Müşteri geri bildirimlerini doğru şekilde analiz etmek ve kullanmak markaların başarısı için kritik bir öneme sahiptir çünkü bu veri odaklı yaklaşım, müşteri memnuniyetinin artmasına, etkili ürün ve hizmetlerin geliştirilmesine ve markaların rekabet avantajını elinde tutmasına yardımcı olur.
Duygu Analizi, birçok kanaldan gelen müşteri geri bildirimlerini tek bir kanalda toplamak ve müşteri yolculuğunu analiz etmek için ölçeklenebilir, uygun maliyetli bir çözüm olarak karşımıza çıkıyor.
Bu yazımızda Duygu Analizi (Sentiment Analysis) ile ilgili tüm detaylara değinip, duygu analizi örnekleri ve yöntemlerini keşfedeceğiz.
Duygu Analizi Nedir?
Duygu analizi bir ifadenin nasıl bir his içerdiğini metin analizi (text analysis) aracılığıyla belirleme sürecidir. Genellikle ifadeler olumlu, olumsuz veya nötr olmak üzere üç grup üzerinden incelenir.
Duygu analizi, müşterilerin belli bir ürün, hizmet ya da marka ile ilgili algılarını anlamak için yazılı ya da sözlü müşteri geri bildirimlerinin analiz edilmesidir.
Duygu Analizi Yöntemleri Nelerdir?
Duygu analizi araçları, çeşitli içerik türlerindeki öznel ifadeleri belirlemek, cümle veya cümle içindeki varlıklara, konulara, temalara ve kategorilere ağırlıklı duygu puanları atamak amacıyla doğal dil işleme (NLP) ve makine öğrenmesi tekniklerini birleştirir.
Bir yorumun/düşüncenin hangi tip duygu barındırdığını tespit edebilmek için farklı duygu analizi yöntemleri kullanılmaktadır.
Manuel Duygu Analizi
Bağlam, belirsizlik, ironi gibi karmaşık yapılar içeren metin ya da seslerin analizinde manuel duygu analizi teknikleri kullanılabilir. Çünkü dil yaşayan bir varlıktır ve içinde toplumun ortak hafızasında yer etmiş birçok varlık ve olay barındırmaktadır.
Bilgisayar tarafından yapılan analizlerin yetersiz bulunduğu görevlerde insan işaretleyicilerin operasyonu ile bu analizler gerçekleştirilebilir. Ancak bu tip analizleri yürütmek hem çok daha çok zaman ve maliyet gerektirir.
Anahtar Kelime İşleme
Anahtar kelime işleme, 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.
İfadelerin duygu ağırlıkları vermek için de farklı yöntemler kullanılmaktadır. Kelime veri kümelerine insan uzmanlar tarafından puanları atamak bu yöntemlerden biridir. Ancak bu çok subjektif yargılar ile puanlanabileceği için çok hatalı sonuçlara yol açabilecektir.
Diğer bir yöntem ise veri kümesi içinde ifadelerin ağırlıklarının 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.
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 özelliklerinden 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.
Duygu Analizi Neden Önemlidir?
Bir çok marka kullanıcı geri bildirimleri ile ürün ya da hizmetlerini geliştirmek için olumsuz yorumları önceliklendirerek sorunları çözmeye odaklanır. Aslında, müşterinin yolculuğunu ve sesini bütüncül bir şekilde ele almak ve veri odaklı stratejik kararlar vermek için hem olumlu hem de olumsuz yorumların göz önünde bulundurulması gerekir.
Buna ek olarak, müşteri geri bildirimlerinin hızlı ve doğru bir şekilde sınıflandırılması tüm bu çalışmaların ön koşuludur. Duygu analizi müşteri geri bildirimi yönetimini kolaylaştırmakla kalmaz, aynı zamanda daha uzun vadeli analizlere de katkılar ve müşteri hizmetleri operasyonlarının iyileştirilmesine olanak tanır.
Kullanıcıların memnuniyet veya şikayetlerinin hangi konular üzerinde yoğunlaştığı, daha önce olumsuz olarak bahsedilen bazı konularda yapılan iyileştirmelerin üzerine geri bildirimlerde ne oranda düzelme olduğu ve düzelme oranlarına göre hangi konularda iyileştirmeler yapılmasının daha verimli olacağı duygu analizinin katkısı sayesinde görülebilir.
Duygu Analizi Kullanım Alanları
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. Bu nedenle duygu analizi kullanım alanları oldukça geniştir.
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 şube müdürleri ve diğer paydaşların, müşterilerin ve çalışanların belirli konular hakkında nasıl hissettiklerini ve neden bu şekilde hissettiklerini anlamak için duygu analizini kullanırlar.
