farkındadır ve çözüm araştırma davranışı sergilemeye başlamıştır — ama henüz satın alma kararı vermemiştir.
Bu konum MQL yönetimini kritik kılar: çok erken bırakırsanız lead soğur, çok baskılı davranırsanız ilişki kırılır. Pazarlama ekibinin görevi bu pencerede nurturing (besleme) içerikleriyle adayı ısıtmaya devam etmek ve doğru an geldiğinde SQL’e geçişi sağlamaktır.
MQL Kalitesini Belirleyen Faktörler
MQL tanımı her organizasyonda farklı şekillenebilir. Ancak kaliteli bir MQL tanımı genellikle şu üç boyutu içerir:
| Boyut | Açıklama |
|---|---|
| Demografik uyum | Kişi ideal müşteri profilinize (ICP) yakın mı? |
| Davranışsal yoğunluk | Kaç farklı temas noktasında etkileşim kurdu? |
| Zamanlama | Etkileşimler ne kadar yakın zamanda gerçekleşti? |
Bu üç boyutun kesiştiği noktada gerçek anlamda nitelikli bir pazarlama adayı ortaya çıkar.
Pratik Bir Not
MQL tanımını bir kez belirleyip sonsuza dek sabit tutmak sık yapılan hatalardan biridir. Kampanya performansını düzenli olarak analiz ettiğimizde şunu gözlemleriz: SQL’e dönüşen MQL’lerin hangi davranışsal sinyalleri taşıdığı incelendiğinde, başlangıçtaki eşik kriterleri çoğunlukla güncellemeye ihtiyaç duyar. MQL tanımı, satış ve pazarlama ekiplerinin birlikte periyodik olarak gözden geçirdiği dinamik bir çerçeve olmalıdır.
SQL (Sales Qualified Lead) Detaylı Açıklaması
Sales Qualified Lead (SQL), satış ekibinin doğrudan iletişime geçmeye hazır olduğunu değerlendirdiği, satın alma potansiyeli yüksek adaydır. MQL’den temel farkı şudur: SQL tanımı pazarlama tarafından değil, satış ekibinin perspektifinden yapılır. Bir aday pazarlama filtrelerini geçmiş olabilir; ancak satışın ona “bu bizim için gerçekten doğru fırsat” demesi ayrı bir değerlendirme sürecini gerektirir.
SQL’i Tanımlayan Kriterler
Bir sales qualified lead’in ne olduğunu anlamak için en sık kullanılan çerçevelerden biri BANT modelidir:
| Kriter | Açıklama |
|---|---|
| Budget (Bütçe) | Adayın çözümünüzü karşılayabilecek finansal kapasitesi var mı? |
| Authority (Yetki) | Satın alma kararını veren ya da doğrudan etkileyen kişi mi? |
| Need (İhtiyaç) | Ürün veya hizmetinizin çözdüğü somut bir problemi var mı? |
| Timeline (Zaman) | Belirli bir süre içinde karar vermeyi planlıyor mu? |
Bu dört soruya net “evet” yanıtı verilebilen bir aday, satış nitelikli aday olarak sınıflandırılmaya güçlü bir adaydır. Ancak BANT tek başına yeterli değildir; özellikle B2B süreçlerde karar alma yapısı çok katmanlı olduğundan, adayın organizasyon içindeki konumu ve aciliyet düzeyi de değerlendirmeye dahil edilmelidir.
SQL Hunide Nerede Durur?
SQL, satış hunisinin orta-alt bölgesinde yer alır. Pazarlama tarafından beslenen ve ısıtılan bir aday, MQL aşamasını tamamladıktan sonra satış ekibine devredilir. Bu devir noktasına sektörde “handoff” adı verilir ve pek çok şirkette satış-pazarlama uyumsuzluğunun tam olarak burada yaşandığı görülür.
SQL aşamasında artık içerik tüketimi değil, gerçek ihtiyaç keşfi ön plandadır. Satış temsilcisi bu adayla:
- Keşif görüşmesi yaparak ihtiyacı derinlemesine anlar
- Çözümün bu adaya özgü değerini somutlaştırır
- Olası itirazları süreci yönetir ve teklif aşamasına taşır
SQL Tanımını Kimin Yapması Gerekir?
Burada kritik bir organizasyonel mesele vardır: SQL kriterlerini yalnızca satış ekibinin belirlemesi, pazarlama ekibinin gönderdiği adayların sürekli olarak “hazır değil” damgası yemesine yol açabilir. Tersine, sadece pazarlamanın belirlediği bir SQL tanımı gerçekçilikten uzaklaşabilir.
Ekibimizin büyüme odaklı B2B müşterilerle yürüttüğü süreçlerde gözlemlediğimiz en sağlıklı yaklaşım şudur: SQL kriterleri, satış ve pazarlamanın ortak oturumda belirlediği ve kazanılan fırsatlar (won deals) ile kaybedilen fırsatlar (lost deals) analiz edilerek düzenli olarak rafine edilen bir çerçeve üzerine inşa edilir.
SQL, yalnızca bir etiket değil; satış ekibinin zamanını ve enerjisini nereye yatırması gerektiğini belirleyen stratejik bir filtredir. Bu filtreyi ne kadar iyi kalibre ederseniz, satış döngüsü o kadar kısalır ve kapanış oranı o kadar yükselir.
PQL (Product Qualified Lead) Detaylı Açıklaması
Product Qualified Lead (PQL), bir kullanıcının satın alma kararına hazır olduğunu pazarlama materyalleriyle değil, doğrudan ürün deneyimiyle ortaya koyduğu lead türüdür. Başka bir deyişle, ürünü kullanan ve bu kullanım sırasında belirli değer eşiklerini aşan kişiler PQL statüsüne geçer.
Bu kavram, özellikle freemium, ücretsiz deneme (free trial) veya self-serve büyüme modellerinin yaygınlaşmasıyla birlikte kritik bir öneme kavuştu. Geleneksel MQL ve SQL yaklaşımları, kullanıcının ürünle kurduğu gerçek ilişkiyi yeterince yansıtmıyordu; PQL bu boşluğu kapatmak için ortaya çıktı.
PLG Modelinde PQL Neden Bu Kadar Önemli?
Product-Led Growth (PLG) stratejisinde büyüme motoru, satış ekibi değil ürünün kendisidir. Bu modelde potansiyel müşteri, ürünü bizzat deneyimleyerek değerini anlar ve satın alma kararını büyük ölçüde bağımsız biçimde verir. PQL, bu sürecin satış ekibine aktarılması gereken anı işaretler: “Bu kullanıcı artık gerçek bir fırsat.”
PLG modelini benimseyen SaaS şirketlerinde PQL’nin önemi şuradan kaynaklanır: Bir kullanıcı ürünü kullanarak “aha anı”na ulaşmışsa, satış konuşmasına olan direnci dramatik biçimde düşer. Ekibiniz bu kullanıcıyla iletişime geçtiğinde ikna maliyeti düşük, kapanış olasılığı yüksektir.
Ürün Kullanımı Sinyalleri: PQL’yi Nasıl Tanırsınız?
PQL tanımı şirketten şirkete değişir; ancak ürün nitelikli aday tespitinde kullanılan sinyal kategorileri oldukça ortaktır:
Kullanım yoğunluğu sinyalleri:
- Belirli bir özelliğin eşik değerinin üzerinde kullanılması (örneğin: deneme süresinde 3 rapor oluşturmak)
- Ürüne haftalık veya günlük giriş sıklığı
- Birden fazla ekip üyesini platforma davet etmek
Değer temas noktaları:
- Ürünün çekirdek özelliğini ilk kez kullanmak (“aha anı”)
- Entegrasyon kurulumu yapmak
- Veri yükleme veya proje oluşturma gibi taahhüt gerektiren adımlar
Sınır sinyalleri (limit sinyalleri):
- Freemium kotasına ulaşmak
- Premium özelliklere tıklamak ancak yükseltme yapmamak
- Fiyatlandırma sayfasını birden fazla kez ziyaret etmek
Bu sinyallerin güçlü yanı, niyeti değil davranışı ölçmesidir. Kullanıcı ne söylediğinden bağımsız olarak ne yaptığını ürün verisi açıkça ortaya koyar.
