Duygu Analizi Nedir, Kullanım Alanları ve Zorlukları

İnternet ve sosyal medyanın giderek büyümesiyle markaların müşteri geri bildirimlerine erişimleri her zamankinden daha hızlı ve kolay olmaktadır. Ürün incelemeleri, sosyal medya gönderileri, forumlar, blog yazıları, anket ve chatbot verileri gibi kullanıcılar tarafından oluşturulan içerikler şirketler için müşterilerinin ürün ve hizmetleri hakkındaki görüşlerine erişmede bir altın madenidir.

Birçok kurum bu altın madenini tek bir kanalda toplamak ve analiz etmek için ölçeklenebilir, uygun maliyetli çözümler aramaktadır. Duygu analizi markaların stratejik, hızlı ve daha bilinçli pazarlama ve ürün geliştirme kararları vermelerine yardımcı olur.

Bu yazımızda duygu analizi yöntemlerine, yaygın kullanım alanlarına ve zorluklarına kısa bir genel bakış sunacağız.

Duygu Analizi Nedir ve Nasıl Çalışır?

Duygu analizi temel olarak bir metin analizi (text analysis) olup verilen metnin duygusal olarak ifade etmek istediği sınıfı (pozitif, negatif ve nötr) belirlemeyi amaçlar. Duygu analizi, firmaların sunmuş oldukları hizmet ve ürünlerin müşterilerinin gözündeki yerine anlamak için kullanılır. Bu, genellikle müşterilerin yazılı veya sözlü ilettikleri geribildirimlerin analiz edilmesi ile sağlanmaktadır. Markalar anket yanıtlarından ve sosyal medya konuşmalarından gelen müşteri geri bildirimlerini otomatik olarak analiz ederek, müşterilerinin iç görülerini dikkatlice takip edebilir. Bunun yanında ürünlerini/hizmetlerini müşterilerin ihtiyaçlarını karşılamak için özelleştirebilir. Bir yorumun/düşüncenin hangi tip duygu barındırdığını tespit edebilmek için farklı yöntemler kullanılmaktadır.

Manuel Operasyon

Özellikle bağlam, belirsizlik, ironi gibi dil karmaşıklığını yorumlamaya yardımcı olması için insan unsuru gereklidir. Bağlama göre değişiklik gösteren anlamların yorumlanması, bir şuurun ve bir hafızanın yardımıyla ancak tam anlamıyla yapılabilir. Çünkü dil yaşayan bir varlıktır ve içinde toplumun ortak hafızasında yer etmiş birçok varlık ve olay barındırmaktadır. İşte bu sebeple bilgisayarlar tarafından çözümlerin olmadığı ya da yetersiz bulunduğu görevlerde insan işaretleyicilerin operasyonu ile bu analizler gerçekleştirilebilir. Ancak tahmin edilebileceği üzere bu tip bir operasyonu kurmak ve yürütmek hem çok maliyetli hem de bir o kadar zahmetlidir. Verinin hacminin üstel şekilde arttığı günümüzde böyle bir operasyon ile bu analizi gerçekleştirmek ancak hayalcilik olarak açıklanabilir.

Anahtar Kelime İşleme

Doğal dil işlemenin birçok görevinde kullanılan ilkel tür kural tanımlama yöntemlerinin duygu analizine uyarlanmış hali olarak düşünülebilir. Belirli kelime / kelime gruplarına duygu sınıflarına göre alabilecekleri bir duyarlılık ya da aidiyet puanı ataması yapılır. Bu puanlar, içinde geçmiş oldukları metin/dokümanların toplam ağırlığını bulmak için kullanılır. Bir metnin/dokümanın toplam duygu ağırlığı içindeki ifadelerin puanlarının toplamıdır. Böylece nihai topla puan ile metnin/dokümanın hangi sınıfa ait olduğu bulunabilir. Peki ifadelerin duygu ağırlıkları nasıl verilir? Burada da farklı yöntemler kullanılmaktadır. Örneğin kelime veri setine insan uzmanlar tarafınan puanları atamak bir yöntemdir. Ancak bu çok subjektif yargılar ile puanlanabileceği için çok hatalı sonuçlara yol açabilecektir. Bundan daha anlamlı farklı bir yöntem ise veri kümesi içinde ifadelerin ağırlıklarının saydırma/olasılık hesabı ile yapılmasıdır. Bu amaçla bilgi kuramından gelen ortak bilgi yöntemleri kullanılabilmektedir. Ancak ne şekilde olursa olsun dilin dinamikleri gereği bir ifadenin duygusal ağırlığı ancak içinde bulunduğu bağlam ile açıklanabilir. Yani statik puanlamak birçok noktada probleme yol açacaktır. Örneğin “yüksek” sıfatının statik bir puan ile ifade edildiğini varsayalım. Aşağıdaki örneklerde değişmez bir puan ile ele alınacak olan hesaplama gerçekle örtüşmeyecek şekilde yanılmamıza yol açacaktır.

