← Bloga Dön
Knowledge Graph Nedir? Tanımı, Örnekleri ve Müşteri Deneyiminde Kullanımı
Müşteri Deneyimi10 dk okuma16 Kasım 2026

Knowledge Graph Nedir? Tanımı, Örnekleri ve Müşteri Deneyiminde Kullanımı

Knowledge graph nedir, üç yapı taşı nelerdir, arama motorlarından şirketlere gerçek örnekleri, graph veritabanı, ontoloji ve bilgi tabanından farkı, yapay zekânın kanıta dayalı cevap vermesine nasıl yardım eder ve müşteri deneyimi için nasıl kurulur.

Bu yazıyı dinleyin

0:00 / 11:54

Hızlı yanıt

Knowledge graph, gerçek dünyadaki varlıkları (müşteri, ürün, şikâyet konusu, kural) ve aralarındaki adlandırılmış ilişkileri bir ağ olarak saklar. Hangi varlık ve ilişki türlerinin olduğunu çoğu zaman bir ontoloji tanımlar. Örneğin "geç iade" şikâyeti "iade" adımında yaşanır, "iade" de "iade ve değişim" yolculuğunun bir adımıdır. Bağlantılar açıkça saklandığı için insanlar ve yapay zekâ, tahmin etmek yerine bu bağlantıları izleyerek "bu şikâyetin arkasında hangi kural var?" gibi sorulara cevap verebilir.

Şirket verilerinin çoğu tablolarda ve belgelerde durur: müşteriler CRM'de, ürünler katalogda, kurallar sözleşmelerde ve politikalarda, şikâyetler yorumlarda ve destek kayıtlarında. En değerli bilgi ise çoğu zaman bunların arasındaki bağlantılardadır. Hangi şikâyet müşteri yolculuğunun hangi adımında yaşanıyor, o adıma hangi kural uygulanıyor? Knowledge graph bu bağlantıları doğrudan saklar.

Bu rehberde knowledge graph'ın ne olduğunu, yapı taşlarını, gerçek örneklerini, graph veritabanı, ontoloji ve bilgi tabanından farkını, yapay zekâ için neden önemli olduğunu ve müşteri deneyimi için nasıl kurulacağını anlatıyoruz.

Knowledge graph nedir?

Knowledge graph, varlıkları ve aralarındaki anlamlı ilişkileri saklayan bir bilgi modelidir. Üç yapı taşı vardır:

  • Varlıklar (düğümler): modellenen nesneler: bir müşteri, bir ürün, bir şikâyet konusu, bir yolculuk adımı, bir kural.
  • İlişkiler (kenarlar): varlıkları bağlayan, adlandırılmış bağlantılar: "şu adımda yaşanır", "bir türüdür", "şuna uygulanır" gibi.
  • Ontoloji (şema): ortak sözlük ve kuralları: hangi varlık türlerinin olduğu, bunların nasıl bir hiyerarşi kurduğu, hangi ilişkilere izin verildiği, tanımlar ve eş anlamlılar. Bu kurallar, kimsenin açıkça yazmadığı bilgilerin çıkarılmasını sağlar: geç iade bir ödeme sorunu türüyse, her geç iade aynı zamanda bir ödeme sorunu olarak sayılır.

Knowledge graph'taki bilgiler genellikle üçlüler hâlinde yazılır: özne, yüklem (ilişki), nesne. Online perakendeden küçük ve kurgusal bir örnek:

ÖzneİlişkiNesne
Geç iade (şikâyet konusu)şu adımda yaşanırİade
İadeşu yolculuğun adımıdırİade ve değişim
İade ve değişimşunun yolculuğudurOnline sipariş
İade süresi kuralışuna uygulanırİade
Geç iadebir türüdürÖdeme sorunu

Birlikte okunduğunda zincir şunu söyler: geç iade, online siparişlerin iade ve değişim yolculuğundaki iade adımında yaşanan bir ödeme sorunudur ve o adıma iade süresi kuralı uygulanır. Bu cümle tek bir tabloda yoktur; knowledge graph'ta vardır.

