Duygu Analizi (Sentiment Analizi) Nedir? Müşteri Geri Bildirimi için Kapsamlı Rehber

Bir skor size bir şeylerin değiştiğini söyler; yorumlar ise nedenini. Sorun hacimdir: orta ölçekli bir şirket ayda on binlerce anket cevabı, ürün yorumu ve destek talebi toplayabilir ve kimse hepsini okuyamaz. Duygu analizi, ekiplerin bu yorumların her birini tutarlı biçimde okumasını sağlar.

Bu rehberde duygu analizinin ne olduğunu, başlıca türlerini, üç temel yaklaşımın nasıl çalıştığını, gerçek müşteri geri bildirimi türleri üzerinde örnekleri, müşteri duygusunun nasıl ölçüleceğini, Türkçenin neden ayrıca zor olduğunu, teknolojinin hâlâ zorlandığı noktaları ve doğru aracın nasıl seçileceğini anlatıyoruz. Konumuz metin: yazılı geri bildirimler ve yazıya dökülmüş görüşmeler; yüz ya da ses değil.

Duygu analizi nedir?

Duygu analizi (fikir madenciliği, İngilizcede opinion mining olarak da bilinir) bir metin sınıflandırma görevidir. Model bir cümleyi, paragrafı ya da belgenin tamamını okur ve ona bir duygu etiketi veya skoru atar. En basit çıktı üç etiketten biridir:

• Olumlu: "Kurulum beş dakika sürdü, bayıldım."
• Olumsuz: "Siparişim üçüncü kez geç geldi."
• Nötr: "Maviyi pazartesi sipariş ettim."

İşe yarayan sistemlerin çoğu daha ileri gider. Duygunun şiddetini ölçer ("iyi" ile "mükemmel" aynı değildir), bir yorumu birden fazla görüşe ayırır, her görüşü bir konuya bağlar ve aksiyon gerektiren sinyalleri, örneğin aciliyeti ya da iptal niyetini işaretler.

Müşteri geri bildirimi için neden önemli?

• Skorlar kendini açıklamaz. NPS ya da CSAT size bir sayının değiştiğini söyler. Skorun yanındaki açık uçlu cevap, değişimi neyin yarattığını anlatır.
• Elle okumak ölçeklenmez. Ayda 200 yorumluk bir örneklemi okumak küçük ama büyüyen sorunları kaçırır; aynı yorumu okuyan iki kişi çoğu zaman farklı etiketler.
• Geri bildirim kanallara dağılmıştır. Anketler, uygulama mağazası yorumları, destek talepleri, sohbetler ve sosyal medya aynı deneyimi farklı kelimelerle anlatır. Duygu analizi hepsini tek bir ölçeğe taşır.
• Hız. Ödeme adımıyla ilgili olumsuz yorumlardaki ani artışı salı günü bilmek işe yarar; gelecek çeyreğin raporunda değil.

Duygu analizi türleri

Polarite

Klasik biçim: her metne tek etiket. Açıklaması ve grafiğe dökmesi kolaydır; panoların çoğu bu yüzden buradan başlar. Zayıf yanı karma yorumları düzleştirmesidir. "Ürün harika, kargo berbat" yorumu bütünüyle ne olumlu ne olumsuzdur; ikisi birden.

İnce taneli duygu analizi

İnce taneli analiz, duyguya şiddet ekler: genellikle "çok olumsuz"dan "çok olumlu"ya beşli bir ölçek ya da -1 ile +1 arasında bir skor. Hafifçe hayal kırıklığına uğramış bir müşteriyi öfkeli bir müşteriden ayırmaya yarar ve yıldız puanlarıyla doğal olarak örtüşür.

