Çok mağazalı bir perakende zincirinde her gün yüzlerce yorum, şikâyet ve mesaj gelir; hepsini okuyup "bu müşteri kızgın mı, ne istiyor, hangi şubeden bahsediyor" sorusunu yanıtlamak zaman alır. Yapay zekâ ile duygu ve niyet analizi bu soruları tek bir metin için saniyeler içinde yanıtlar. Bu yazıda BranchVoice'un sitesinde herkese açık sunduğu beş ücretsiz genel analiz aracını, neyi döndürdüklerini ve aynı analizin platformda yorumlarınız üzerinde nasıl otomatik çalıştığını anlatıyoruz.
Genel analiz araçları ne işe yarar?
Yapay zekâ araçları sayfasındaki "Genel Analiz" kategorisi, sektörden bağımsız beş araçtan oluşur: Duygu Analizi, Müşteri Geri Bildirimi Sınıflandırıcı, Müşteri Niyeti Analizi, Varlık Çıkarıcı ve Haber Sınıflandırıcı. Hepsi aynı şekilde çalışır: bir yorum, tweet ya da mesajı kutuya yapıştırırsınız, "Analiz et" dersiniz ve sonuç yanında belirir.
Araçları kullanmak için hesap açmanız gerekmez. Metin en fazla 1500 karakter olabilir; Türkçe ve İngilizce başta olmak üzere çok dilli metinleri anlar. Girdiğiniz metin saklanmaz, aynı metin tekrar gönderildiğinde hızlı yanıt için sonuç kısa süre önbellekte tutulur. Kötüye kullanımı önlemek için deneme sayısı sınırlıdır; sınır aşılırsa bir süre beklemeniz istenir.
Duygu analizi: ton ve baskın his
Duygu Analizi metnin genel tonunu beş seviyeli bir ölçekte gösterir: çok olumsuz, olumsuz, nötr veya karışık, olumlu, çok olumlu. Yanında sekiz temel duygunun dağılımı yer alır: sevinç, güven, şaşkınlık, nötr, hayal kırıklığı, endişe, öfke ve tiksinti.
Bu ayrım önemlidir, çünkü iki olumsuz yorum aynı aciliyeti taşımaz. "Ürün beklediğim gibi çıkmadı" hayal kırıklığıdır; "Kasada 25 dakika bekledik, bir daha gelmem" öfkedir ve genellikle hızlı yanıt ister. Karışık yorumlarda, örneğin "kargo geç geldi ama ürün çok iyi" gibi, araç dengeyi de yakalar. Bir müşteri deneyimi ekibi bu sonucu, öfke taşıyan mesajları kuyruğun başına almak için kullanabilir. Aynı ölçek, şubeleri ve dönemleri adil biçimde kıyaslamak için de ortak bir dil sağlar.
Geri bildirim sınıflandırıcı ve niyet analizi
Müşteri Geri Bildirimi Sınıflandırıcı, perakende mağaza yorumlarının hangi konulardan bahsettiğini ayrı ayrı işaretler. On hazır etiketi vardır:
| Araç | Döndürdüğü etiketler |
|---|---|
| Müşteri Geri Bildirimi Sınıflandırıcı | Ürün kalitesi, fiyat / değer, personel ve hizmet, bekleme süresi, temizlik, mağaza ortamı, stok / beden bulunurluğu, ödeme ve kasa, iade ve değişim, teslimat |
| Müşteri Niyeti Analizi | Şikâyet, övgü, soru, öneri, kayıp riski, satın alma niyeti, tavsiye eder, yanıt bekliyor |
Bir yorum birden fazla konudan bahsedebilir; "ürünler güzel ama fiyatlar yükseldi, kasada da kuyruk vardı" yorumu ürün kalitesi, fiyat ve bekleme süresi olarak ayrı ayrı işaretlenir. Araç her etiket için bir olasılık hesaplar.
Müşteri Niyeti Analizi ise konuya değil, amaca bakar. "Üç kez aradım, iade param yatmadı, rakibe geçeceğim" mesajı şikâyet, kayıp riski ve yanıt bekliyor olarak öne çıkar; "Bu ceketin L bedeni Ankara'daki mağazalarda var mı?" ise soru ve satın alma niyetidir. Bölge müdürü için pratik karşılığı açıktır: yanıt bekleyen ve kaybedilmek üzere olan müşteriyi diğerlerinden ayırmak.
Varlık çıkarıcı ve haber sınıflandırıcı
Varlık Çıkarıcı metindeki özel isimleri bulur ve her birinin türünü belirler: kişi, kurum, marka, ürün, konum, tarih ve saat, para tutarı. "Bursa'daki şubede Mehmet Bey çok ilgiliydi, telefon kılıfını hemen buldu" gibi bir yorumda şube konumu, personel adı ve ürün ayrı ayrı etiketlenir ve her biri bir güven değeriyle gösterilir. Övgü ve şikâyetleri doğru kişiye ya da şubeye ulaştırmak, rakip markaların ne sıklıkla anıldığını görmek ya da şikâyet kayıtlarına tarih ve tutarı yapılandırılmış alan olarak eklemek için kullanılır.
Haber Sınıflandırıcı haber metinlerini, köşe yazılarını ve paylaşımları on dört kategoriye ayırır: siyaset, ekonomi, iş dünyası, teknoloji, spor, sağlık, bilim, kültür ve eğlence, yaşam, eğitim, çevre, asayiş ve yargı, dünya ve yerel. Medya izleme yapan ekipler, markanın geçtiği haberleri ekonomi, sektör ve gündem başlıklarına göre ayırmak için kullanabilir.
Aynı analiz BranchVoice'ta nasıl otomatik çalışır?
Ücretsiz araçlar tek bir metni denemenizi sağlar; BranchVoice ise Google Haritalar, Şikayetvar, Ekşi Sözlük ve X gibi kaynaklardan gelen tüm yorumları otomatik toplar ve her birini yapay zekâyla analiz eder. Her yorum için duygu beş seviyeli bir ölçekte kaydedilir; müşteri kaybı riski, tavsiye etme eğilimi, öneri içerip içermediği, risk düzeyi ve yanıt aciliyeti ayrı ayrı hesaplanır. Yorumda bir çalışanın adı geçiyorsa bu da tespit edilir ve personel bazında izlenir; ayrıntısı yorumlarda çalışan bahisleri yazısındadır.
Konular ise analiz gruplarıyla belirlenir: hazır gruplarla başlayıp kendi sorularınızı ekleyebilirsiniz. Sınıflandırmanın genel mantığını yapay zekâ ile yorum sınıflandırma, grupların nasıl kurulduğunu analiz grupları ve konu taksonomisi yazısında bulabilirsiniz. Bu sonuçlar tek tek kalmaz; mağaza, bölge ve dönem bazında panolara, uyarı kurallarına ve raporlara dönüşür. Örneğin olumsuz yorumlar ya da kayıp riski taşıyan müşteriler arttığında kritik yorum uyarıları ilgili kişiye haber verir.
Sonraki adımlar
Kendi müşteri yorumlarınızdan birkaçını yapay zekâ araçları sayfasında deneyerek sonuçların işinize nasıl yarayacağını görebilirsiniz. Tüm mağazalarınızın yorumlarını bu analizle sürekli izlemek isterseniz demo talep edin; kendi verinizle birlikte kurulumu gösterelim.