Knowledge graph örnekleri

  • Arama motorları: Google, Knowledge Graph'ı 2012'de tanıttı. Arama sonuçlarının yanında kişiler, yerler ve kurumlar hakkında bilgi gösteren bilgi panellerini o besler.
  • Açık bilgi: Wikidata, gönüllülerin düzenlediği ve herkesin sorgulayıp yeniden kullanabildiği açık bir knowledge graph'tır.
  • E-ticaret: ürün, kategori, özellik, marka ve "birlikte alınanlar" ilişkilerini bağlayarak aramayı ve önerileri iyileştirir.
  • Sağlık ve yaşam bilimleri: ilaçları, hastalıkları, genleri ve çalışmaları bağlar; araştırmacılar dolaylı bağlantıları bulabilir.
  • Finans: şirketler, ortaklar ve işlemler arasındaki bağlar dolandırıcılık tespitinde ve müşterini tanı (KYC) kontrollerinde kullanılır.
  • Müşteri deneyimi: şikâyet konularını ürünlere, yolculuk adımlarına, kurallara ve onlardan söz eden yorumlara bağlar.

Kurumsal knowledge graph nedir?

Kurumsal knowledge graph (enterprise knowledge graph), şirketin kendi verilerini bağlar: müşteriler, ürünler, süreçler, belgeler, kurallar ve müşterilerin bıraktığı geri bildirimler. Bunlar genellikle birbiriyle konuşmayan sistemlerde durur. Bağlandıklarında, birkaç sisteme yayılan bir soru ("iade sürecimizle ilgili şikâyetlerin arkasında hangi politika var?") bir haftalık toplantı yerine tek bir sorgu olur.

Ontoloji nedir? Knowledge graph ile farkı

Ontoloji, felsefede varlığın ne olduğunu inceleyen daldır. Bilgisayar ve bilgi bilimlerinde ise bir alandaki kavramların, türlerinin ve aralarındaki ilişkilerin ortak tanımıdır: bir sözlük ve kurallar bütünü. Knowledge graph bu sözlüğü kullanır ve gerçek bilgilerle doldurur. Ontoloji "bir şikâyet konusu bir yolculuk adımında yaşanır" der; knowledge graph ise "geç iade, iade adımında yaşanır" bilgisini, arkasındaki yorumlarla birlikte saklar.

Knowledge graph, graph veritabanı, ontoloji ve bilgi tabanı farkı

Nedir?En iyi olduğu iş
Knowledge graphAnlamı çoğu zaman bir ontolojiyle tanımlanan varlıklar ve adlandırılmış ilişkilerBağlantıları izlemek, "bu, şununla nasıl ilişkili?" sorusunu yanıtlamak
Graph veritabanıDüğümleri ve kenarları saklayan ve sorgulayan yazılımKnowledge graph'ı ya da herhangi bir ağ verisini verimli çalıştırmak
OntolojiSözlük: kavram türleri, izin verilen ilişkiler, tanımlar, eş anlamlılarVerinin her yerde aynı anlama gelmesini sağlamak
Bilgi tabanıCevapların, makalelerin, kuralların ve belgelerin aranabilir bütünüSoruları doğal dille yanıtlamak

Kısacası graph veritabanı motordur, ontoloji sözlüktür, knowledge graph ise birbirine bağlanmış içeriktir. Bilgi tabanı daha geniş bir kavramdır: insanların ya da yapay zekânın cevap aldığı her türlü bilgi deposu; makaleler, kurallar, belgeler. Knowledge graph bu bilgiyi yapılandırmanın bir yoludur ve birçok yapay zekâ sistemi ikisini birlikte kullanır.

Knowledge graph yapay zekâ için neden önemli?

Büyük dil modelleri akıcı cevaplar yazar ama şirketinizin bilgilerini bilmez; bilmediğinde de tahmin edebilir. Knowledge graph modeli gerçeğe bağlar: sistem önce knowledge graph'tan ilgili varlıkları ve ilişkileri getirir, model de cevabını onlara dayanarak verir. Bu yaklaşıma genellikle GraphRAG denir. Microsoft Research 2024'te bunun bilinen bir sürümünü yayımladı: bu yöntem belgelerden bir knowledge graph çıkarır ve onu bütün bir belge koleksiyonu hakkındaki soruları yanıtlamak için kullanır.

Knowledge graph'ın yapay zekâya kattıkları:

  • Benzer metin değil, bağlantı: birkaç adım gerektiren soruları yanıtlayabilir, örneğin "hangi şikâyetler genel şartlarımızdaki bir kurala bağlı?"
  • Açıklanabilir cevaplar: cevabın izlediği yolu ve her bağlantının arkasındaki kanıtı gösterebilirsiniz.
  • Tutarlı sözlük: "iade", "para iadesi" ve "geri ödeme" gibi eş anlamlılar tek bir kavrama bağlanır; sayılar ve cevaplar bölünmez.
  • Genel tahmin değil, sizin kurallarınız: cevap, sektörünüzün ve şirketinizin gerçekte nasıl işlediğine uyar.