Konu bazlı duygu analizi (ABSA)

Konu bazlı duygu analizi (aspect-based sentiment analysis, ABSA) bir metindeki konuları bulur ve her biri için duyguyu ayrı ayrı puanlar. Müşteri geri bildirimi için en faydalı türdür, çünkü müşteriler nadiren her şey hakkında tek bir görüşe sahiptir. Aşağıdaki ürün yorumları bölümünde ayrıntılı anlatıyoruz.

Metinde duygu tespiti

Duygu tespiti, kelimelerle ifade edilen hissi etiketler: hayal kırıklığı, kafa karışıklığı, öfke, memnuniyet, rahatlama. İki olumsuz yorum çok farklı tepkiler gerektirebilir. "Yeni faturayı anlamadım" bir açıklama ister; "Bu fatura rezaletinden bıktım" ise müşteriyi kaybetmemek için hızlı bir müdahale.

Bu yalnızca yazılı dilin analizidir. Yüzden, videodan ya da ses tonundan duygu çıkarmak farklı bir teknolojidir ve AB Yapay Zekâ Yasası (EU AI Act) biyometrik verilerden duygu tanımaya sıkı sınırlar getirir. Bu rehberdeki her şey metin üzerinde çalışır; yazıya dökülmüş çağrı merkezi görüşmeleri de buna dahildir.

Niyet ve aciliyet

Niyet tespiti müşterinin ne yapmak istediğini sorar: iptal etmek, paket yükseltmek, satın almak, iade etmek, şikâyet etmek. Aciliyet ise konunun hemen aksiyon gerektirip gerektirmediğini sorar. İkisi de tam anlamıyla duygu değildir. Kibar bir dille yazılmış "Hesabımı cuma gününe kadar kapatın lütfen" mesajı sakin bir tondadır ama kuyruktaki en önemli mesajdır. İyi sistemler bunları duygu analiziyle birlikte çalıştırır, onun yerine değil.

Duygu analizi nasıl çalışır?

Model ne olursa olsun, süreç benzerdir:

1. Toplama: Her kaynaktan metni al (anket aracı, yorum siteleri, yardım masası, canlı sohbet, sosyal medya).
2. Temizleme: İmzaları, alıntılanmış e-posta zincirlerini, kalıp metinleri, spam ve bot yorumlarını ayıkla.
3. Bölme: Metni cümle ya da yan cümle gibi birimlere ayır; böylece tek bir yorum birden fazla görüş taşıyabilir.
4. Sınıflandırma: Her birim için duyguyu, konuyu, duygu türünü ve niyeti belirle.
5. Toplulaştırma: Sonuçları zamana, kanala, ürüne ve müşteri segmentine göre bir araya getir.
6. Aksiyon: İlgili kişiyi uyar, görev aç ve değişimin arkasındaki kök nedeni ara.

Dördüncü adım için üç temel yol vardır.

1. Kural tabanlı (sözlük) yaklaşımlar

Kural tabanlı bir sistem, duygu skorları atanmış bir kelime sözlüğü ("mükemmel" +3, "bozuk" -2) ve olumsuzluk ("iyi değil"), pekiştirme ("çok iyi"), noktalama ya da emoji için kurallar kullanır. İngilizce sosyal medya metinleri için geliştirilmiş VADER bilinen bir örnektir.

• Artıları: şeffaf, hızlı, ucuz; eğitim verisi gerektirmez.
• Eksileri: bağlamı ve sektöre özgü anlamı kaçırır ("fiyatı inanılmaz" övgü de olabilir sitem de), ironiyle başa çıkamaz ve her dil için ayrı bir sözlük ve kural seti gerektirir. Türkçede olumsuzluk çoğu zaman ayrı bir kelime değil, kelimenin içindeki bir ektir; basit sözlükler bu yüzden sık yanılır.

2. Makine öğrenmesi modelleri

Makine öğrenmesi modeli duyguyu etiketlenmiş örneklerden öğrenir. Eski yaklaşımlar kelime sayımlarını Naive Bayes, lojistik regresyon ya da destek vektör makineleri gibi sınıflandırıcılarla kullanırdı. Modern sistemler transformer modellerini (BERT ailesi ve çok dilli ya da Türkçeye özel varyantları) etiketlenmiş geri bildirim üzerinde ince ayarla eğitir.

