İşletmeler için müşteri memnuniyeti önemli bir performans göstergesidir. Müşteri şikayetleri yönetimi bu konuda önemli bir rol oynar. için En iyi işletmelerde bile her zaman mükemmel yürümesi kolay değildir. Müşteri sayısı arttıkça müşteri şikayetlerini analiz etmek ve her bir müşteriye geri dönüş yapmak gittikçe zorlaşır. Müşterileri memnun etmek, müşteri kaybını en aza indirmek ve müşterilerle yakın ilişki kurabilmek için kuruluşlar müşteri şikayetlerini hızlı, verimli ve etkili bir şekilde yönetmelidir.
Günümüzde doğal dil işleme (Natural Language Processing – NLP) ile müşteri şikayetleri yönetimini optimize etmek mümkündür. Doğal dil işleme ile müşteri şikayetleri gerçek bir kişinin okumasına gerek kalmadan sınıflandırılır, konuyla ilgili departmana/müşteri temsilcisine doğrudan gönderilir veya önceliklendirme sıralaması yapılabilir.
Müşteri şikayetleri yönetimi, şikayetlerin sistematik olarak toplanması, planlanması, planın uygulanması ve analiz edilmesi ile ilgilenir. Rekabet avantajı ve müşteri sadakati gibi işin çeşitli yönleri üzerindeki etkisi nedeniyle işletmenin başarısında hayati bir yol oynar. Gelen şikayetler, işletmeye müşterilerin sesini yansıtan önemli bir bilgi kaynağıdır. Müşteri şikayetlerinden iç görü elde etmek ve müşteri şikayetleri yönetimini iyileştirmek günümüzdeki yapay zeka teknolojilerinin ayrıntılı bir şekilde incelenmesinden, anlaşılmasından ve doğru bir şekilde entegre edilmesinden geçer. Metin formatında verinin kullanıldığı süreçleri iyileştirmek için doğal dil işleme, yapay zekanın en önemli dalıdır.
Şikayet: Hoşnutsuzluk belirten söz veya yazı, sızlanma, sızıltı, yakınma, yakıntı.
Memnuniyetsizlik: Memnun olmama durumu.
Kaynak: TDK Güncel Türkçe Sözlük
Örneğin bir kullanıcının “Websitesini beğenmedim” yazması bir memnuniyetsizlikken; “Websitesinden müşteri temsilcisine bağlanamıyorum” bir şikayettir.
Doğal dil işleme ile bir mesajın gerçek bir kişinin okumasına gerek kalmadan şikayet veya memnuniyetsizlik sınıflandırılmasının yapılması mümkündür. Bu sınıflandırma sonrasında alt kategoriler bazında da (websitesi hakkında, müşteri temsilcisi hakkında, ürünler hakkında vb.) sınıflandırma yapılabilir. Alt kategoriler bazında sınıflandırma yapmak için baskın kelimeler belirlenmelidir. Baskın kelimelerin belirlenmesi için ilk adım mesajlardaki kelimelerin (eş anlam, yakın anlam, yanlış yazım gibi farklı yazımlarının) analiz edilmesidir. Doğru bir analiz için müşterilerden gelen tüm mesajlardaki kelimeler doğru etiketlenmelidir.
Bunun nedeni doğru etiketlemenin doğal dil işleme modelinin başarısını arttırmasıdır. Doğru etiketleme markaya, markanın bulunduğu sektöre ve markanın müşterilerine has kelimelerinin bilinmesi ile mümkün olur.
Yanlış etiketleme veya etiketlememe, veri ekibi için Türkçe doğal dil işleme projelerinde bazı zorluklara neden olur. Sıklıkla karşılan zorluklar şunlardır:
Türkçe veri ile çalışılırken en önemli zorluk morfolojik analiz -köklere ayırma- aşamasında Türkçe sözlük üzerinden çalışılıyor olunmasıdır. Ancak doğal dildeki bazı kelimeler Türkçe sözlükte yer almaz. Bu nedenle morfolojik analiz aşamasında bazı kelimelerin kökleri ayırt edilemez.
Örneğin, turizm alanında hizmet veren bir markanın veri ekibini düşünelim. Veride “aquaparkını” kelimesinin yer alması muhtemeldir. Ancak “aquapark” Türkçe sözlükte yer almadığı için kök olarak belirlenebilmesi mümkün olmaz.