Müşteri deneyiminde knowledge graph

Müşteri geri bildirimi yorumlara, anketlere, destek kayıtlarına, çağrılara ve sosyal medya paylaşımlarına dağılmıştır. Müşteri deneyimi için bir knowledge graph şunları bağlar:

  • müşterilerin konuştuğu temalar, örneğin geç teslimat ya da fatura hataları;
  • bu temaların ilgili olduğu ürün ve hizmetler;
  • müşteri yolculukları ve her temanın yaşandığı adımlar;
  • uygulanan kurallar: politikalar, genel şartlar, mevzuat;
  • kanıt: her bağlantının arkasındaki gerçek yorumlar.

Bu bağlantılar kurulduğunda müşteri deneyimi ekibi daha iyi sorular sorabilir. Bu şikâyet yolculuğun neresinde yaşanıyor? Onunla birlikte başka hangi sorunlar geliyor? Müşterinin bir kuralı bilmemesinden mi, yoksa sürecin kurala uymamasından mı kaynaklanıyor? Artıyor mu, azalıyor mu?

Pivony Knowledge Base (PKB)

Pivony; şirket bilgi tabanınızı, sektörünüzün dinamiklerini ve kurallarını, iş akışlarınızı bir araya getirir ve bunların üzerinde çıkarım yapar. Pivony Knowledge Base (PKB), bu rehberdeki fikirleri müşteri deneyimine uygular. Sektörünüze ve markanıza özel bir ontoloji üzerine kurulur: müşteri deneyimi temaları, ürünler, müşteri yolculukları ve adımları, kurallar ve mevzuat ile aralarındaki bağlantılar. Pivony konsolunda:

  • Ontolojiyi tablo ya da ağ görünümünde inceleyebilirsiniz: herhangi bir kavramdan başlayıp komşularını açar, tanımını ve eş anlamlılarını okursunuz.
  • Her kavramın kavram haritasını açabilirsiniz: kavramın müşteri yolculuğunda geçtiği yer, onunla tesadüften daha sık birlikte şikâyet edilen temalar (ikisinin birlikte geçtiği yorum sayısıyla) ve bağlı olduğu kurallar ve şartlar, her birinin ne dediğiyle. Kavramın arkasındaki yorumlar bir tık uzaktadır.
  • Temaları zaman içinde izleyebilirsiniz: her temanın durumu son 30 günü önceki 90 günle karşılaştırır; kanıt yorumlar bir tık uzaktadır.

Aynı bilgi Pivony'nin geri kalanında da kullanılır. Sonic Advisor veri sorularınızı, sesle ya da yazıyla, bilgi tabanınızdan yanıtlar. Pivony MCP add-on'u ile Claude gibi yapay zekâ asistanları, kurumunuzun bilgi tabanına "neden" sorularını sorabilir: kök nedenler, bir sorunun hâlâ sürüp sürmediği, rakip karşılaştırmaları. Sonic Engage ise kök nedenlerden yola çıkarak risk altındaki müşterilere, kurallarınız ve onay akışınızla WhatsApp'tan ulaşır. Her organizasyonun PKB'si, hesap yöneticisiyle birlikte kurulur. Samsung ve Allianz'ın güvendiği platform.

Müşteri deneyimi için knowledge graph nasıl kurulur?

  1. Sorularla başlayın. Yanıtlamak istediğiniz soruları yazın, örneğin "hasar yolculuğumuzun hangi adımları en çok şikâyet alıyor ve hangi kurallar işin içinde?" İçeriğe neyin gireceğini sorular belirler.
  2. Ontolojiyi tanımlayın. Varlık türlerini (temalar, ürünler, yolculuk adımları, kurallar) ve aralarındaki ilişkileri seçin. Her kavram için bir tanım ve eş anlamlılar yazın. Süreç haritalarınızı ve sektör standartlarını yeniden kullanın.
  3. Varlıkları ve ilişkileri çıkarın. CRM ve ürün kataloğu gibi sistemlerden yapılandırılmış veriyi alın; yorumlar, destek kayıtları, çağrı dökümleri ve politikalar gibi serbest metinden temaları ve bağlantıları yapay zekâyla çıkarın.
  4. Bağlayın ve tekilleştirin. Eş anlamlıları ve tekrarları tek bir varlığa bağlayın; "para iadesi" ile "iade" birlikte sayılsın.
  5. Kanıtı saklayın. Her bilginin nereden geldiğini kaydedin; her bağlantı gerçek yorumlarla ya da belgelerle kontrol edilebilsin.
  6. Kullanılır hâle getirin. Bir graph veritabanında ya da benzer bir yapıda saklayın ve insanlara keşfetme imkânı verin: arama, ağ görünümü, kavram haritası.
  7. Güncel tutun. Her bölüme bir sahip atayın, yeni kuralları uzmanlar gözden geçirsin; ürünler, yolculuklar ya da mevzuat değiştiğinde güncelleyin.