• Artıları: bağlamı, ifade biçimlerini ve sektör kelime dağarcığını öğrenir; yüksek hacimde tutarlıdır; sektörünüze göre ayarlanabilir.
• Eksileri: her dilde iyi etiketlenmiş veri ister; metin, modelin eğitildiği veriden uzaklaştıkça doğruluk düşer (otel yorumlarıyla eğitilmiş bir model telekom şikâyetlerini yanlış okur).

3. Büyük dil modelleri (LLM)

Genel amaçlı büyük dil modelleri, bir talimat ve birkaç örnekle, eğitim adımı olmadan duygu sınıflandırabilir (zero-shot ya da few-shot). Karma yorumlarda, ironide ve uzun destek taleplerinde başarılıdır ve verdiği etiketi açıklayabilir.

• Artıları: bağlamı güçlü anlar; hızlı kurulur; konu, duygu ve niyeti tek seferde döndürebilir.
• Eksileri: çok yüksek hacimde maliyet ve hız sorunu; sonuçlar model sürümü ya da küçük talimat değişiklikleriyle kayabilir; müşteri verisini dışarıdaki bir modele göndermek KVKK ve GDPR açısından net cevap gerektiren sorular doğurur.

Hangi yaklaşım en iyisi?

Pratikte üretimdeki sistemler çoğu zaman karmadır: hacim için hızlı modeller, bilinen istisnalar için kurallar, nüansın en önemli olduğu yerde LLM'ler. Hangisini seçerseniz seçin, panoya güvenmeden önce kendi geri bildiriminiz üzerinde test edin.

Müşteri geri bildirimi üzerinde duygu analizi örnekleri

Aşağıdaki örnekler bu rehber için yazılmış temsilî metinlerdir; müşteri verisi değildir.

Anket yorumu (NPS)

Yorum (NPS puanı 6): "Uygulama fena değil ama basit bir fatura sorusuna destek ekibi dört günde cevap verdi."

Tek başına 6 puanı "pasif" der. Yorum ise sorunun uygulama değil, destek hızı olduğunu söyler. Bu, ürün düzeltmesiyle kadro düzenlemesi arasındaki farktır. "Fena değil" ifadesine de dikkat: olumsuz kelime içerdiği halde hafif olumludur.

Ürün yorumu

Yorum (4 yıldız): "Kumaşı kaliteli, kargo da hızlıydı ama kalıbı dar. Bir beden büyüğüyle değiştirmek zorunda kaldım."

Polarite analizi bu yorumu olumlu sayıp geçer. Konu bazlı analiz ise yüzlerce yorumda iadeleri tetikleyen bir kalıp sorunu olduğunu gösterir.

Destek talebi

Talep: "Aynı çift çekim için üçüncü kez yazıyorum. Cuma gününe kadar iade edilmezse aboneliğimi iptal edip bankama itiraz edeceğim."

Buradaki değer olumsuz etiketin kendisi değil, kombinasyondur: tekrar eden temas, bir son tarih ve iptal niyeti bu talebin kuyrukta öne alınması gerektiği anlamına gelir.

Sosyal medya yorumu

Bir marka paylaşımına yorum: "Vay be, sadece üç haftada geldi. Gerçekten muhteşem hizmet 👏"

Kelime sayan bir model "vay be", "muhteşem" ve alkış emojisini görüp yorumu olumlu sayar. Oysa bu bir iğnelemedir; asıl mesaj teslimatın gecikmesidir. Bağlamı anlayan modeller ve LLM'ler bunların çoğunu yakalar; sözlük modelleri genellikle yakalayamaz. Sosyal kanallarda ölçmeden önce bot ve spam hesapları da ayıklayın, yoksa sonucu çarpıtırlar (bot ve trol hesaplar nasıl tespit edilir).

