Chatbotlar ve Veri Analizi

“Information is the oil of 21st century, and analytics is the combustion engine.”

“Bilgi 21. yüzyılın petrolü, analitiği ise motorudur.”

— Gartner
Andrea Piacquadio adlı kişinin Pexels’daki fotoğrafı

Bir şirketin hacmi veya hizmet ettiği sektör ne olursa olsun, büyük miktarda veri üretir. Büyük veri ve analitiklerin hızla gelişmesiyle, veriler özellikle rekabet avantajı sağlama açısından kurumlar için belirleyici hale gelmiştir. Verileri verimli bir şekilde analiz etmek; büyüme stratejileri hazırlamak, yeni iş fırsatları keşfetmek, etkili çalışanların işe alımını belirlemek ve stratejileri korumak konusunda değerli bilgiler bulmak için anahtardır. Müşteri verilerinden (görüşlerinden) faydalanmak suretiyle, şirketler müşterilerinin satın alma davranışlarını analiz edebilmektedir. Böylece yeni müşteri kazanımı ve mevcut müşteri memnuniyetini yüksek tutarak sadakat sağlama konusunda büyük başarılar elde edebilmektedirler. Bu bilgiler ışığında iyi bir ürün ve/veya hizmet stratejisi oluşturma imkanına sahip olabilmektedirler.

Chatbot ve Veri Yaygınlaşması

Chatbot pazarının 2019 yılında 17,17 milyar ABD doları değerinde olduğu ve 2025 yılına kadar 102,29 milyar ABD dolarına ulaşacağı tahmin ediliyor. Harvard Business Review raporuna göre, Andrew McAfee ve Erik Brynjolfsson tarafından yapılan bir araştırma, büyük veri ve analitik kullanan şirketlerin, emsallerine göre % 5 ila 6 daha yüksek verimlilik oranları ve karlılık gördüklerini gösteriyor. McKinsey tarafından yapılan bir başka araştırma, şirketlerin beş yıl sonra % 9’a kadar büyüyen veri odaklı analitik kullanarak karda % 6 artış sağladığını doğruladı.

Chatbotlar işletmelerin veri odaklı kararları kolaylıkla ve verimli bir şekilde almalarını sağlar. Chatbot, yapısı gereği insan davranışını anlamak için tasarlanmıştır. Kendi kendine öğrenme sürecinin bir parçası olarak, verilerin, metriklerin, tercihlerin ve trendlerin sistematik kayıtlarını tutarak kullanıcı etkileşimlerine göre alaka ve yanıtlarını buna göre uyarlar. Çalışanların anlamlı bilgiler elde etmek için birden fazla gösterge tablosunu incelemeleri veya çeşitli uygulamalara atlamak için hantal bir sürece katlanmaları gerekmez. Robotlar büyük veri setlerini işleyebilir, zamanı kısaltır ve çalışan verimliliğini artırır. Bu özellik Chabot’un Veri Analitiği alanında da önemli bir rol oynamasını sağlar ve şirketler de bunun için en iyi stratejileri, araçları ve chatbot teknolojilerini yapılarına katarak kullanmaya çalışır.

Bir web sitesi veya uygulama ile etkileşim süreciniz sırasında, bot bilgi tabanına daha da eklemek için proaktif olarak ilgili soruları sorabilir ve daha sonra önemli bilgiler sunmak için kullanılabilir. Botlar, önemli içgörüleri analiz etmek ve oluşturmak için veri aramalarını otomatikleştirebilir ve ERP, CRM, Veri Ambarı gibi çeşitli iş sistemlerinden veri çıkarabilir. Botlar, çalışanlara uyarılar, güncellemeler ve gerçek zamanlı bilgi göndermek için kullanılabilir.

Botlar temel olarak Yapay Zeka (Artificial Intelligence AI) ve Doğal Dil İşleme (NLP) teknolojilerini kullanarak, karşısındakine gerçek bir insanla sohbet ediyor intibası bırakmayı amaçlayan programlardır. Doğal dil işleme , botların konuşma/mesajlaşma arayüzünden sohbet tabanlı girişler (input) almasını, daha hızlı ve daha verimli karar vererek ilgili bilgilerle yanıt vermesini sağlar. Bu bir botun herhangi bir zamanda ve yerde sorulacak olan sorulara cevap verebileceği anlamına gelir.