Sık yapılan hatalar

  • Teknolojiyle başlamak, işin yanıtlanması gereken sorularıyla değil.
  • Her şeyi modellemek: kimsenin bakımını yapamadığı kadar büyük bir ontoloji.
  • Kanıtsız bağlantılar: kaynağı olmayan bağlantılara güvenmek de onları düzeltmek de zordur.
  • Tek seferlik proje: güncellenmeyen bir knowledge graph, işin gerçekte nasıl yürüdüğünden zamanla uzaklaşır.

İlgili içerikler

Sonraki adım

Sektörünüzün kuralları üzerine kurulu bir bilgi tabanının müşterilerin neden şikâyet ettiğini nasıl açıkladığını görmek için demo talep edin ya da yorumlarınızın veya destek kayıtlarınızın bir dökümü üzerinde ücretsiz kök neden analizi isteyin.

Sık sorulan sorular

Knowledge graph nedir?

Knowledge graph, müşteriler, ürünler, sorunlar ve kurallar gibi varlıkları "şu adımda yaşanır" ya da "şuna uygulanır" gibi adlandırılmış ilişkilerle bağlayan bir bilgi modelidir. Bağlantılar açıkça saklandığı için insanlar ve yapay zekâ, tahmin etmek yerine bu bağlantıları izleyerek soruları yanıtlayabilir.

Knowledge graph örnekleri nelerdir?

Arama sonuçlarının yanındaki bilgi panellerini besleyen Google Knowledge Graph ve herkesin sorgulayabildiği açık bir knowledge graph olan Wikidata en bilinen örneklerdir. Bir şirkette knowledge graph, şikâyet konularını yaşandıkları yolculuk adımlarına ve oraya uygulanan kurallara bağlayabilir.

Knowledge graph ile graph veritabanı arasındaki fark nedir?

Graph veritabanı, düğümleri ve kenarları saklayan ve sorgulayan yazılımdır. Knowledge graph ise içeriğin kendisidir: anlamı bir ontolojiyle tanımlanmış varlıklar ve ilişkiler. Knowledge graph çoğu zaman bir graph veritabanında saklanır ama ikisi aynı şey değildir.

Ontoloji nedir, knowledge graph ile farkı nedir?

Ontoloji felsefede varlığın ne olduğunu inceleyen daldır; bilgisayar ve bilgi bilimlerinde ise bir alandaki kavram türlerinin, izin verilen ilişkilerin, tanımların ve eş anlamlıların ortak sözlüğüdür. Knowledge graph bu sözlüğü kullanır ve gerçek bilgilerle doldurur: örneğin hangi şikâyetin müşteri yolculuğunun hangi adımında yaşandığı.

Knowledge graph yapay zekâda nasıl kullanılır?

Knowledge graph, yapay zekâ modelini sizin bilgilerinize bağlar. Model önce ilgili varlıkları ve ilişkileri getirir, sonra onlardan cevap verir; bu yaklaşıma genellikle GraphRAG denir. Cevaplar birkaç adımlık bağlantıları izleyebilir ve dayandıkları kanıtı gösterebilir.

Kurumsal knowledge graph nedir?

Kurumsal knowledge graph, şirketin müşteriler, ürünler, süreçler, belgeler, kurallar ve müşteri geri bildirimleri gibi kendi verilerini, normalde birbiriyle konuşmayan sistemler arasında bağlar; ekipler ve yapay zekâ asistanları bu sistemlere yayılan soruları yanıtlayabilir.

#knowledge graph#what is a knowledge graph#enterprise knowledge graph#knowledge graph examples#ontology#graphrag#customer experience

See root causes on your own feedback

Book a 15-minute demo, or get a free RCA in 48 hours with no sales call.