  • Enerjim öyle yüksek ki hiç kimse moralimi bozamaz
  • Dolar kuru bu seneyi çok yüksek kapattı, alım günüde gerilemeye yol açtı.

Doğal Dil İşleme:   

Kelimeleri analiz etmek ve gerçek anlamlarını çıkarmak için duygu ve bağlamı dikkate alarak tanımlanmış örüntüler ve temalar sonucu duygu analizini verir. Doğal dil işlemenin morfo-sentaktik ve semantik aşamalarının kullanıldığı makine öğrenmesi yöntemlerinden faydalanılır. Tüm makine öğrenmesi yöntemlerindeki gibi derlem adı verilen veri setleri kullanılarak göreve dair tahminler yapacak bir tahminleyici model eğitilir. Amaç veri kümesi içerisinden ve dilin barındırdığı özelliklerden faydalanılarak bağlamları doğru yakalayabilen ve genelleyici olduğu kabul edilen bir istatistiksel ya da olasılıksal model ortaya koymaktır. Bu sayede veri seti içinden dile ve göreve dair tüm dinamikler sistem kendi kendine öğrenecektir.

Makine öğrenmesi / derin öğrenme teknolojileri ve güçlü doğal dil işleme algoritmaları ile Artiwise Analytics yazılı içerikler üzerinde genel veya özelleştirilmiş duygu analizi yapabilme yetkinliğini ilk andan itibaren kullanıcılarına verebilmektedir.

Duygu Analizi Çeşitleri 

Duygu analizi, dışarıdan bakıldığında sadece bir metni olumlu, olumsuz olarak sınıflandırmak gibi görünse de kullanım alanlarına göre farklılaşabilmektedir. Örneğin, tüm metne tek bir duygu sınıfının atanmasının yeterli olduğu görevler için genel duygu analizi kullanılırken, metnin içinde birden fazla duygunun bulunduğu durumlarda hedef tabanlı duygu analizine ihtiyaç olabilmektedir. Bu ve benzeri durumların sık yaşanmasının sonucu olarak günümüzde en çok kullanılan duygu analizi türleri şu şekilde belirtilebilir:  

Öznellik/Nesnellik Analizi:   

Bir ifadenin öznel bir yargı barındırıp barındırmadığı duygu analizi için ilk sorulması gereken sorudur. Keza bir duygu tespiti yapabilmek için ifadenin öznel bir yargı barındırıyor olması gerekmektedir. Çünkü duygu anlam itibariyle öznel bir ifade şeklidir. Bir ifadenin var olan bir gerçekten mi bahsettiği, yoksa bir durum/konu/nesne hakkında öznel bir yoruma mı yer verdiğinin incelendiği duygu analizi türüdür. İfadelerin içerdiği duygunun türünden ziyade ifadenin bir duygu içerip içermediği bilgisine odaklanır.  

Genel Duygu Analizi

Bir dokümana / içeriğe tek bir duygunun atanmasını sağlayan duygu analizi çeşididir. Bundan 10 yıl önce çok popüler olan bu yöntem zamanla popülaritesini kaybetmiştir. Çünkü bu yöntem ile yapılan analizler, kullanıcılarında hayal kırıklığını yol açmakta ve verilerin anlamlandırılması esnasında görece problemlere yol açmaktadır. Bir içeriği tek bir duygu sınıfı ile sınıflandırma o içerikte tek bir ifade geçtiği varsayımını güçlü bir şekilde kabul etmek anlamına gelmektedir. Oysa içeriklerin büyük bölümünün birden fazla yargı ifadesi barındırdığı bi gerçektir.

Hedef Tabanlı ( Aspect Based )  Duygu Analizi     

Hedef tabanlı duygu analizi, sınıflandırmayı bir adım daha öteye götürerek belirli özelliklere veya konulara duygu atamasını gerçekleştirir. Yazılı ifadeleri konu/duygu bütünlüğünü dikkate alarak küçük parçalara bölerek verilerden daha ayrıntılı ve doğru bilgi elde edilmesini sağlar.