PQL ile MQL/SQL Arasındaki Temel Fark
| Kriter | MQL | SQL | PQL |
|---|---|---|---|
| Sinyal kaynağı | Pazarlama etkileşimi | Satış değerlendirmesi | Ürün kullanım verisi |
| Hazırlık göstergesi | İlgi | Niyet | Deneyim |
| En güçlü olduğu model | Inbound/outbound | Enterprise satış | PLG / freemium |
PQL, ürün odaklı büyüme stratejisi izleyen şirketler için MQL ve SQL’i tamamlayan değil, kimi zaman onların önüne geçen bir sinyal türüdür. Freemium veya trial modeli çalıştıran her B2B SaaS şirketinin bu kavramı lead kalifikasyon çerçevesine entegre etmesi, hem satış verimliliğini artırır hem de müşteri edinim maliyetini düşürür.
Ekibimiz, PLG modelini destekleyen reklam stratejilerinde PQL sinyallerini hedefleme ve yeniden pazarlama (remarketing) kampanyalarına da entegre ederek bu yaklaşımın değerini daha da artırıyor.
MQL vs SQL vs PQL: Farklar, Benzerlikler ve Karşılaştırma Tablosu
MQL, SQL ve PQL arasındaki temel fark; leadin hangi ekip tarafından, hangi veri kaynağına dayanarak ve hangi olgunluk seviyesinde nitelendirildiğidir.
Kriter Bazlı Karşılaştırma Tablosu
| Kriter | MQL | SQL | PQL |
|---|---|---|---|
| Kim nitelendiriyor? | Pazarlama ekibi | Satış ekibi | Ürün/büyüme ekibi |
| Sinyal kaynağı | Pazarlama etkileşimleri | Satış değerlendirmesi | Ürün kullanım verisi |
| Hazırlık göstergesi | İlgi sinyali | Satın alma niyeti | Doğrudan deneyim |
| Temel araç | CRM, Marketing Automation | CRM, Sales Cadence | Product Analytics |
| En güçlü model | Inbound / Content | Enterprise / Outbound | PLG / Freemium |
| Hız | Orta | Yavaş (uzun döngü) | Yüksek (anlık veri) |
| Yanlış pozitif riski | Yüksek | Düşük | Düşük–Orta |
| Geçiş yönü | MQL → SQL | SQL → Fırsat | PQL → SQL veya direkt kapanış |
Üç Kavramın Farkı ve Örtüşen Noktaları
MQL ile SQL arasındaki fark esas olarak nitelendirme yetkisi ve veri türüdür. MQL, içerik indirme, webinar katılımı veya e-posta etkileşimi gibi pazarlama sinyallerine dayanır; SQL ise satış ekibinin bu leadi bütçe, otorite ve zaman kriteri açısından doğrulamasıyla oluşur. MQL SQL farkını en net ortaya koyan soru şudur: “Bu kişi satın almayı düşünüyor mu, yoksa sadece bilgi mi ediniyor?”
SQL ile PQL arasındaki fark ise nitelendirme zamanlaması ve kanıt türüdür. SQL, satış ekibinin bir potansiyel müşteriyi değerlendirmesiyle şekillenir; PQL ise kişinin ürünü zaten kullanmış ve belirli bir değer eşiğine ulaşmış olmasından çıkar. SQL PQL farkını en iyi özetleyen ifade: SQL “bu kişi satın alabilir”, PQL ise “bu kişi değeri gördü” sinyalidir.
MQL ile PQL ise iki farklı funnelin çıktısıdır. MQL, pazarlama kanallarından beslenir; PQL doğrudan üründen. Her ikisi de satış döngüsünde SQL öncesi aşamaları temsil edebilir, ancak PQL çok daha yüksek dönüşüm sinyali taşır çünkü müşteri adayı ürünü deneyimlemiştir.
Lead türleri karşılaştırma: Hangi Durumda Hangisi Öne Çıkar?
- Yalnızca MQL yeterliyse: İçerik odaklı inbound stratejiniz güçlü, ürün trial imkânınız yoksa
- SQL önceliğinde: Uzun satış döngüsü olan enterprise B2B modellerinde
- PQL kritikse: Freemium, trial veya self-serve büyüme modellerinde
Üç lead türü birbirinin alternatifi değil, tamamlayıcısıdır. Olgun B2B organizasyonlarında üçü birlikte çalışır: pazarlama MQL üretir, satış SQL’e dönüştürür, ürün ise PQL sinyalleriyle bu döngüyü kısaltır.
Reklam kampanyaları açısından bakıldığında, biz bu üç lead türünü ayrı ayrı hedefleme katmanlarına çevirerek paid media stratejisini doğrudan funnel verisine bağlıyoruz. Hangi lead tipinin sizin modelinizde daha belirleyici olduğunu anlamak, hem bütçe dağılımını hem de kanal seçimini doğrudan etkiler.
Lead Kalifikasyon Kriterleri: BANT ve MEDDIC Modelleri
Lead kalifikasyonunda hangi bilgilerin toplanması gerektiğini iki çerçeve net biçimde yanıtlar: BANT ve MEDDIC. Bu iki model, MQL’den SQL’e geçişi sezgiden çıkarıp sistematik bir karar sürecine dönüştürür.
BANT Modeli: Hızlı Kalifikasyon için Temel Çerçeve
BANT, dört kriterin baş harflerinden oluşur ve özellikle satış ekibinin hızlı ön eleme yapması gereken durumlarda etkilidir:
| Kriter | Açıklama | MQL/SQL Bağlantısı |
|---|---|---|
| Budget (Bütçe) | Lead’in çözüme ayırabileceği bütçe var mı? | SQL kararında belirleyici |
| Authority (Yetki) | Görüşülen kişi satın alma kararını veriyor mu? | SQL için zorunlu sinyal |
| Need (İhtiyaç) | Çözümünüzle örtüşen somut bir ihtiyaç tanımlanmış mı? | MQL → SQL geçişinde temel filtre |
| Timeline (Zaman) | Satın alma ne zaman gerçekleşecek? | SQL önceliklendirme kriteri |
BANT, KOBİ ölçeğindeki B2B süreçlerinde hâlâ geçerliliğini korur. Dört sorunun yanıtı tamamsa lead neredeyse doğrudan SQL olarak ele alınabilir; bir veya ikisi yanıtsızsa MQL statüsünde nurturing sürecine devam edilir.
Ancak BANT’ın bir sınırı vardır: karmaşık, çok paydaşlı kurumsal satışlarda yetersiz kalır.
MEDDIC Modeli: Kurumsal Satışlar için Derinlemesine Kalifikasyon
MEDDIC, enterprise düzeyindeki uzun satış döngülerinde SQL doğruluğunu artırmak için geliştirilmiş daha kapsamlı bir çerçevedir. Altı boyutu vardır:
- Metrics (Metrikler): Lead’in başarıyı nasıl ölçtüğü — somut ROI beklentisi
- Economic Buyer (Ekonomik Alıcı): Nihai bütçe kararını kimin verdiği
- Decision Criteria (Karar Kriterleri): Çözümü değerlendirmek için kullandıkları objektif ölçütler
- Decision Process (Karar Süreci): Satın alma kararının nasıl ve hangi adımlarla alındığı
- Identify Pain (Acı Noktası): İş süreçlerini etkileyen, ölçülebilir bir sorunun varlığı
- Champion (Savunucu): Organizasyon içinde sizi aktif olarak destekleyen kişi
MEDDIC’te bir lead’in SQL sayılabilmesi için bu altı boyutun çoğunda somut bilgi bulunması gerekir. Bu yapı, satış ekibinin zamanını gerçekten kapanma olasılığı yüksek fırsatlara yönlendirmesini sağlar.