Müşteri duygu analizi: nasıl ölçülür?

Müşteri duygu analizi, müşterilerin şirketiniz, ürünleriniz ve hizmetiniz hakkında ne hissettiğini zaman içinde ve tüm kanallarda takip etmektir. Birkaç ölçüt bunu pratik hale getirir.

Net duygu skoru

En yaygın özet ölçüt:

Net duygu skoru = (olumlu bahsedilme − olumsuz bahsedilme) ÷ tüm bahsedilmeler × 100

Skor -100 (her şey olumsuz) ile +100 (her şey olumlu) arasında değişir. Örnek: 450'si olumlu, 350'si olumsuz, 200'ü nötr olan 1.000 yorum için (450 − 350) ÷ 1.000 × 100 = +10.

Net duygu skoru bir trend çizgisi olarak işe yarar. Tek başına ayrıntıyı gizler; bu yüzden mutlaka kırılımlarına bakın.

Kırılımlara ayırın

• Konuya göre: kargo, fiyat, uygulama, destek, fatura. "Genel +10", "fatura -45"i gizleyebilir.
• Segmente göre: yeni ve eski müşteriler, paket ya da üyelik seviyesi, bölge, mağaza ya da şube.
• Kanala göre: insanlar uygulama mağazasında ankete göre farklı yazar; zaman içinde benzeri benzerle karşılaştırın.
• Konuşma payına göre: bahsedilmelerin %2'sini oluşturan çok olumsuz bir konu, %30'unu oluşturan hafif olumsuz bir konudan daha az acildir.

Skorlarınızın yanında okuyun

Duygu analizi, zaten raporladığınız ölçütlerin yanında en faydalıdır. NPS ya da CSAT'i açık uçlu cevapların duygusuyla birlikte okuyun: NPS yatay giderken tek bir konudaki olumsuz duygu artıyorsa elinizde bir erken uyarı vardır. NPS düştüğünde ise konu bazlı duygu, düşüşü hangi konunun yarattığını gösterir. "Hangi konu"dan "neyi düzeltmeli"ye geçmek için müşteri geri bildiriminde kök neden analizi ve kilit etken analizi sayfalarına bakın.

Anlık görüntüye değil trende bakın

Tek bir haftanın duygu verisi gürültülüdür. Konu ve segment bazında hareketli ortalama izleyin, sürüm ve kampanya tarihlerini grafiğe işaretleyin, uyarıları mutlak seviyelere değil ani değişimlere kurun.

Ürün yorumları için konu bazlı duygu analizi

Konu bazlı duygu analizinin en çok karşılığını verdiği yer ürün ve hizmet yorumlarıdır. 3 yıldızlı bir yorum nadiren "her konuda ortalama"dır; genellikle "bir konuda harika, başka bir konuda kötü"dür.

ABSA nasıl çalışır?

1. Konuları bul. Açık konular adıyla geçer ("batarya", "kargo"). Örtük konular betimlenir ("iki saatte bitti" ifadesi pil ömrüyle ilgilidir).
2. Her görüşü konusuna bağla. "Ekranı parlak ama pili zayıf" cümlesinde "parlak" ekrana, "zayıf" pile aittir.
3. Her eşleşmeyi puanla. Her konu kendi duygusunu ve çoğu zaman bir şiddet değerini alır.
4. Konuları kategorilerde topla. "Kurye", "kargo" ve "geç geldi" ifadelerinin hepsi Teslimat altında toplanır.