Chatbotlar geliştirilirken kullanılan NLP yöntem ve süreçlerini şu şekilde sıralayabiliriz:

Ön İşleme (Preprocessing)

Dillerin yapısı ve günlük kullanımı sebebiyle doğal dil işleme kullanılan projelerin çoğunda öncelikle girdi olarak alınan metnin ön işlemeden geçmesi gerekmektedir. Ön işleme ile yapılan yazım hatalarının tespit edilip düzeltilmesi, metin içindeki emojiler, linkler gibi ek faktörlerin ayıklanması sağlanır. Metin içerisinde yer alan kelime veya kelime gruplarının morfolojik ve semantik açıdan işlenip kullanım alanına göre ilgili forma çevrilmesi ise bu ön işlemenin ilk adımlarıdır.

Kullanım alanına göre ön işleme sonucu aşağıdaki gibi bir çıktı verebilir:

Örnek : “Ürünlerinize bu sayfadan erisebilir miyim? 🤔artiwise.com “

→[ Ürün+çoğul, bu, sayfa, eriş+fiil, mi, ?+noktalama ]

Yukarıda örnekte görülebileceği gibi orjinal halindeki metin işlenmeden önce indirgenmiş bir forma dönüştürülerek veri analizi için ortaya çıkabilecek özellik sığlığı (verinin temsil edildiği gösterimde bir özelliğin çok az örnekte, genellikle de yalnızca bir örnekte görülmesi) problemlerinin önüne geçilmeye çalışılmıştır.

Dil Tespiti (Language Detection)

Chatbot uygulamaları genelde online olarak kullanımda olduğu için kullanıcıların farklı diller ile iletişim kurmaya çalışması muhtemeldir. Bu ihtimale karşı girilen bir dilin hangi dil olduğu tespit edilmeli ona göre metnin analizi yapılmalıdır. Uygulama, kullanılan dil destek verdiği bir dil ise o dilde devam edebilir veya kullanılan dilin desteklenmediğine dair bir geri bildirim verebilir. Alternatif olarak bazı uygulamalar Makine Çevirisi (Machine Translation) teknolojilerini kullanarak kullanıcılara hizmet vermeye çalışmaktadırlar.

Niyet Tanıma (Intent Detection)

Diyaloglarda bir taraf kurduğu cümle ile karşı tarafa bir niyet ifade eder karşı taraf da bu niyeti anlayıp o doğrultuda bir yanıt vererek konuşmayı ilerletir. Gerçek bir kişi, başka bir kişinin yazdığı metnin arkasındaki temel amacı belirleyebilir, ardından bu niyetle eşleşen bir yanıt verebilir. İşte bu doğal diyalogun botlar tarafından taklit edilebilmesi ve aynı zamanda etkin bir şekilde insanlara hizmet verebilmesi için bot, karşısındaki paydaşının ne demek istediğini (hangi konudan bahsettiğini) anlayabilmelidir. Niyeti anlamak ancak ön bilgi (prior knowledge) analizi ile mümkün olabilmektedir. Chatbotun kullanım alanına göre çeşitli niyet sınıfları vardır ve kullanıcının ifadesinin hangi niyete ait olduğunun algılanması konuşmayı devam ettirebilmek için ilk adımdır. Botlar bu sebeple hizmet verdikleri sektörde konuşulması muhtemel konuların ayırdını yapabilecek kabiliyette olmalıdır. Bu noktada genellikle Makine Öğrenmesi (Machine Learning) ve Derin Öğrenme (Deep Learning) yöntemlerinin kullanıldığı sınıflandırıcılar tercih edilmektedir.

Merhaba! → niyet: selamlama

Bu sistem üzerinden araç kiralayabilir miyim?→ niyet: araç kiralama

Güncel dolar kurunu öğrenebilir miyim? -> niyet: kur bilgisi — Dolar/TL

Varlık Tespiti (Entity Recognition)

Kullanıcının niyetinin anlaşılması tek başına yeterli değildir. Çünkü niyete karşın kullanıcılardan istenebilecek bazı parametrelerin de tespit edilmesi, gerekirse sorulması ve hatta kullanıcının girdiği doğal dildeki girdiden ihtiyaç duyulan paramterlerin ayıklanması gerekebilmektedir. Kullanıcının niyetini de belirttiği içerikte o niyete dair istenecek olan n adet parametreden k adedi bulunmuş ise, chatbot doğal bir diyalog görünümü vermek adına zaten cevabını aldığı parametreleri tekrar kullanıcıya soru olarak yöneltmemelidir. Onun yerine eksik kalan (n-k) parametreyi uygun bir akışta kullanıcıdan talep etmelidir. Ardından niyete dair parametreler ile doldurulmuş komut ifadesini teyit ettirmek adına kullanıcıya yöneltmeli ve gerekli onayı alması halinde komutu yerine getirmeli ve çıktısını kullanıcı ile paylaşmalıdır.