Hangi Modeli Seçmeli?
İki modeli doğru bağlama oturtmak gerekir:
- BANT → Orta ölçekli B2B, görece kısa satış döngüsü olan işletmeler için uygundur. MQL → SQL geçiş kriterleri olarak form alanlarına veya satış görüşmesi checklist’ine entegre edilmesi kolaydır.
- MEDDIC → Uzun satış döngüsü, yüksek bilet fiyatı ve çoklu karar vericili enterprise satışlar için daha sağlıklı sonuç verir.
Biz bu çerçeveleri paid media stratejisiyle birleştiriyoruz: hangi kriterlerin karşılandığı bilgisi, remarketing segmentasyonunu ve LinkedIn kampanyalarındaki hedefleme katmanlarını doğrudan besler. Örneğin MEDDIC’teki “Economic Buyer” profili, LinkedIn’de iş unvanı bazlı hedeflemeye birebir çevrilebilir.
Lead Skorlama Kriterleriyle Entegrasyon
Her iki kalifikasyon çerçevesi, lead skorlama sistemlerine dönüştürülmeye uygundur. Pratik yaklaşım şöyle işler:
- Her BANT veya MEDDIC kriterine puan değeri atanır (örneğin bütçe teyidi: +20 puan)
- Davranışsal sinyaller (e-posta açma, demo talebi, fiyat sayfası ziyareti) bu puanlara eklenir
- Belirlenen eşik değere ulaşan lead otomatik olarak SQL’e terfi ettirilir
Bu sistem, pazarlama ile satış arasındaki kalifikasyon anlaşmazlıklarını azaltır ve her iki ekibin de aynı kriterler üzerinden konuşmasını sağlar.
Satış ve Pazarlama Hunisinde Lead İlerleme Aşamaları
Bir lead’in pazarlama hunisine girişinden müşteriye dönüşümüne kadar geçtiği yol, birbirini takip eden net aşamalardan oluşur; bu aşamaların her birinde farklı bir kalifikasyon eşiği aşılır.
Aşama 1: Bilinmeyen Ziyaretçiden Lead’e
Pazarlama hunisinin en geniş noktasında, henüz tanımlanmamış ziyaretçiler bulunur. Bu kişiler blog içeriği, ücretli reklam veya organik arama yoluyla markayla ilk teması kurar. İletişim bilgilerini bıraktıkları anda “raw lead” statüsüne geçerler. Ancak bu aşamada ne ilgi düzeyi ne de satın alma niyeti netleşmiştir; lead henüz ham haldedir.
Aşama 2: Raw Lead’den MQL’e
Davranışsal sinyaller birikmaya başladığında raw lead, Pazarlama Nitelikli Lead (MQL) statüsüne yükselir. Bu geçiş için tipik tetikleyiciler şunlardır:
- Birden fazla içerik varlığının indirilmesi (e-kitap, whitepaper, rehber)
- Fiyatlandırma veya ürün sayfasının tekrarlı ziyareti
- Webinar veya demo kaydı
- E-posta kampanyalarında sürekli etkileşim
MQL aşamasında pazarlama ekibi sorumluluğu taşır. Lead beslenmeye (lead nurturing) devam eder; satış ekibine aktarım için henüz erken aşamadadır.
Aşama 3: MQL’den SQL’e — Kritik Geçiş Noktası
Lead ilerleme sürecinin en hassas adımı bu geçiştir. MQL’in Satış Nitelikli Lead (SQL) sayılabilmesi için yalnızca ilgi değil, satın almaya hazır olma sinyalleri gerekir. Bu aşamada devreye giren kriterler BANT veya MEDDIC gibi çerçevelerle doğrulanır:
| Kriter | MQL’de Durum | SQL’de Durum |
|---|---|---|
| Bütçe | Belirsiz | Teyit edilmiş veya net aralıkta |
| Karar yetkisi | Bilinmiyor | Tanımlanmış |
| İhtiyaç | Genel ilgi | Somut bir problem |
| Zamanlama | Yok | Yakın vadeli alım niyeti |
SQL onaylandığında lead, satış ekibine resmi olarak devredilir ve aktif satış sürecine girer.
Aşama 4: SQL’den Opportunity’ye ve Müşteriye
SQL’e dönüşen lead, satış hunisinin alt katmanlarına iner. Bu noktada satış temsilcisi keşif görüşmesi yapar, teklif hazırlar ve itirazları yönetir. Başarılı kapanışla birlikte lead, ödeme yapan müşteri statüsüne geçer.
Ürün odaklı büyüme modellerinde ise bu süreç biraz farklı işler: PQL (Ürün Nitelikli Lead), ücretsiz deneme veya freemium kullanımı sırasında güçlü aktivasyon sinyalleri verdiğinde doğrudan satış görüşmesine yönlendirilir. Bir SaaS ürünündeki ekip daveti özelliğini kullanan ya da günlük aktif kullanım eşiğini aşan kullanıcı buna örnek verilebilir.
Huni Aşamaları Arasındaki Geçişi Hızlandıran Faktörler
Pazarlama ve satış hunisindeki aşama geçişlerini yavaşlatan en yaygın neden, her iki ekibin farklı tanımlar üzerinden çalışmasıdır. Ekiplerarası bir Service Level Agreement (SLA) oluşturmak — hangi davranış hangi eşikte SQL sayılır, SQL ne kadar sürede takip edilir — geçiş sürelerini ciddi ölçüde kısaltır.
Biz, müşterilerimizin lead kalifikasyon süreçlerini reklam verisi ve davranışsal sinyallerle harmanlayarak bu geçişleri hem otomatize hem de ölçülebilir hale getiriyoruz.
İş Modeline Göre Lead Önceliklendirme: Satış, Ürün ve Hibrit Yaklaşımlar
Hangi lead türünü önceliklendireceğiniz, büyüme modelinize bağlıdır — ve bu seçim hem ekip yapınızı hem de bütçe dağılımınızı doğrudan etkiler.
SLG Modelinde Lead Önceliklendirme
SLG (Sales-Led Growth) modelinde büyüme motoru satış ekibidir. Bu modelde pazarlama, nitelikli talebi yaratır; satış ise bu talebi kapatır. Dolayısıyla MQL → SQL dönüşüm hızı ve kalitesi, sistemin sağlığını belirleyen temel göstergedir.
SLG modeli için öncelik sıralaması şöyle işler:
- SQL’ler birinci önceliktir — bütçe eşiği, karar alma yetkisi ve zaman çizelgesi netleşmiş her lead anında sahaya alınır.
- MQL’ler ikinci önceliktir — lead scoring puanı eşiği aşmadan satış ekibini meşgul etmemek, kapasite kaybını önler.
- PQL bu modelde genellikle yapısal olarak var olmaz; freemium veya deneme sürümü sunulmuyorsa PQL sinyali de üretilmez.
Kurumsal B2B satışlarda SLG modeli hâlâ baskındır; çünkü yüksek sözleşme değerleri, uzun karar süreçleri ve çok paydaşlı satın alma yapıları insan dokunuşunu zorunlu kılar.
PLG Modelinde Lead Önceliklendirme
PLG (Product-Led Growth) modelinde ürünün kendisi hem edinim hem de dönüşüm kanalıdır. Kullanıcı ürünü deneyimler, değeri bizzat yaşar ve ardından ücretli plana geçer ya da ekibine yaygınlaştırır. Bu modelde PQL merkeze alınır.
PLG odaklı ekipler şu sinyallere ağırlık verir:
- Ürün içi aktivasyon olayları (kritik özelliğin ilk kullanımı)
- Kullanım derinliği ve sıklığı (haftalık aktif kullanım eşiği)
- Viral büyüme davranışları (ekip daveti, paylaşım, entegrasyon kurulumu)
Bu modelde satış ekibi küçüktür ve yalnızca yüksek değerli PQL’leri, yani kurumsal hesaplara dönüşme potansiyeli taşıyan kullanıcıları, kovalamak için devreye girer.