Kullanıcı odaklı olmak ve kullanıcı deneyimini en üst seviyede sunmak istiyorsanız hedef tabanlı duygu analizi en iyi yardımcınız olacaktır. Çeşitli kanallardan elde ettiğiniz kullanıcı etkileşimlerini anlık analiz ederek, kullanıcılarınızın hangi konudan hangi duygu durumu ile bahsettiğini ve kullanıcı memnuniyetine/memnuniyetsizliğine neyin neden olduğunu öğrenebilirsiniz.

Örneğin: Aracın kısa sürede teslim edilmesinden memnun kaldım ama fren disklerini de unutmasanız iyi olurdu 😊  

Bu cümle içerisinde birden fazla duygu ve konu yer almaktadır. Bu nedenle tüm cümle tek bir ifade olarak ele alınırsa baskın sınıf olarak negatif ya da pozitif seçilebilir ve bilgi kaybı yaşanabilir. İçinde açıkça öznel yargılar barındıran ifadeler taşıyan bu içeriğe nötr demek de büyük hatalara yol açabilecektir. Hedef tabanlı duygu analizi ile bu cümleden aşağıdaki bilgiler elde edilebilir.

1:  Metin: Aracın kısa sürede teslim edilmesinden memnun kaldım   Konu: Teslimat   Duygu: Olumlu   

2:  Metin: ama fren disklerini de unutmasanız iyi olurdu 😊      Konu: Yedek Parça   Duygu: Olumsuz 

Çok Tonlu (Fine-grained) Duygu Analizi:   

Anketlerdeki ve sosyal medyadaki yorumlar da dahil olmak üzere herhangi bir metindeki olumlu, olumsuz, tarafsız kutupları tanımlar. Ayrıca doküman bazında veya hedef tabanlı duyguları da ayıklar. Bunu yapmak için, metindeki farklı cümlelerin yerel polaritesi tanımlanır, aralarındaki ilişki değerlendirilir ve tüm metin için küresel bir polarite değeri ile sonuçlanır. Buna göre bir veriyi olumlu sınıfına atarken daha kuvvetli bir olumlu yorumu “çok olumlu” sınıfına atayabilirsiniz. Böylelikle olumlu yorumları da olumluluk seviyesine göre bölerek en uç örnekleri daha net olarak yakalayabilirsiniz.  

Duygu Belirleme (Emotion Detection)   

Bu tür duygu analizi standart olumlu, olumsuz, nötr sınıflarını değil daha detaylı olarak hissedilen duyguyu araştırır. Mutluluk, hayal kırıklığı, öfke, üzüntü gibi duygu sınıfları kullanır. Duygu belirleme özelliği kullanılan sistemlerde bu duygu sınıfları sayesinde kullanıcının tutumu olumlu veya olumsuz olarak incelenmekle birlikte, ruh hali daha net bir şekilde analiz edilerek uygun aksiyonlar alınabilir.   

Duygu Analizi Hangi Alanlarda Kullanılır ve Kimler İçin Önem Kazanır?  

Duygu analizi kullanıcıya, kullanıcı tanımlı varlıkların ve kavramların polaritesini algılama imkanı sunarak hizmeti her türlü senaryo için esnek bir araç haline getirir. İşlenen metnin öznel mi yoksa nesnel mi olduğunu ve küresel düzeyde ironi izleri içerip içermediğini algılar ve kullanıcıya duygu analizinden elde edilen polaritenin güvenilirliği hakkında ek bilgi verir.    

Doğrudan ve kendiliğinden olmaları nedeniyle gerçek duygu ve görüşlerin en açıklayıcı kaynakları olarak gösterilen yapılandırılmamış bilgi kaynakları olan müşteri sesi, sosyal medya, chatbot ve anket verilerine doğrudan uygulanabilir. Daha güncel örnekler ile incelediğimizde bilimsel araştırmacılar; siyasi partiler, seçim dönemleri PR çalışması ile kamuoyunun algısını takip etmek isteyen ünlülere kadar duygu analizinin fayda sağlayabileceği ekosistem yer almaktadır.

Duygu analizi en çok müşteri sesi (voice of the customer) ve çalışan sesi (voice of the employee) için bir araç olarak kullanıldığında etkilidir. İş analistleri, ürün yöneticileri, müşteri destek ekipleri, insan kaynakları ve işgücü analistleri ve diğer paydaşlar, müşterilerin ve çalışanların belirli konular hakkında nasıl hissettiklerini ve neden bu şekilde hissettiklerini anlamak için duygu analizini kullanırlar.  