Bazı ekler ile türetilmiş olan kelimeler de Türkçe sözlükte yer almaz.
Örneğin, ad kök ve gövdelerinden eylem türetme eki olan “-laş/-leş” eki ile türetilen kelimeler. “Ürünleşti” kelimesi Türkçe sözlükte yer almadığı için bu kelimenin kökü “ürün” olarak bulunacaktır.
Türkçe’de bazı kelimelerin birden fazla anlamı bulunur. İlgilenilen anlam sektörden sektöre farklılık gösterir.
Örneğin, “sıkmak” fiilinin 8 farklı anlamı bulunmaktadır. Moda sektöründeki bir markanın veri ekibi “dar gelmek” anlamıyla ; yemek sitesi veri ekibi “bir şeyin suyunu, yağını, sıvı kısmını basınçla çıkarıp akıtmak” anlamıyla ilgilenecektir.
Kaynak: TDK Güncel Türkçe Sözlük
Bazı müşteri mesajları kısa cümleler halinde yazılmışken, bazı mesajlar noktalama işaretleri bile konulmadan uzun bir şekilde yazılmaktadır. Bu durum sınıflandırma işlemi için bir başka zorluktur. Doğru etiketleme ile cümlelerin nereden bölüneceği kolaylıkla belirlenir.
Bir başka zorluk yanlış yazılan kelimenin doğru yazımının belirlenmesidir. İnsan dili ses temellidir. Yazı ise ikincil amaç olup konuşmayı kayda geçirmek amacıyla ortaya çıkmıştır. Bu nedenle bazen kelimelerin konuşma dilindeki şekli yazım diline doğrudan geçer.
Örneğin, konuşma dilinde “geliyom” kelimesini bazı kişiler doğrudan “geliyom” şeklinde yazar.
Yanlış yazımın başka bir nedeni de marka isimlerinin söylenişinden kaynaklıdır.
Örneğin; Xiaomi’nin şayomi, iksomi; Renault’un Reno şekilde yazılması gibi.
Dildeki ses olaylarından kaynaklı yanlış yazımlar da mevcuttur.
Örneğin, “bütçe”, “büççe”; “eczacı”, “ezzacı”; “satılık”, “satlık”; “iade”, “iyade”; “ekşi”, “eşki”; “vicdan”, “vijdan” şeklinde yazılması gibi.
Zipf Yasasına göre bir insan problemlerini çözerken çözüm için gerekli toplam işi en aza indirgeyerek çözmeye çalışır. Günümüzün yoğun temposunda bilgisayar ve cep telefonu aracılığıyla yapılan yazışmalarda kısaltmalar yoğun bir şekilde kullanılmaktadır. Bu kısaltmaların anlaşılması veri ekibinin karşılaştığı başka bir zorluktur.
Örneğin, “ne haber”, “naber”; “tamam”, “tmm” şeklinde yazılması gibi.
Doğal dil kurallara bağlı kalmaksızın devamlı değişmektedir. Günümüzde yabancı dillerden bazı kelimeler doğrudan veya Türkçe kelimelerle birleşmiştir. Bu kelimeler Türkçe sözlükte yer almaz. Bu nedenle analiz etmek zordur.
Örneğin; “ignore etmek”, “chatleşmek”, “forward etmek” gibi.
Yukarıda bahsetmiş olduğumuz 6 ana zorluğun dışında markaya, markanın bulunduğu sektöre veya markanın müşterilerine göre veri ekibi doğal dil işleme sürecinde daha farklı zorluklarla karşılaşabilmektedir.
Doğal dil işlemeyi müşteri şikayet yönetim sürecine entegre etmeden önce mutlaka etiketlenme stratejisinin belirlenmesi ve doğal dil işleme projelerinde kullanılmak üzere alana özgü (domain specific) sözlük, yanlış yazım sözlüğü, kelime ağı (WordNet) gibi doğru etiketlenmiş eğitim verisinin oluşturulması gerekmektedir.
Müşteri şikayetleri yönetimi süreçleriniz için etiketleme stratejisi belirlemek ve doğru etiketleme için bize ulaşabilirsiniz.