Hibrit Büyüme: İki Modeli Bir Arada Yönetmek
Büyüyen SaaS şirketleri ve olgunlaşan B2B ürünleri giderek daha fazla hibrit büyüme modelini benimsemektedir. Bu yaklaşımda PLG self-servis segmenti beslerken SLG kurumsal segmenti kapatır.
Hibrit modelde lead önceliklendirme karmaşıklaşır; çünkü aynı pipeline içinde hem PQL hem MQL hem de SQL akıyor olabilir. Bu durumda uygulanabilir çerçeve şudur:
| Lead Türü | Hibrit Modelde Rolü | Sorumlu Ekip |
|---|---|---|
| PQL | Self-servis → ücretli geçiş | Ürün & Growth |
| MQL | Kurumsal talep besleme | Pazarlama |
| SQL | Kurumsal anlaşma kapama | Satış |
Ekibimiz bu yapıyı reklam verisiyle güçlendirirken her segmente ayrı hedefleme ve mesaj stratejisi uygular: self-servis kullanıcıya ürün aktivasyon reklamları, kurumsal alıcıya ise karar destekleyici içerik tanıtımları gösterilir.
Hangi modelin size uygun olduğunu belirlemek için önce ortalama sözleşme değerinize ve ürününüzün self-servis kurulum kapasitesine bakın. Yüksek ACV ve karmaşık onboarding gerektiren ürünlerde SLG baskın kalırken, düşük sürtünmeli ürünlerde PLG ile başlamak büyüme hızını artırır.
Dijital Reklam Kanallarının Lead Türlerine Göre Rolleri
Her dijital reklam kanalı, farklı bir alıcı niyetine ve funnel aşamasına hitap eder; bu nedenle Google Ads, Meta Ads ve LinkedIn Ads‘i tek bir lead stratejisiyle yönetmek dönüşüm verimliliğini ciddi biçimde düşürür.
Kanal-Lead Uyumu Neden Kritik?
Her platform, kullanıcıların platforma getirdiği niyet farklılığı nedeniyle belirli lead türlerini doğal olarak üretir. Hangi kanalın hangi lead tipini beslediğini anlamadan reklam bütçesi tahsisi yapmak, yüksek tıklama maliyetlerine rağmen düşük kalifikasyon oranlarına yol açar.
Google Ads → MQL ve SQL Beslemesi
Arama ağı reklamları, aktif çözüm arayan kullanıcıları yakalar. Bu nedenle Google Ads’in ürettiği leadler funnel’ın orta ve alt katmanlarına daha yakındır.
- Jenerik sorgular (“CRM yazılımı fiyatları”, “proje yönetim aracı”) → MQL niteliğinde traffic üretir; kullanıcı araştırma aşamasındadır
- Yüksek niyet sorguları (“kurumsal CRM demo talep”, “yazılım teklif al”) → doğrudan SQL üretme potansiyeli taşır
- Remarketing kampanyaları → daha önce içerik tüketen veya fiyat sayfasını ziyaret eden kullanıcıları yeniden hedefleyerek MQL’den SQL’e geçişi hızlandırır
Google Ads MQL stratejisinde anahtar nokta, landing page ile reklam mesajı arasındaki uyumdur. Yüksek niyetli sorgular yanlış bir sayfaya yönlendirildiğinde SQL potansiyeli eriyip gider.
Meta Ads → MQL ve PQL Beslemesi
Meta Ads, kullanıcı davranışı ve demografik veriye dayalı hedefleme avantajıyla bilinirlik ve talep oluşturma aşamasında güçlüdür. Ancak arama niyeti olmadığından ürettiği leadler genellikle daha soğuktur.
- Lead form reklamları → hızlı MQL toplama için kullanılır; form öncesi nitelendirme soruları eklenerek kalite artırılabilir
- Ücretsiz deneme / freemium teklifleri → Meta Ads PQL döngüsünü tetikler; ürünü deneyen kullanıcının davranış verisi sonraki aşamayı belirler
- Video ve içerik reklamları → uzun vadeli MQL havuzu oluşturur, özellikle B2C ve SMB segmentinde etkilidir
Meta Ads’te en sık yapılan hata, tüm kampanyalar için aynı hedefleme ve aynı teklife gitmektir. Awareness kampanyası ile retargeting kampanyası farklı lead türleri üretir ve her biri ayrı değerlendirme kriterleri gerektirir.
LinkedIn Ads → SQL Odaklı B2B Hedefleme
LinkedIn Ads, iş unvanı, sektör ve şirket büyüklüğüne dayalı hedefleme kapasitesiyle B2B funnel’ında SQL üretimi için en doğrudan platformdur.
- Sponsored Content ve Thought Leadership → karar vericilerde güven oluşturur, MQL → SQL geçiş süresini kısaltır
- InMail kampanyaları → doğrudan satın alma yetkisi olan kişilere ulaşarak SQL niteliğinde talepler üretir
- LinkedIn Ads SQL stratejisinde demo talebi, fiyat kılavuzu indirmesi veya üst düzey içerik erişimi gibi dönüşüm noktaları kullanılır
LinkedIn Ads’in tıklama maliyeti diğer kanallara göre yüksektir; bu nedenle düşük ACV ürünlerde bu kanaldan elde edilen lead başına maliyet kârsız hale gelebilir. Yüksek bilet fiyatlı B2B teklifleri için ise maliyet-kalite dengesi en avantajlı sonucu verir.
Kanal-Lead Matrisi
| Kanal | Birincil Lead Türü | İkincil Lead Türü | En Güçlü Olduğu Aşama |
|---|---|---|---|
| Google Ads | MQL | SQL | Değerlendirme & Karar |
| Meta Ads | MQL | PQL | Farkındalık & Deneme |
| LinkedIn Ads | SQL | MQL | Karar & Kapanış |
Dijital reklam lead stratejisini tek bir platform üzerinden yürütmek, kanalların doğasına aykırıdır. AdRoket olarak her müşteri segmenti için kanal-lead uyumunu önce modelliyor, sonra reklam harcamasını bu modele göre dağıtıyoruz. Hangi kanalın hangi lead türünü ne maliyetle ürettiğini bilmeden alınan bütçe kararları, optimizasyon değil tahmin oyunu olur.
Reklam Formatı ve Landing Page Tasarımı: MQL, SQL ve PQL Uyumu
Her lead türü için doğru reklam mesajı, yanlış kitleye doğru teklif sunmanın önüne geçer; doğru kitleye yanlış mesaj sunmak ise dönüşüm oranını iyileştirilemez biçimde düşürür.
Reklam formatı ile açılış sayfası mimarisi arasındaki uyum — ad-to-lead alignment — lead kalifikasyon sürecinin genellikle göz ardı edilen ama en kritik halkasıdır. Reklam bir vaatte bulunur, landing page o vaadi yerine getirir ya da getirmez.
MQL İçin Reklam Mesajı ve Landing Page Yaklaşımı
MQL henüz karar vermemiş, bilgi arayan bir kitledir. Bu aşamadaki reklam mesajı satmaz; eğitir, yönlendirir ve güven inşa eder.
Reklam formatı önerileri:
- Uzun başlıklı, fayda odaklı arama reklamları (sorgu niyetiyle örtüşen)
- Rehber veya kontrol listesi vaat eden görsel/carousel reklamlar
- Video reklamlarda “nasıl çalışır” anlatısı, ürün tanıtımı değil
Landing page MQL uyumu için temel prensipler:
- Başlık, reklamdaki vaadi birebir karşılamalı (mesaj eşleşmesi)
- Form kısa tutulmalı: ad, e-posta, şirket büyüklüğü yeterli
- Zorlayıcı bir CTA değil, düşük taahhütlü bir teklif: “Rehberi indir”, “Ücretsiz dene”, “Bültene katıl”
- Sosyal kanıt unsurları güven artırır ama fiyat bilgisi erken sunulmamalı
SQL İçin Reklam Mesajı ve Demo Sayfası Mimarisi
SQL karar aşamasına yakın, aktif değerlendirme yapan bir kitledir. Demo sayfası SQL dönüşümlerinde en güçlü araçtır.