Konu listenizi oluşturun

Kendi tanımladığınız bir listeyle başlayabilir, konuları veriden keşfedebilir ya da ikisini birlikte kullanabilirsiniz:

• Aksiyon alabileceğiniz konulardan başlayın. Konular ekiplere karşılık gelmeli: ürün, lojistik, destek, fiyatlandırma, mağaza deneyimi.
• Bırakın veri de eklesin. Denetimsiz konu keşfi, kimsenin aramayı düşünmediği temaları bulur; örneğin tedarikçi değişikliğinden sonra başlayan bir ambalaj sorununu.
• İki seviyede tutun. Kategori (Teslimat) ve konu (hız, takip, kurye davranışı, hasarlı paket) çoğu ekip için yeterlidir.
• Her çeyrek gözden geçirin. Yeni ürünler ve yeni şikâyetler yeni konular doğurur.

Örnek: ölçekli ürün yorumu analizi

Bir mont için 2.000 yorumun konu bazında analiz edildiğini düşünün:

Ortalama puan saygın bir 4,1'de durabilir. Tablo ise daha faydalı bir şey söyler: olumsuz geri bildirimin büyük kısmını (ve muhtemelen iadeleri) beden sorunu yaratıyor; daha küçük ama keskin biçimde olumsuz fermuar sorunu da tedarikçiyle konuşmaya değer. İkisi de yıldız ortalamasında görünmez.

Sektörlere göre tipik yorum konuları:

• E-ticaret ve perakende: ürün kalitesi, beden, fiyat, kargo, iade, ambalaj, müşteri hizmetleri.
• Otel ve turizm: oda, temizlik, personel, konum, kahvaltı, giriş işlemleri, fiyat/performans.
• Uygulama ve yazılım: performans, hatalar, kullanım kolaylığı, fiyat, destek, güncellemeler.
• Bankacılık ve telekom: ücretler, mobil uygulama, şube ya da mağaza, çağrı merkezi, kapsama veya hizmet kalitesi.

Kullanım alanları

Müşteri deneyimi ve destek

• Talepleri yalnızca geliş sırasına göre değil, aciliyet ve niyete göre yönlendirin.
• Hayal kırıklığı örüntülerini müşteri kaybına yansımadan önce fark edin.
• "Çözüldü" olarak kapanan taleplerden sonra bile müşteriyi mutsuz bırakan temas nedenlerini görün.

Müşterinin sesi (VoC) programları

Duygu analizi bir VoC programının omurgasıdır: anketleri, yorumları, destek taleplerini ve sosyal medyayı tek ölçeğe taşır ve müşteri yolculuğunun her adımının nasıl algılandığını gösterir. Daha geniş resim için müşterinin sesi (VoC) analitiği nedir yazısına bakın.

Ürün ekipleri

• Bir sürümün etkisini, öncesi ve sonrasındaki konu bazlı duyguyu karşılaştırarak ölçün.
• Özellik isteklerini ve hataları ne sıklıkla ve ne kadar olumsuz anıldıklarına göre sıralayın.
• Yorumların ve destek taleplerinin iç varsayımlarla çeliştiği noktaları bulun.

Marka takibi ve sosyal dinleme

Markanız, kampanyalarınız ve rakipleriniz hakkındaki duyguyu sosyal medyada ve yorum sitelerinde izleyin. Ani olumsuz sıçramaları takip edin, gerçek müşterileri botlardan ayırın, konuşma payını ve duyguyu zaman içinde rakiplerle karşılaştırın.

Pazar araştırması

Açık uçlu anket soruları zengindir ama elle kodlaması yavaştır. Duygu ve konu analizi bunları dakikalar içinde kodlar; araştırmacılar zamanını etiketlemeye değil yorumlamaya ayırır.

Türkçe duygu analizi neden ayrıca zor?

