Yüzlerce mağazası olan bir zincirde her hafta binlerce yorum birikir ve bunların hangisinin önemli olduğunu yıldız puanına bakarak anlamak mümkün değildir: 4 yıldızlı bir yorum hijyen şikâyeti taşıyabilir, 1 yıldızlı bir yorum ise yalnızca park yeri bulamayan bir müşterinin öfkesi olabilir. Bu yazıda BranchVoice'un yapay zekâ ile yorum sınıflandırma yaklaşımını, her yoruma eklenen etiketleri ve bu etiketlerin bir bölge müdürünün gününü nasıl değiştirdiğini anlatıyoruz.
Yıldız puanı neden yetmez?
Yıldız yalnızca harita platformlarında vardır; Şikayetvar, Ekşi Sözlük ve X'ten gelen yorumların puanı yoktur. Puanlı yorumlarda bile yıldız, metnin söylediğini her zaman yansıtmaz. Müşteri alışkanlıkla 5 yıldız verip kabinlerin kirli olduğunu yazabilir ya da 2 yıldız verip aslında personeli övüp yalnızca fiyatı eleştirebilir.
Genel merkez için asıl soru "puan kaç" değil, "bu yorumda ne var ve kim ilgilenmeli" sorusudur. Sınıflandırma tam olarak bunu yanıtlar: her yorum metni, kaynağı ne olursa olsun aynı etiket setiyle işlenir ve böylece Google yorumuyla Şikayetvar şikâyeti aynı filtreyle sorgulanabilir.
Yapay zekâ ile yorum sınıflandırma nasıl çalışır?
Yeni yorumlar senkronla geldikten sonra arka planda analiz kuyruğuna girer. Yapay zekâ her yorumu markanızın bağlamıyla birlikte okur: marka adı, sektör, ürün kategorileri ve bilinen marka takma adları. Böylece "pamuklu külotlu çorap" gibi sektöre özgü ifadeler doğru yorumlanır, markayla ilgisi olmayan metinler ise analiz kapsamı dışında bırakılır.
Her yorum için şu etiketler üretilir:
- Duygu: olumlu, nötr veya olumsuz. Yıldızdan bağımsızdır; yalnızca metnin kendisine göre belirlenir. Hem övgü hem şikâyet içeren yorumlar karışık olarak işaretlenir.
- Risk seviyesi: hijyen, güvenlik, yanıltıcı fiyat, ayrımcılık gibi hızlı müdahale gerektiren konular ayrı bir risk skoru alır. Belirli bir seviyenin üstündeki yorumlar "kritik" sayılır ve uyarı motoruna düşer.
- Yanıt aciliyeti: yorumun ne kadar hızlı cevap beklediği. Dashboard'daki "Yapılacaklar" kartı, aciliyeti yüksek ve cevapsız yorumları buradan sayar.
- Konu başlıkları: personel tutumu, kasa bekleme süresi, deneme kabini, iade ve değişim, stok ve beden gibi konular. Varsayılan liste sektöre göre gelir; kendi konularınızı analiz grupları ile ekleyebilirsiniz.
- Niyet sinyalleri: "bir daha gelmem" tarzı kayıp niyeti ile "herkese tavsiye ederim" tarzı tavsiye niyeti ayrı ayrı ölçülür.
- Sorumlu birim: mağaza personeli, mağaza hijyeni, e-ticaret lojistiği, e-ticaret ürünü veya müşteri hizmetleri. Yorum doğru departmana bu alan üzerinden yönlendirilir.
- Öneri ve kategorisi: müşteri somut bir öneri getiriyorsa (ürün tasarımı, mağaza deneyimi, fiyatlandırma, personel eğitimi gibi) ayrıca işaretlenir.
- Çalışan bahsi: yorumda bir personelin adı ya da unvanı geçiyorsa işaretlenir; ayrıntılar çalışan bahisleri yazısında.
- Diğer bayraklar: uygunsuz dil, şüpheli (sahte görünümlü) yorum, rakip markadan bahis ve yorumun dili.
Metinsiz ve ilgisiz yorumlar ne olur?
Google'da yalnızca yıldız verip hiçbir şey yazmayan müşteri çoktur. Bu yorumlar analiz edilmez ve dashboard'daki kapsama şeridinde "metinsiz" olarak ayrı sayılır. Markayla ilgisi olmayan metinler (yanlış işletmeye yazılmış yorumlar, alakasız sohbetler) "ilgisiz" olarak atlanır ve bir daha gönderilmez.
Bu şeffaflık önemlidir: bölge müdürü toplam yorum, metinli yorum ve analiz edilen yorum sayısını yan yana gördüğünde dashboard'daki her rakamın neyi kapsadığını bilir. Analizi başarısız olan yorumlar birkaç kez yeniden denenir, sonra atlanmış olarak işaretlenir.
Sınıflandırma sonuçları nerede görünür?
Etiketler ürünün her katmanına yayılır:
| Etiket | Nerede kullanılır |
|---|---|
| Duygu | Deneyim skoru, yorum akışı grafiği, platform ve mağaza kırılımları |
| Risk ve aciliyet | Yapılacaklar kartı, uyarı kuralları, anomali tespiti |
| Konu başlıkları | Konu Analizi sayfası, etki matrisi, konu × mağaza ısı haritası |
| Kayıp / tavsiye niyeti | Sadakat dengesi kartı |
| Sorumlu birim | Departman Yönlendirme grubu |
| Öneriler | Müşteri sesi bölümü, öneri kategorileri |
Yorum listesinde "AI duygu" filtresiyle yalnızca olumsuz sınıflandırılmış yorumları, "aciliyet yüksek" filtresiyle bugün ilgilenilmesi gerekenleri listeleyebilirsiniz. Dashboard'daki her sayı tıklanabilir: "olumsuz" dilimine tıklamak sizi aynı filtreyle yorum listesine götürür; böylece grafik ile yorumlar arasında tanım farkı oluşmaz. Zamanlanmış PDF ve Excel raporları da aynı etiketleri kullanır; raporda gördüğünüz olumsuz oranı dashboard'dakiyle birebir aynıdır. Kritik yorumlar ise kritik yorum uyarıları üzerinden e-posta ile ilgili yöneticiye gider.
Bölge müdürü için pratik anlamı
Bir moda zincirinde İzmir bölgesinden sorumlu bir yönetici düşünün. Sabah dashboard'u açtığında kendi bölgesini filtreler ve şunları görür: olumsuz yorum payı iki mağazada yükselmiş, bu mağazalarda en çok geçen konu "kasiyer ve ödeme", sorumlu birim çoğunlukla "mağaza personeli". Kritik riskli üç yorum zaten e-postasına düşmüş. Bu tablo, haftalık mağaza ziyaretinde neye bakacağını belirler.
Aynı etiketler üst yönetim için de çalışır: Konu Analizi'ndeki etki matrisi, hangi konuların hem çok konuşulduğunu hem de olumsuz olduğunu gösterir. Hacmi düşük ama neredeyse tamamen olumsuz bir konu (örneğin iade süreci) yalnızca hacme bakıldığında gözden kaçar; sınıflandırma bu sinyali görünür kılar.
Sonraki adımlar
Sınıflandırma, BranchVoice'taki uyarıların, raporların ve özetlerin üzerine kurulduğu temel katmandır; doğru etiketler olmadan hiçbiri anlamlı değildir. Mağaza listenizi içe aktarıp platformları bağladıktan sonra geçmiş yorumlar da aynı etiketlerle işlenir. Kendi yorumlarınızla nasıl göründüğünü görmek için demo talep edin.