Reklam mesajı uyumu:
- Doğrudan teklife yönelik mesaj: “Demo talep et”, “Fiyat teklifi al”, “Uzmanla görüş”
- Rakip karşılaştırma veya ROI odaklı içerik reklamları
- LinkedIn’de iş unvanı hedeflemesiyle kişiselleştirilmiş mesaj
Demo sayfası yapısı:
- Üst kısımda tek ve net CTA — sayfanın hiçbir noktasında dikkat dağıtılmamalı
- Takvim entegrasyonu (Calendly gibi araçlar) ile anında randevu alma imkânı
- Referans müşteri logoları ve kısa vaka özeti
- “Ne zaman geri dönülür?” gibi beklenti bilgisi, kaygıyı azaltır
- Form uzunluğu biraz arttırılabilir: şirket, sektör, kullanıcı sayısı gibi kalifikasyon soruları
PQL İçin Reklam Mesajı ve Dönüşüm Sayfası
PQL ürünü denemiş ama henüz ücretli versiyona geçmemiştir. Bu kitlenin yeniden hedeflenmesi (retargeting), diğer lead türlerine kıyasla çok daha bağlamsal bir yaklaşım gerektirir.
Reklam mesajı uyumu:
- Kullanım davranışına dayalı mesaj: “Premium özelliklerini keşfet”, “Sınırsıza geç”
- Deneme süresi dolmadan hatırlatma reklamları
- Upgrade tetikleyici: indirim veya ek kapasite teklifi
Dönüşüm sayfası için öneriler:
- Ücretsiz ve ücretli plan arasındaki farkı somut örneklerle göster
- Kullanıcının zaten deneyimlediği özellikleri referans al
- Ödeme sürecini mümkün olduğunca az adıma indir
Ekibimiz, reklam-açılış sayfası uyumunu her kampanya kurulumunda ayrı bir kalifikasyon katmanı olarak değerlendiriyor. AdRoket’in yapay zeka destekli optimizasyon altyapısı, hangi mesajın hangi lead segmentinde daha iyi dönüştüğünü gerçek zamanlı olarak izleyerek kampanya mimarisini dinamik biçimde güncelliyor. Mesaj tutarsızlığı, bütçe sorunlarından önce giderilmesi gereken bir dönüşüm engelidir.
Türkiye B2B ve E-Ticaret Pazarına Özgü MQL-to-SQL Dönüşüm Benchmark’ları
Türkiye’de MQL’den SQL’e dönüşüm oranları, global benchmark’ların belirgin biçimde altında seyrediyor — bu fark, yalnızca pazarın olgunluk düzeyi değil, satış-pazarlama uyumu ve lead kalifikasyon altyapısındaki yapısal boşluklarla da doğrudan bağlantılı.
Neden Türkiye Pazarı Farklı Davranıyor?
Global B2B pazarlarda ortalama MQL-to-SQL dönüşüm oranı %13-20 bandında gösterilirken, Türkiye’deki KOBİ ve orta ölçekli B2B şirketlerde bu oran çoğunlukla %5-10 arasında kalıyor. Bunun ardındaki başlıca nedenler şöyle sıralanabilir:
- Kalifikasyon kriterleri yazılı değil, sezgisel: Birçok şirkette MQL tanımı net biçimde belgeli değil; satış ekibi ve pazarlama ekibi aynı lead’e farklı gözle bakıyor.
- Lead scoring sistematik değil: Form dolduran her kişi “sıcak lead” sayılıyor; davranışsal veri (site gezintisi, içerik tüketimi, ürün sayfası ziyareti) filtreye dahil edilmiyor.
- Satış döngüsü uzun, takip süreci kısa: Özellikle B2B segmentinde karar süreci ortalama 3-6 haftaya uzarken, satış ekiplerinin ortalama takip süresi çok daha kısa kalıyor.
Sektöre Göre Genel Tablo
Türkiye özelinde kesin sektörel veri yayımlamak yanıltıcı olacağından genel gözlemler üzerinden gitmek daha doğru:
| Sektör | MQL → SQL Dönüşüm Eğilimi | Temel Sorun |
|---|---|---|
| SaaS / Yazılım | Orta-Yüksek | Ücretsiz deneme, niteliksiz kayıt şişiriyor |
| E-ticaret (B2B toptancı) | Düşük | Fiyat sorgusu ≠ satın alma niyeti |
| Profesyonel hizmetler | Orta | Teklif isteği sonrası iletişim kopuyor |
| Üretim / ihracat | Düşük-Orta | Uzun karar döngüsü, yetersiz nurturing |
E-Ticaret Özelinde: PQL Fırsatı Göz Ardı Ediliyor
Türkiye e-ticaret ekosisteminde çoğu işletme hâlâ MQL ve SQL ayrımında çalışırken, ürün deneyimini kalifikasyon sinyali olarak kullanan PQL yaklaşımı neredeyse hiç uygulanmıyor. Oysa kullanıcının hangi ürün kategorisini kaç kez ziyaret ettiği, sepete ekleyip vazgeçtiği veya karşılaştırma sayfasında ne kadar vakit geçirdiği, bir form kaydından çok daha güçlü bir satın alma niyeti sinyali taşıyor.
Dönüşüm Oranını Artırmak İçin Pratik Başlangıç Noktaları
Türkiye pazarındaki MQL SQL dönüşüm oranı sorununa yaklaşırken şu üç adım, yapısal iyileşmeyi hızlandırıyor:
- Ortak tanım belgesi oluştur: Satış ve pazarlama ekiplerinin aynı lead tanımını kullandığı yazılı bir SLA (Hizmet Seviyesi Anlaşması) hazırla.
- Davranışsal veriyi puanlama sistemine ekle: Kaç sayfa gezildi, hangi içerik indirildi, fiyat sayfası ziyaret edildi mi — bunlar demografik veriden daha anlam taşır.
- Zaman bazlı kural koy: Belirli bir süre içinde etkileşime geçmeyen MQL’leri “soğutulmuş lead” olarak yeniden segmente et, satış ekibinin önüne yanlış zamanda çıkartma.
Ekibimiz, Türkiye B2B benchmark verilerini kampanya performans analizlerine dahil ederek reklam kaynaklı lead’lerin sadece hacmini değil, kalifikasyon kalitesini de ölçümlüyor. Lead dönüşüm Türkiye özelinde iyileşme çoğu zaman bütçeyi artırmakla değil, mevcut lead’leri daha iyi filtrelemekle başlıyor.
Pazarlama ve Satış Ekipleri Arasında SLA Tanımı ve Lead Handoff Süreci
Pazarlama ve satış ekipleri arasındaki lead handoff süreci, yalnızca bir lead’i bir ekipten diğerine geçirme eylemi değildir; bu geçişin hangi koşullarda, hangi sürede ve hangi sorumlulukla gerçekleşeceğini tanımlayan bir pazarlama satış SLA çerçevesinin kurulmasıdır.
SLA Neden Gereklidir?
Yazılı bir servis seviyesi anlaşması olmadan her iki ekip de farklı beklentilerle çalışır: Pazarlama, gönderdiği lead’lerin takip edilmediğini düşünür; satış ise gelen lead’lerin kalitesiz olduğunu savunur. Bu kısır döngü, aslında süreçsel bir boşluğun değil, yazılı bir mutabakatın eksikliğinin sonucudur.
SLA’yı Adım Adım Nasıl Kurarsınız?