Sosyal Medya İzleme   

Sosyal medya çağında, tek bir viral inceleme tüm markayı yakabilir. Artiwise Analytics ile anket yanıtlarından sosyal medya konuşmalarına kadar müşteri geri bildirimlerini otomatik olarak analiz ederek, kullanıcıların bakış açısından en önemli konuların ne olduğuna dair ipuçları alabilir, kullanıcılarınızla empati kurarak, ürün veya  hizmetlerinizi onların ihtiyaçlarını karşılayacak şekilde uyarlayabilirsiniz. 

Çalışan Sesi

Duygu analizi, iş gücü analistlerinin ve İnsan Kaynakları (İK) yöneticilerinin, çalışanların ne tartıştığını ve nasıl hissettiklerini anlayarak çalışan karmaşasını kaynağında kesmesine yardımcı olur. İK ekipleri, çalışan anketlerinin, ekip mesajlarının, e-postaların ve diğer iletişimlerin zengin analizleri yoluyla, acılı noktalara proaktif olarak hitap etmek ve morali artırmak için ihtiyaç duydukları bilgileri elde etmek amacıyla duygu analizini kullanır.  

Müşteri Geri Bildirimi – NPS (Net Promoter Score)

Net Destekçi Puanı (NPS) anketleri, kurumların “Bu şirketi, ürünü ve / veya hizmeti bir arkadaşınıza veya rakiplerinize önerir misiniz” – basit bir soru sorarak geri bildirim alması için kullanılan en sık yöntemdir. Bu tarz anket soruları genellikle puanlama ile tamamlanır. Kurumlar bu puanlar ile müşterileri destekçi (promoter), pasif (netural) veya aleyhte konuşan (detractor) olarak tanımlar. Bu tanım referansları genel müşteri deneyimini tanımlamak ve teorik olarak daha fazla satın alacakları, daha uzun kalacakları veya diğer müşterilerini yönlendirecekleri tam “destekleyici” düzeyine yükseltmenin yollarını bulmayı amaçlar.  

Sayısal anket verileri kolayca toplanır ve değerlendirilir, ancak NPS anketlerindeki bir sonraki soru müşterilere verdikleri puanın gerekçesini sorar. Bu, analizi çok daha zor olan bir dizi açık uçlu yanıtı tetikler. Bununla birlikte, duyarlılık analizi bu metinlerin, müşterilerin neden bu puanları verdikleri hakkında daha fazla bilgi verecek şekilde olumlu ve olumsuz olarak sınıflandırılmasını sağlar.  

Anlık duygu analiz araçları ürün/hizmet memnuniyetinin artmasında temel itici güçlerdir. İş analistleri; tweetleri, incelemeleri ve haber makalelerini ölçekte analiz ederek, müşterilerin markaları, ürünleri ve hizmetleri hakkında ne hissettikleri hakkında yararlı bilgiler edinir. Müşteri destek direktörleri ve sosyal medya yöneticileri, trend olan sorunları viral hale gelmeden önce işaretleyip ele alırken, bu acı noktalarını bilinçli özellik kararları almak için ürün yöneticilerine iletirler.

Duygu Analizinin Zorlukları    

Duygu analizinin temeli büyük veri kümelerinin kullanılmasına dayanır. Duygu analizi sistemini kullanmak ve eyleme geçirebilmek için büyük veri kaynağına ve hacmine sahip olmak gerekir. Sistemi canlı tutmak için yeterli veri sayısı olmadığında veya sistem güncel tutulmadığında modelin hatalı değerlendirme yapması kaçınılmazdır.   

Metin parçasında duygu analizini nesne, öznitelik , görüş sahibi, yönelim ve görüş gücü  unsurları etkiler.  

Örneğin; Telefon, Bilgisayar

Öznitelik: nesnenin belirli bileşenleri ve özelikleri

Bileşen örneği; dokunmatik ekran

Özellik örneği; boyut, işlemci hızı

Görüş sahibi: Duyguyu ifade eden kişi/kuruluş

Bir metinden eksiksiz, doğru ve eyleme geçirilebilir çıktılar alabilmek için bu beş öğenin her birini ayrı ayrı tanımlamakla kalmayıp, aynı zamanda tam bağlamı ve hissi sağlamak için birlikte nasıl çalıştıklarını da anlamak önemlidir.   

Anahtar kelime işleme yalnızca belirli bir kelimeye yansıyan hissi tanımladığından, genellikle tüm parçanın tüm içeriğini anlamak için gerekli tüm öğeleri sağlamada başarısız olur.    