İsimlendirilmiş Varlık Tespiti (Named Entity Recognition), bir metinin içindeki göreve göre özel olarak tanımlanmış olan kategorilere giren söylemlerin otomatik olarak metinden ayıklanmasını hedefleyen bir çalışmadır. Doğal Dil İşleme alanı altında kendine sıkça yer bulan bu görevin en sık kullanılan hali, insan, şehir ismi, tarih, para birimleri ve değerleri gibi ortak kullanılan sınıflara ait değerlerin çıkarılmasını amaçlayan çalışmalardır.

Ahmet Yılmaz adına Ankara’daki organizasyona iki kişilik rezervasyon yaptırmak istiyorum.

[Ahmet Yılmaz](özel isim) adına [Ankara’daki ](yer ismi) organizasyona [iki kişilik](miktar) rezervasyon yaptırmak istiyorum.

Bu örnekte rezervasyon niyeti için ihtiyaç duyulan, isim, lokasyon ve kaç kişilik olacağı bilgisi kullanıcının ifadesinden otomatik çıkarılabilmektedir. Bu durumda bot kullanıcıya ihtiyaç duyduğu tek ek parametre olan tarih bilgisini soracaktır ve rezervasyonu bu parametrelere göre gerçekleştirecektir.

Alan Bilgisi (Domain Knowledge)

Chatbotlar genellikle belirli bir alanda faaliyet gösterirler ve kullanıcılar o alanda sahip olmadıkları bilgiyi edinmek için veya o alan ile ilgili bir işlem gerçekleştirmek için uygulamayı kullanırlar. Chatbotlar bu taleplere yanıt verebilmek için o alan ile ilgili verilerle donatılmış olmalıdır. Alan bilgisi eğer sınırlı ise kural tabanlı sistemlerle karar ağacı çıkartılarak tutulabilir. Ancak yine de bu tür kural sistemlerinin doğal dil işleme problemlerinde yetersiz kaldığı ve hatta ilerleyen dönemde çok büyük kargaşalara yol açtığı bilinmektedir. (https://www.artiwise.com/2020/04/30/dogal-dil-islemeye-genel-bakis-nlp-overview/) Bu sebepten ötürü ya da ilgili faliyet alanının çok geniş kapsamlı olduğu bir alan bilgisinin gerekli olduğu durumlarda (ki genelde böyledir) denetimli veya denetimsiz öğrenme yöntemleri ile karar mekanizması geliştirilir.

Anahtar Kelime Tespiti (Keyword Extraction)

Bu alan bilgisi dokümanlardan öğreniliyorsa ilgili dokümandan bilgi çıkarımı yapabilmek için doküman içerisinde hangi ifadelerin daha çok bilgi taşıdığının bilinmesi önemlidir. Bu ifadeler bize metni özetleyen, metinde aradığımız bilgileri veren anahtar kelimelerdir.

Örneğin bankacılık ile ilgili bir uygulamada “EFT işlemleri yalnızca hafta içi ve 08.00–17.00 arasında yapılabilir.” metninde anahtar kelimeler ve işlevleri şu şekilde belirlenebilir:

“EFT” -> işlem türü

“hafta içi” -> zaman aralığı — gün

“08.00–17.00” -> zaman aralığı — saat

Anahtar kelime tespiti hem kullanıcının ifadesinde hem de alan bilgisi içeren dokümanlarda uygulanarak gerekli sorguların daha efektif yapılmasına katkı sağlar.

Yukarıdaki örnek üzerinden ilerlersek “Hangi saatlerde eft yapabilirim?” sorusu ile karşılaşan bot bu sorudaki anahtar kelimeleri de şu şekilde çözümleyebilir:

“eft” -> işlem türü

“hangi saatlerde” -> soru — zaman aralığı — saat

Ve bu çözümlemeleri yapan chatbot uygulaması edindiği bilgiler ışığında şu yanıtı verebilir:

“08.00–17.00”

Doğal Dil Üretme (Natural Language Generation)

Yukarıdaki örnekte chatbotun cevabı kabul edilebilir bir cevap olmasına rağmen bir diyalog içerisinde sönük kalabilir veya her soru için çıkarılan anahtar kelimeler bu örnekte olduğu gibi tek başına anlaşılır olmayabilir. Bu nedenle chatbot, karşısındaki kullanıcının niyetini anlayıp ona uygun cevabı bulduğunda bu cevabı yine doğal dili kullanarak vermelidir. Bu noktada chatbotun ilgili dilin kurallarını kullanarak cümle kurması beklenmektedir.