1. Ortak Lead Tanımlarını Belgeleyin
MQL’den SQL’e geçişin tam olarak hangi kriterleri karşıladığında gerçekleşeceği, yoruma açık bırakılmamalıdır. Hangi davranışın SQL statüsü kazandırdığını, hangi demografik ve firmografik eşiklerin arandığını net maddelerle yazın. Bu belge, satış ve pazarlama ekiplerinin birlikte imzaladığı bir referans noktası olmalıdır.
2. Yanıt Sürelerini Tanımlayın
SLA’nın en kritik bileşenlerinden biri, bir MQL SQL’e dönüştüğünde satış ekibinin ne kadar süre içinde ilk temas kurması gerektiğidir. Bunu belirsiz bırakmak, “uygun zamanda takip edeceğiz” anlayışını doğurur. Yanıt süresini somut olarak belirleyin; örneğin:
- Yüksek öncelikli SQL (fiyat sayfası ziyareti + demo talebi): 1 iş saati içinde temas
- Orta öncelikli SQL (içerik indirme + birden fazla sayfa ziyareti): 24 iş saati içinde temas
- Düşük öncelikli MQL (ilk etkileşim aşamasında): Pazarlama nurturing akışında kalsın
3. Lead Handoff Protokolünü Yapılandırın
Lead handoff yalnızca bir CRM kaydının bir ekipten diğerine taşınması değildir. Devir sırasında şu bilgilerin eksiksiz iletilmesi gerekir:
- Lead’in hangi kanaldan geldiği ve hangi içeriklerle etkileşime girdiği
- Lead scoring puanı ve bu puanı oluşturan davranışsal veriler
- Varsa önceki satış görüşmesi notları veya form yanıtları
- Segmenti (sektör, şirket büyüklüğü, karar verici mi yoksa araştırmacı mı?)
Bu bilgiler eksik iletildiğinde satış temsilcisi “soğuk” bir görüşme yapar; oysa lead o ana kadar onlarca içerik tüketmiş olabilir.
4. MQL SQL Geçişini Geriye Sarın
MQL SQL geçişi tek yönlü bir süreç olmamalıdır. Satış ekibi, temas kurduğu bir SQL’in henüz hazır olmadığını fark ettiğinde bu lead’i pazarlamaya iade edebilmelidir. Bunun için “SQL → Nurturing” geri dönüş kriterlerini de SLA’ya dahil edin. Bu mekanizma olmadan, hazır olmayan lead’ler satış hunisinde bloke kalır ve gereksiz kaynak tüketir.
5. Ortak Performans Metrikleri Belirleyin
Her iki ekip de aynı başarı göstergelerini izlediğinde uyum otomatik olarak güçlenir. Değerlendirmeye dahil edilebilecek metrikler:
| Metrik | Ölçüm Amacı |
|---|---|
| MQL → SQL dönüşüm oranı | Pazarlama kalitesini ölçer |
| SQL → Müşteri dönüşüm oranı | Satış verimliliğini ölçer |
| Lead yanıt süresi | SLA uyumunu ölçer |
| İade edilen SQL oranı | Lead kalifikasyon hassasiyetini ölçer |
Bu yapıyı kuran ekiplerimiz, lead devir sürecindeki sürtüşmenin önemli ölçüde azaldığını ve satış döngüsünün kısaldığını deneyimlemektedir. SLA, bir kez yazılıp çekmecede bekleyen bir belge değil; aylık satış-pazarlama toplantılarında güncellenen, yaşayan bir çerçeve olmalıdır.
CQL ve Yeni Nesil Lead Türleri: 2025-2026 Trendleri
CQL (Community Qualified Lead), bir potansiyel müşterinin satın alma kararına yaklaştığının sinyalini ürün kullanımı ya da içerik etkileşimi yerine topluluk katılımı yoluyla verdiği yeni nesil lead kategorisidir. Bu kavram, özellikle 2024-2025 döneminde ürün odaklı büyüme (PLG) modellerinin yaygınlaşmasıyla birlikte satış ve pazarlama gündemine girdi.
CQL Nedir ve Klasik Lead Türlerinden Farkı Ne?
Geleneksel modelde bir lead’i nitelendirmek için ya pazarlama etkileşimine (MQL) ya da satış görüşmesine (SQL) bakılır. PQL ise ürün kullanım davranışını sinyal olarak alır. CQL bu üçünden ayrışır: kişinin bir topluluk içindeki aktif rolü lead puanlamasının merkezine oturur.
Topluluk burada geniş bir anlam taşır:
- Markanın yönettiği Slack grupları veya Discord sunucuları
- LinkedIn veya sektörel forum tartışmaları
- Webinar, canlı etkinlik veya kullanıcı zirvesi katılımı
- Ürün veya marka hakkında içerik üretme ve paylaşma
Bir potansiyel müşteri bu kanallardan birinde sürekli ve anlamlı bir şekilde var olmaya başladığında, satın alma niyetinden bağımsız olarak güçlü bir ilgi sinyali göndermiş olur. CQL bu sinyali sistematik biçimde yakalar.
2026’te Yükselen Diğer Lead Türleri
CQL’in yanı sıra ekosistemde şekillenen birkaç kategori daha dikkat çekiyor:
| Lead Türü | Temel Sinyal | Öne Çıktığı Senaryo |
|---|---|---|
| EQL (Expansion Qualified Lead) | Mevcut müşteride büyüme potansiyeli | Upsell ve cross-sell odaklı gelir büyümesi |
| IQL (Intent Qualified Lead) | Üçüncü taraf niyet verisi | Pazar odaklı ABM kampanyaları |
| AQL (AI Qualified Lead) | Yapay zeka tabanlı davranış skorlaması | Büyük hacimli lead setleri |
Bu kategoriler henüz evrensel bir standarda oturmamış olsa da özellikle B2B SaaS ve platform şirketleri arasında operasyonel karşılık bulmaya başlıyor.
Bu Trendler KOBİ’ler İçin Ne Anlam Taşıyor?
Her yeni lead kategorisini aynı anda benimsemeye çalışmak kaynak israfına yol açar. Pratik yaklaşım şudur: önce mevcut lead akışını sağlamlaştır, ardından iş modeline uyan bir veya iki yeni sinyal türünü entegre et.
CQL, özellikle topluluğa dayalı büyüme stratejisi izleyen ya da güçlü bir içerik ekosistemi kuran işletmeler için gerçek bir farklılaştırıcı olabilir. Sektörel etkinliklere sponsor olan, LinkedIn’de aktif takipçi kitlesi geliştiren veya webinar serisi yürüten bir KOBİ, aslında CQL sinyallerini zaten üretiyor — ancak çoğu zaman bu sinyaller sistematik biçimde değerlendirilmiyor.
Biz de kurguladığımız kampanya mimarilerinde topluluk etkileşim verilerini reklam hedefleme ve yeniden pazarlama stratejilerine dahil etmeye başladık. Özellikle LinkedIn kampanyalarında topluluk sinyallerini kitle segmentasyonuyla birleştirmek, lead kalitesini görünür biçimde artırıyor.
2025-2026 döneminde lead kalifikasyonu tek bir sinyal türüne bağlı kalmaktan çıkıyor; davranışsal, topluluk tabanlı ve yapay zeka destekli verilerin bir arada okunduğu hibrit modeller öne geçiyor.
Yapay Zeka Destekli Lead Skorlama ve Geleneksel MQL/SQL Modelinin Dönüşümü
Yapay zeka destekli lead skorlama, geleneksel MQL/SQL sınıflandırmasının en temel kısıtını — kuralların statik olması — ortadan kaldırıyor. Klasik modelde pazarlama ekibi bir kez kriter belirler, her lead o kalıba göre puanlanır ve bu kalıp genellikle aylarca değişmez. AI skorlama ise her yeni etkileşim verisini gerçek zamanlı olarak işleyerek puanlamayı dinamik bir yapıya taşır.