Dilin doğal karmaşıklığı, algoritmaların ton ve bağlamı doğru bir şekilde analiz etmesini zorlaştırdığından dolayı NLP, makine öğrenmesi ve veri madenciliği tekniklerini kullanır. Bu algoritmaları sınırlayan faktörler arasında dilbilgisel nüanslar, yanlış yazımlar, belirsizlik ve dilde bölgesel veya kültürel farklılıklar bulunur. Bazı cümlelerde “ima” yoluyla doğrudan olmayan ve kapalı ifadeler bulunabilir. Örneğin, Harika kelimesini her içeren içeriği pozitife olarak işaretlersek, ironik bir şekilde kullanıldığı cümlelerde hata almış oluruz.  

Metin parçası veya cümleniniki çelişkili kelimeden (hem olumlu hem de olumsuz) oluşması, metin içinde bilgi verecek varlıkların tanınmasının zorlukları, zamir çözümlemesinin doğru yapılamaması ve sarkastik yorumlar duygu analizi yapılırken karşılaşılan zorlukların başında gelmektedir.  

Artiwise Analytics Duygu Analizini Nasıl İşliyor?     

Makine öğrenmesi / Derin öğrenme teknolojileri ve güçlü doğal dil işleme algoritmaları ile Artiwise Analytics kullanıcı verilerini gelişmiş duygu tespitiyle anlık olarak üçlü sınıflandırma yöntemi ile kategorize eder. Olumlu, olumsuz veya nötr olarak sınıflandırılan veriler rapor ekranında çeşitli veri grafikleri ile uçtan uca müşteri deneyimini oluşturmanızı ve anlamlandırmanızı kolaylaştırır.    

Artiwise Analytics, birçok analizde insan analizini tamamlayabilen yüksek hacimli verileri minimum gecikme, yüksek doğruluk, tutarlılık ve düşük maliyetle işleme yeteneği sağlar. Anlık olarak kategorize edilen bilgiler işinizde çeşitli katkılar sunarak yapılması gereken iyileştirmeleri tespit etmek için kullanılabilir:   

Karar Verin

Yüksek veya düşük duyarlılık puanları, ekipleri yeniden yapılandırmanın veya yeni yaratıcı stratejiler geliştirmenin yollarını belirlemenize yardımcı olur.  

Rekabet Avantajınızı Gözetin   

Rakiplerinizle ilgili tüketici duygularını bilmenin stratejik faydaları vardır. Duygu analizi, müşteri trendlerini tahmin etmeye yardımcı olabilir, bu nedenle sektörünüzdeki işletmelerin nabzını tutmak, puanlarınızı karşılaştırmak için bir kontrol grubu sağlar.

Ürün Yaşam Döngünüzü Yönetin

Duygu analizinden elde edilen veriler, ürününüzün pazarda ne kadar iyi olduğunu, bu performansın nasıl geliştirilebileceğini veya hangi alanlara yatırım yapmanın avantajlı olabileceğini ortaya koymaktadır.    

Müşteri Deneyimini Geliştirin  

Tüketici duyarlılığını anlamak, kullanıcıların tanımladığı sorunları düzeltmek ve iyi olduğunuz alanların arkasına daha fazla kaynak koymak için doğrudan bir fırsat sağlar.  

Anlık Bildirimler Alın     

Markanız hakkında olumsuz yorumlara krize dönüşmeden önce erişin ve çözüm sağlayın.  Çevrimiçi dünyada kullanıcılarınız markanızla ilgili daha çok konuşurlar, detaylı bilgi edinin.    

Kullanıcılarınızla Özdeşleşin

Kullanıcılarınızın ürün veya servinizle ilgili nasıl hissettiğini öğreninin. Müşteri deneyimini zirveye taşıyın!

Artiwise Analytics en güncel makine öğrenmesi algoritmaları ile yaratılmıştır. Veri seti içerisinde yer alan ilgili kelime gruplarını alarak veriyi satırlar içinde daraltır ve varlık tanıma tekniğini kullanarak metindeki duygu kutuplarını ölçer. Bu sayede Türkçe, İngilizce, Arapça, Almanca, Fransızca ve İspanyolca olmak üzere 6 farklı dilde duygu analizini kullanabilirsiniz.  

Artiwise Analytics makine öğrenimi ile duygu analizini denemek için demo talebinizi bizimle buradan paylaşabilirsiniz.

Comments are closed.