Bu beklentiyi karşılamak için doğal dil üretme teknikleri kullanılır. Bu teknikler dilin yapısına göre kurallar oluşturmak olabileceği gibi genellikle daha efektif bir yöntem olan var olan metinlerdeki yapının derin öğrenme algoritmaları tarafından özümsenip taklit edilmesi şeklinde de olabilir. Doğal dil üretme teknikleri, chatbotun sahip olduğu bilgiyi doğal dil kurallarına uygun bir ifadeye dönüştürmesini sağlar.

Bu tekniklerin işlenmesi örneğimiz için “08.00–17.00” yerine “EFT işlemlerinizi sabah 8 ile akşam 5 arasında yapabilirsiniz. Yardımcı olabileceğim başka bir konu var mı?” gibi bir yanıt alabilmenize olanak tanır.

Artiwise ile Tek Platformda 360 Derece Müşteri İçgörü Analizini Yapın

Chatbotlar müşterilere verimli bir şekilde yardımcı olmak için mükemmel bir seçenektir. Yapay zeka ile donatıldığında, chatbotlar ilgili mesajları vermek ve potansiyel bir problem tespit ettiklerinde proaktif hizmet sunmak için içeriksel bilgileri kullanabilir. Artiwise Analytics chatbot içerikleri, çağrı merkezi ses kayıtları, sosyal medya verisi, yazılı anket içerikleri, e-mail bildirimleri gibi yazılı veya sesli verileri Duygu Analizi, Sınıflandırma, Kök Neden Analizi, Öne Çıkan Konular vb. modülleri ile sınıflandırarak müşterilerinizin tercihlerini, ihtiyaçlarını ve yaklaşımlarını makine öğrenmesi ile tek platformda analiz etmenizi sağlar. Uçtan uca müşteri deneyiminizi anlamlandırmanızı ve anlık kategorizasyon ile hızlı aksiyon almanızı sağlar.

Artiwise Analytics ile;

Esnek Müşteri Hizmetleri Servisi : Duygu analizi ve kategorize edilmiş müşteri iç görüsü verilerinizde öncelikli kullanıcıyı hızlıca tespit edebilirsiniz. müşteri deneyim ekibinizin öncelikli olarak ilgili kullanıcıya erişerek sorunu krize dönüşmeden çözüm sağlayabilirsiniz.

Müşteri memnuniyet takibi: Markanız, ürününüz veya hizmetiniz hakkında kullanıcıların sizinle nasıl etkileşime girdiğini, sizin hakkınızda ne hissetiklerini keşfedebilirsiniz.

Duygu tetikleyici konuları anında tespit edebilme: Artiwise Analytics Duygu analizi ile duygu değişim trendlerini toplar ve tetikleyicileri keşfetmenize yardımcı olur. Kategori trend değişim ve duygu trend değişim grafikleri ile ilgili duygu tetikleyici konuları detaylıca analiz edebilirsiniz.

Satış fırsatları yakalayın ve pazarınızdaki yeni alanları keşfedin: Ürün, marka veya hizmetiniz ile ilgili aldığınız geri dönüşlerde kök-neden analizi ile gelişim alanlarınızı görebilir, duygu analizi ile kitlenizin yönelimini görebilirsiniz.

Kesintisiz yönlendirme:Ürün veya hizmet kanallarındaki sorun, memnuniyet takibi yapılarak uygun departmana iletimi kolaylaştırır. Anlık kategorize edilen verileri ilgili müşteri deneyim ekibi rapor veri grafiklerinden erişebilir, ekipler arasında öncelikli müşteri iç görülerini atama ile takip edebilir.

Kaynaklar:

https://hbr.org/2012/10/big-data-the-management-revolution

https://www.mordorintelligence.com/industry-reports/chatbot-market

https://www.readitquik.com/articles/ai/how-chatbots-simplify-data-analytics-consumption-for-decision-makers/

https://www.marketsandmarkets.com/Market-Reports/smart-advisor-market-72302363.html?gclid=CjwKCAjw4pT1BRBUEiwAm5QuR-JyhIc0zw-VlstE2UdqdBDkLmOQfNthyjVVmIAAMvDIvvFj2IWUJxoChiUQAvD_BwE

https://www.mordorintelligence.com/industry-reports/chatbot-market

https://hbr.org/2012/10/big-data-the-management-revolution

https://www.inc.com/larry-kim/10-fascinating-facts-about-chatbots.html

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>