Geleneksel Modelin Nerede Takıldığı
Kural tabanlı MQL/SQL sistemleri şu üç noktada yapısal olarak yetersiz kalır:
- Doğrusal olmayan davranışları okuyamaz: Bir lead fiyatlandırma sayfasını ziyaret etmeden önce dört farklı blog yazısı okumuş olabilir. Geleneksel model bu sırayı görmez, yalnızca skoru toplar.
- Zamanlama körlüğü: Aynı sayfa ziyareti, farklı dönemlerde çok farklı satın alma niyeti taşır. Statik kural bu bağlamı ayırt edemez.
- Negatif sinyalleri göz ardı eder: Uzun süredir aktif olmayan ya da yanlış segmentten gelen leadsler çoğu zaman pozitif puan biriktirmiş olarak SQL’e taşınır.
AI Skorlama Neyi Farklı Yapıyor?
Predictive scoring modelleri, geçmiş dönüşüm verilerini analiz ederek hangi davranış kombinasyonlarının gerçek satışa dönüştüğünü öğrenir. Bu modeller zamana, kanala ve etkileşim derinliğine göre ağırlıklandırılmış bir skor üretir — tek bir sayfaya değil, tüm yolculuğa bakar.
Otomatik lead kalifikasyon sürecinde AI şunları yapabilir:
| Geleneksel Model | AI Destekli Model |
|---|---|
| Sabit kriter ağırlıkları | Dinamik ağırlıklandırma |
| Manuel eşik güncelleme | Otomatik model yenileme |
| Kanaldan bağımsız skor | Kanal bağlamlı skor |
| Yalnızca pozitif sinyal | Negatif sinyal de dahil |
AI MQL konsepti bu bağlamda ortaya çıkıyor: Artık bir lead, yalnızca “şu kriterleri karşıladı mı?” sorusuna göre değil, “bu profil geçmişte nasıl davrandı ve satın alma olasılığı ne?” sorusuna verilen istatistiksel yanıta göre sınıflandırılıyor.
KOBİ’ler İçin Pratik Gerçeklik
Büyük kurumsal CRM altyapıları için tasarlanan modeller KOBİ ölçeğinde her zaman uygulanabilir değil. Ancak şu araçlar erişilebilir yapay zeka lead skorlama imkânı sunuyor:
- HubSpot’un yerleşik AI skorlama modülü
- Salesforce Einstein (orta-büyük segmente hitap eder)
- Segment veya RB2B gibi niyete dayalı veri araçları
Ekibimiz, özellikle Google Ads ve LinkedIn kampanya verilerini CRM davranışlarıyla birleştirerek yapay zekanın “hangi reklam etkileşimi gerçek alıcıyla örtüşüyor?” sorusunu yanıtlamasını sağlıyor. Bu yaklaşım, reklam bütçesinin nitelikli lead akışına dönüşme oranını doğrudan etkiliyor.
Sınırlar ve Dikkat Edilmesi Gerekenler
Yapay zeka skorlama her durumda üstün değil. Model, ancak elindeki veri kadar doğru sonuç üretir. Yeni bir ürün lansmanında, henüz yeterli dönüşüm verisi yokken predictive model güvenilir sonuç vermez. Bu noktalarda insan gözlemi ve geleneksel kural tabanlı yaklaşım hâlâ gereklidir.
2025 itibarıyla doğru strateji, AI ile insan yargısını karşıt görmek değil — yapay zekanın ölçeği işlediği, insan editöryal yargısının istisnayı yönettiği hibrit bir kalifikasyon mimarisi kurmaktır.
Lead Kalifikasyon Kontrol Listesi: MQL, SQL ve PQL için Adım Adım Süreç
Her lead türü için doğru kalifikasyon adımlarını bilmek, satış ekibinin zamanını boşa harcamasını engeller ve pazarlama bütçesinin gerçek alıcılara ulaşmasını sağlar. Aşağıdaki lead kalifikasyon checklist, üç temel lead tipini ayrı ayrı ele alarak uygulanabilir bir süreç sunuyor.
MQL Checklist: Pazarlama Nitelikli Lead
Bir lead’i MQL olarak etiketlemeden önce aşağıdaki soruların çoğuna “evet” yanıtı gelmelidir:
- Demografik uyum: Lead’in sektörü, şirket büyüklüğü ve pozisyonu ideal müşteri profilinizle (ICP) örtüşüyor mu?
- İçerik etkileşimi: En az 2–3 ayrı içeriği tüketti mi? (blog, e-kitap, webinar, vaka çalışması)
- Form doldurma: Bir landing page formunu veya gated içerik formunu kendi iradesiyle doldurdu mu?
- E-posta davranışı: Gönderilen e-posta serilerinde açma ve tıklama oranı ortalamanın üzerinde mi?
- Sayfa derinliği: Ürün veya hizmet sayfalarına birden fazla kez uğradı mı?
- Lead skoru eşiği: Belirlediğiniz MQL puan eşiğine (ör. 40+ puan) ulaştı mı?
- Çift doğrulama: Elde edilen veri hem pazarlama otomasyon sistemi hem de CRM ile uyumlu mu?
Not: MQL sınırını çok düşük tutmak, satış ekibine hazır olmayan lead’leri yığar. Eşiği geriye dönük dönüşüm verisiyle kalibre edin.
SQL Kontrol Listesi: Satış Nitelikli Lead
MQL aşamasını geçen bir lead, satışa devredilmeden önce şu kriterleri karşılamalıdır:
- BANT doğrulaması: Bütçe (Budget), karar yetkisi (Authority), ihtiyaç (Need) ve zaman çizelgesi (Timeline) netleşti mi?
- Satış teması: Lead, bir satış temsilcisiyle doğrudan iletişim kurdu mu? (demo talebi, fiyat sorusu, toplantı talebi)
- Niyet sinyalleri: Fiyatlandırma sayfası, karşılaştırma sayfası veya “nasıl çalışır” içeriklerine erişti mi?
- Şirket doğrulaması: Verilen şirket bilgisi gerçek ve ICP’ye uygun mu? (LinkedIn veya şirket web sitesiyle çapraz kontrol)
- Satın alma süreci: Karar alma sürecinde başka paydaşlar var mı; varsa kim?
- Rekabetçi durum: Lead, alternatif çözümleri de değerlendiriyor mu? Hangi aşamada?
- Satış onayı: Satış ekibi bu lead’i resmi olarak “takip etmeye değer” olarak kabul etti mi?
PQL Checklist: Ürün Nitelikli Lead
Özellikle SaaS veya freemium modellerde geçerli olan PQL kalifikasyonu, davranışsal verilere dayanır:
- Aktif kullanım: Kullanıcı deneme süresi içinde ürünü düzenli olarak kullanıyor mu? (haftalık minimum oturum sayısı belirlendi mi?)
- Temel özellik aktivasyonu: Ürünün “aha moment”ına yol açan özelliği deneyimledi mi?
- Kullanım sınırına yaklaşım: Freemium limitine yaklaştı mı veya aştı mı?
- Ekip genişletme: Başka kullanıcıları davet etti mi veya ortak çalışma özelliklerini kullandı mı?
- Yükseltme sinyali: Ödeme veya plan yükseltme sayfasını ziyaret etti mi?
- Destek talebi: Ürün dışı bir konu için (entegrasyon, fiyatlandırma, özel özellik) destek ekibiyle iletişime geçti mi?
Çapraz Kontrol: Üç Tip İçin Ortak Adımlar
Her lead kalifikasyon sürecinde şu adımlar genel geçerlidir:
- Veri bütünlüğü: CRM kaydı eksiksiz ve güncel mi?
- Lifecycle aşaması: Lead, sistemde doğru aşamaya (MQL → SQL → Opportunity) taşındı mı?
- Devir protokolü: Pazarlama’dan satışa veya satıştan müşteri başarısına geçişte bildirim ve belge transferi yapıldı mı?