Hazır modellerin çoğu ağırlıklı olarak İngilizce veriyle eğitilir. Her şeyi önce İngilizceye çevirip sonra analiz etmek nüans kaybettirir ve hata ekler. Türkçe, ayrı emek isteyen dillerin iyi bir örneğidir:

• Sondan eklemeli yapı: Tek bir Türkçe kelime, İngilizcenin bütün bir ifadeyle söylediğini taşıyabilir. Beğenmedim kelimesinde olumsuzluk ayrı bir "değil" değil, kelimenin içindeki -me ekidir. Beğenemedim, beğenmeyecektim, beğenmez miydim gibi biçimler de anlamı farklı yönlere çeker.
• Serbest sözcük dizimi ve düşen özne: "Kargoyu beğenmedim" ile "Beğenmedim kargoyu" aynı anlamı taşır; özne çoğu zaman hiç yazılmaz. Bu da bir görüşü doğru konuya bağlamayı zorlaştırır.
• Gayriresmî yazım: Türkçe karakterler sıklıkla eksik yazılır (ı, ş, ğ, ç, ö, ü yerine i, s, g, c, o, u); sosyal medya ve uygulama yorumlarında argo ve kısaltma yoğundur ("rezalet ötesi", "efsane", "bi daha asla").
• Aynı cümlede karma duygu yaygındır: "Kargo hızlıydı ama beden küçük geldi."
• İroni ve kibar şikâyet: "Çok teşekkürler, sayenizde iki saat beklemiş olduk" gibi cümleler olumlu kelimelerle olumsuz bir mesaj verir.

Geri bildiriminizin anlamlı bir kısmı Türkçe, Arapça ya da benzer biçimde zengin morfolojiye sahip bir dildeyse, sağlayıcıları İngilizce demolarıyla değil, özellikle o dildeki kendi verinizle test edin.

Doğruluk ve sınırlar

Hiçbir duygu modeli kusursuz değildir; eğitimli insan etiketleyiciler bile metinlerin bir kısmında anlaşamaz. Hedef, trendlere güvenecek ve doğru kayıtları doğru kişilere yönlendirecek kadar, sizin verinizde yeterince doğru bir modeldir. Tipik hata noktaları şunlardır.

İroni ve iğneleme

"Harika, beni oturumdan atan bir güncelleme daha." Olumlu kelimeler, olumsuz anlam. Bağlam modelleri ve LLM'ler bunların çoğunu çözer; sözlük modelleri genellikle çözemez. İroni kültüre ve kanala da bağlıdır; sosyal medyada anketlere göre çok daha yaygındır.

Olumsuzluk

"Fena değil" hafif olumludur. "Harika olduğunu söyleyemem" hafif olumsuzdur. "Hiç sorun yaşamadım" ise "hiç" ve "sorun" kelimelerine rağmen olumludur. Kelime sayan yaklaşımlar bunları sık sık yanlış okur.

Karma ve karşılaştırmalı duygu

"Eski bankamdan iyi ama beklediğimden kötü." Tek yorum, iki yön ve bir karşılaştırma. Çözüm, metni yan cümlelere bölmek ve konu bazlı analiz kullanmaktır.

Sektör dili

"Tahmin edilemez" bir gerilim filmi için iyi, bir aracın frenleri için kötüdür. "Ucuz" hem uygun fiyat hem düşük kalite anlamına gelebilir. Genel metinle eğitilmiş modeller, sektör diline göre ayarlanmadıkça ya da bu dille test edilmedikçe onu yanlış okur.

Emoji, argo ve yazım hataları

Kısa yorumlarda duygunun büyük kısmını çoğu zaman emoji taşır; argo hızla değişir. Mobil geri bildirimlerde yazım hataları ve eksik Türkçe karakterler yaygındır. Temizleme ve gerçek müşteri yazısını görmüş bir model ikisi de işe yarar.

Kendi verinizde doğruluk nasıl test edilir?

1. Her ana kanaldan ve dilden birkaç yüz yorumluk rastgele bir örneklem alın.
2. İki kişiye bağımsız olarak etiketletin, ardından farklı etiketledikleri yorumlarda uzlaşın.
3. Aracı aynı örneklem üzerinde çalıştırın.
4. Yalnızca genel doğruluğa değil, her sınıf için kesinlik (precision) ve duyarlılığa (recall) bakın. En önemlisi olumsuz yorumlardaki duyarlılıktır: kaçırılan şikâyetler en pahalı hatalardır.
5. Konu bazlı sonuçları da kontrol edin ve model ya da talimat değiştiğinde testi tekrarlayın.