- Geri bildirim döngüsü: Satış ekibi reddedilen lead’ler için pazarlamaya sistematik geri bildirim veriyor mu?
Ekibimiz, bu adımları Google Ads ve LinkedIn kampanyalarından gelen lead akışıyla entegre biçimde yönetiyor; hangi kanalın hangi lead tipini beslediğini ölçümleyerek bütçe dağılımını sürekli optimize ediyoruz.
Sonuç: Doğru Lead Stratejisiyle Büyüme
MQL, SQL ve PQL arasındaki farkı anlamak; lead’lerinizi doğru zamanda, doğru mesajla ve doğru ekiple buluşturmanın temelidir.
Bu rehber boyunca ele aldığımız üç kavramı kısa bir çerçeveye oturtmak gerekirse:
- MQL (Marketing Qualified Lead): Pazarlama içeriğiyle yeterince etkileşime girmiş, satın alma potansiyeli taşıdığına dair davranışsal sinyal vermiş prospect.
- SQL (Sales Qualified Lead): Satış ekibinin değerlendirip “bu kişiyle konuşmaya değer” kararını verdiği, aktif satış sürecine alınan lead.
- PQL (Product Qualified Lead): Ürünü bizzat deneyimleyerek değer algısını oluşturmuş, konversiyon olasılığı yüksek kullanıcı.
Bu üç tip birbirini dışlamaz; olgun bir lead stratejisi, her birini farklı bir sinyal kaynağı olarak kullanır ve aralarındaki geçişi sistematik bir devir protokolüne bağlar.
Neden tek bir lead tipiyle yetinmemeli?
Farklı iş modelleri, farklı kalifikasyon sinyallerine dayanır. Yalnızca MQL’ye odaklanan bir pazarlama ekibi, satışa hazır olmayan lead’lerle satış bant genişliğini tüketebilir. Yalnızca SQL’e güvenen bir satış ekibi ise önemli davranışsal verileri gözden kaçırabilir. PQL’i göz ardı etmek ise özellikle SaaS veya freemium modellerde en sıcak sinyali atlamak anlamına gelir.
Dengeli bir lead kalifikasyon sistemi kurmak için gereken adımlar şunlardır:
- Tanımları netleştir: Satış ve pazarlama ekipleri, hangi davranışın hangi lead tipini tetikleyeceği konusunda ortak bir dil paylaşmalıdır.
- Skorlama modelini kur: Demografik veriler ve davranışsal veriler birlikte ağırlıklandırılmalıdır.
- Devir noktalarını belgele: MQL → SQL ve SQL → Müşteri geçişlerinde hangi bilginin, hangi formatta aktarılacağı önceden belirlenmelidir.
- Geri bildirim döngüsünü kapat: Reddedilen veya kaybedilen lead’lerden elde edilen veriler, bir sonraki kalifikasyon modelini iyileştirmelidir.
- Kanal bazlı analiz yap: Her lead kaynağının (Google Ads, LinkedIn, organik, e-posta) hangi tip lead’i besleyip beslemediğini düzenli olarak ölçümle.
Ekibimiz, bu süreçleri reklam kampanyalarından gelen lead akışıyla entegre biçimde yönetir; hangi kanalın MQL ürettiğini, hangisinin daha erken veya daha geç aşama ziyaretçi çektiğini veri odaklı takip ederek bütçe kararlarına yansıtır.
Lead kalifikasyon sürecinizi reklam stratejinizle birlikte optimize etmek istiyorsanız AdRoket ekibiyle bu konuyu somut verileriniz üzerinden değerlendirmenizi öneririz. Doğru lead stratejisi, yalnızca daha fazla lead değil; daha az kaynak harcayarak daha yüksek gelir demektir.
Sıkça Sorulan Sorular: MQL, SQL ve PQL
MQL, SQL ve PQL arasındaki temel fark nedir?
MQL (Marketing Qualified Lead), pazarlama aktivitelerine gösterdiği ilgiyle potansiyel müşteri olarak değerlendirilen; SQL (Sales Qualified Lead), satış ekibinin doğrudan temas kurmaya hazır olduğunu onayladığı; PQL (Product Qualified Lead) ise ürünü bizzat deneyimleyerek satın alma niyetini davranışlarıyla ortaya koyan lead türüdür. Üçü de aynı huninin farklı olgunluk noktalarını temsil eder: pazarlama ilgisi → satış hazırlığı → ürün deneyimi.
Bir lead ne zaman MQL’den SQL’e geçer?
Bu geçiş, önceden tanımlanmış bir eşik puanına veya kriterlere ulaşıldığında gerçekleşir. Tipik tetikleyiciler arasında belirli sayıda içerik indirme, demo talebi, fiyatlandırma sayfasını ziyaret etme ya da e-posta etkileşim oranının belirli bir sınırı aşması sayılabilir. Pazarlama ve satış ekiplerinin bu kriterleri birlikte yazılı olarak tanımlaması — yani bir SLA (Hizmet Seviyesi Anlaşması) oluşturması — geçiş sürecini öznellikten kurtarır ve her iki ekip için de adil bir zemin yaratır.
Her işletme PQL modelini uygulamalı mı?
Hayır. PQL modeli yalnızca freemium, ücretsiz deneme veya self-servis ürün deneyimi sunan işletmeler için anlamlıdır. Geleneksel hizmet sektörü, ajanslar veya proje bazlı çalışan B2B şirketler için PQL kavramı genellikle uygulanamaz; bu işletmelerin MQL ve SQL ayrımını derinleştirmesi daha verimli sonuç verir.
Lead kalifikasyonu için CRM şart mı?
Teknik olarak zorunlu değil, ancak ölçeklenebilir bir kalifikasyon süreci için pratik olarak vazgeçilmezdir. Küçük ekipler spreadsheet ile başlayabilir; ancak lead hacmi arttıkça davranış takibi, lead scoring ve satış-pazarlama uyumu manuel yöntemlerle sürdürülemez hale gelir. CRM, kalifikasyon kriterlerini sistemleştirerek hem zaman tasarrufu sağlar hem de veriye dayalı karar almayı mümkün kılar.
Lead scoring puanları nasıl belirlenmeli?
Puanlama iki eksen üzerinden kurgulanır: demografik uyum (sektör, şirket büyüklüğü, unvan, konum) ve davranışsal etkileşim (sayfa ziyaretleri, içerik indirmeleri, e-posta açma oranları, webinar katılımı). Her kritere verilecek ağırlık, geçmiş verilerden — yani daha önce kapanan anlaşmalardaki lead davranış örüntülerinden — türetilmelidir. Yeni kurulan ekipler için varsayımsal puanlarla başlayıp 90 günlük dönemlerde modeli revize etmek en sağlıklı yaklaşımdır.
Reklam kanalları MQL kalitesini nasıl etkiler?
Her reklam kanalı farklı bir hedef kitleye ve farklı bir niyet düzeyine ulaşır; bu da lead kalitesini doğrudan şekillendirir. Google Ads arama kampanyaları aktif niyet taşıyan kullanıcıları yakalarken, sosyal medya reklamları çoğunlukla daha erken aşama, keşif modundaki kitlelere ulaşır. LinkedIn reklamları ise B2B bağlamda daha yüksek demografik uyum sağlar. Hangi kanalın hangi nitelikte MQL ürettiğini ölçmek, bütçe dağılımını ve mesaj stratejisini doğrudan etkiler.
MQL’den SQL’e dönüşüm oranı düşükse ne yapılmalı?
Bu durum genellikle üç nedenden birine işaret eder: kalifikasyon kriterlerinin çok gevşek tanımlanması, yanlış kitleye ulaşan pazarlama içerikleri veya satış ekibinin lead’lere zamanında temas kurmaması. Önce MQL tanımını satış ekibiyle birlikte gözden geçirin; ardından reddedilen lead’lerin ortak özelliklerini analiz edin. Süreç iyileştirme için veri, her zaman varsayımdan önce gelmelidir.