Duygu analizi aracı nasıl seçilir?

Dört araç türü

Satın almadan önce kontrol listesi

• Kendi verinizde doğruluk: kendi dillerinizde, etiketli bir örneklem üzerinde ölçülmüş; demo üzerinde değil.
• Konu bazlı duygu: düzenleyebileceğiniz konular ve yeni temaların otomatik keşfi.
• Polaritenin ötesi: sizin için önemliyse metindeki duygu, niyet ve aciliyet.
• Tüm kanallarınız: anketler, yorumlar, destek talepleri, sohbetler, çağrı kayıtlarının dökümleri ve sosyal medya tek görünümde.
• Segmentler: yalnızca genel ortalamalar değil; müşteri seviyesi, bölge, ürün ve kanal kırılımında duygu.
• Trendler ve uyarılar: yalnızca bir grafik değil, sorumluyu haberdar eden değişim tespiti.
• Duygudan nedene: olumsuz bir değişimden ilgili yorumlara ve kök nedene inebilme.
• Entegrasyonlar: yardım masası, CRM, anket ve görev yönetimi araçlarınızla.
• Gizlilik ve uyum: verinin nerede işlendiği ve saklandığı, KVKK ve GDPR, erişim kontrolleri.
• İlk sonuca kadar geçen süre: kendi geri bildiriminizde sonucu ne kadar sürede gördüğünüz.

Duygudan kök nedene: Pivony nerede devreye girer?

Bu haftaki geri bildirimin %30'unun olumsuz olduğunu bilmek size pek bir şey söylemez. Hayal kırıklığı yaşayan VIP müşterilerin fatura hatalarından bahsettiğini bilmek ise neyi düzeltmeniz gerektiğini söyler. Pivony'nin duygu analizi tam bu boşluk için tasarlandı:

• Olumlu ve olumsuzun ötesi: Pivony'nin NLP'si müşteri metinlerinde hayal kırıklığını, aciliyeti, memnuniyeti, kafa karışıklığını ve ironiyi etiketler.
• Konu düzeyinde duygu: müşteriler kargo hızınızı sevip faturalandırmanızdan hoşlanmayabilir; ikisini ayrı ayrı görürsünüz.
• Segmente göre duygu: müşteri seviyesi, ürün alanı, bölge ve kanal.
• Aciliyet tespiti ve uyarılar: tırmanmadan önce aksiyon gerektiren geri bildirimler için.
• Zaman içindeki trendler: segment bazında, haftadan haftaya.
• Yerli Türkçe NLU: İngilizce modellerden çevrilmemiş, Türkçe için geliştirilmiş.
• Kanallar arasında tek model: NPS ve CSAT anketleri, destek talepleri, çağrı merkezi dökümleri, uygulama yorumları, canlı sohbet ve sosyal medya bahsedilmeleri.

Oradan sonra kök neden analizi duygudaki değişimi onu yaratan nedene bağlar, VoC platformu da her şeyi tek yerde tutar.

İlgili yazılar

• Müşteri geri bildiriminde kök neden analizi: kapsamlı rehber
• Müşterinin sesi (VoC) analitiği nedir?
• CX intelligence ile VoC analitiği arasındaki fark
• 5 Neden analizi: yöntem, şablon ve örnekler
• NPS analizi

Sonraki adım

Kendi geri bildiriminizde deneyin. Yorumlarınızdan, destek taleplerinizden ya da anket cevaplarınızdan bir örneklem için ücretsiz 24 saatlik kök neden taramasını isteyin ya da kendi verinizde konu düzeyinde duygu analizini görmek için demo talep edin.