Müşterinin Sesi (Voice of the Customers)
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.
Örneğin, Artiwise ile açık uçlu anket yanıtlarından sosyal medya konuşmalarına kadar müşteri geri bildirimlerini otomatik olarak analiz ederek, müşteriler için en önemli konuları öğrenebilir, ürün veya hizmetlerinizi, müşteri ihtiyaçlarını karşılayacak şekilde güncelleyebilirsiniz.
Buna ek olarak chatbot konuşma analizi sayesinde müşterilerinizin yaptığı bir yorumun hangi konu ve alt konular ile ilgili olduğunu öğrenebilirsiniz.
Ürününüz veya servisiniz ile ilgili çok sayıda kullanıcı geri bildirimini Artiwise duygu analizi modülünü kullanarak analiz ettiğinizde müşterilerinizin memnuniyet seviyesi ile ilgili anlık bilgi edinirsiniz.
Bu da diğer konular veya aynı konunun geçmiş oranları ile kıyaslama yapabilmenizi ve müşteri memnuniyetini iyileştirmek için yapay zeka destekli içgörülerden faydalanmanızı sağlar.
Sosyal Medya İzleme (Social Media Monitoring)
Sosyal medya çağında, tek bir viral inceleme tüm markayı yakabilir. Artiwise 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 (Voice of Employee)
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 Tavsiye Skoru – NPS (Net Promoter Score)
Net Destekçi Puanı (NPS) anketleri, kurumların “Bu şirketi, ürünü ve / veya hizmeti bir arkadaşınıza veya rakiplerinize önerir misiniz?” gibi basit bir soru sorarak geri bildirim toplamasını sağlar. Bu tarz anket soruları genellikle puanlama sistemi içerir ve müşterileri destekçi (promoter), pasif (netural) veya aleyhte konuşan (detractor) olarak kategorize eder.
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.
Duygu Analizi Çeşitleri
Duygu analizi, dışarıdan bakıldığında sadece bir metni olumlu, olumsuz ya da nötr olarak sınıflandırmak gibi görünse de kullanım alanlarına göre farklı olabilmektedir.
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
Genel Duygu Analizi
Bir dokümana / içeriğe tek bir duygunun atanmasını sağlayan duygu analizi çeşididir. Bu yöntem ile yapılan analizler, müşterinin sesini bütünsel bir şekilde anlamak için yetersizdir ve verilerin bir bölümünün göz ardı edilmesine neden olabilir.
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.
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.
Öznellik/nesnellik analizi, 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.
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 müşteri geri bildirimlerini ve etkileşimlerini anlık analiz ederek, kullanıcılarınızın hangi konudan hangi duygu durumu ile bahsettiğini ve müşteri memnuniyetine/memnuniyetsizliğine neyin neden olduğunu öğrenebilirsiniz.
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) Analizi
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 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.
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. Bu da duygu analizinin zorluklarından biridir.
Dilin doğal karmaşıklığı, algoritmaların ton ve bağlamı doğru bir şekilde analiz etmesini zorlaştırdığından dolayı natural language processing (NLP), makine öğrenmesi, veri madenciliği ve fikir 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 cümlenin iki 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 ile Duygu Analizi Yapın!
Artiwise, müşteri verilerini makine öğrenimi/derin öğrenme teknolojileri ve güçlü doğal dil işleme algoritmaları ile işleyerek gelişmiş duygu tespiti sağlar. Anlık olarak üçlü sınıflandırma yöntemiyle (olumlu, olumsuz veya nötr) kategorize edilen veriler, rapor ekranında çeşitli veri grafikleriyle sunularak müşteri deneyimi ölçümü sürecini kolaylaştırır.
Artiwise, yüksek hacimli verileri hızlı, doğru, tutarlı ve ekonomik bir şekilde işleyebilir. Anlık olarak kategorize edilen müşteri geri bildirimleri ile müşterinin sesine yönelik bütünsel bir bakış açısı elde edebilir, yapay zeka destekli analizlerden yararlanabilir ve daha etkili stratejik kararlar alabilirsiniz.
Artiwise’ın sunduğu diğer faydalar şu şekilde sıralanabilir;
- Rekabet Avantajı: Duygu analizi, müşteri trendlerini tahmin etmeye yardımcı olur ve sektördeki performansınızı değerlendirmenize olanak tanır.
- Etkili ürün Yönetimi: Duygu analizinden elde edilen veriler, ürününüzün performansını anlamanıza ve geliştirmenize yardımcı olur.
- İyileştirilmiş Müşteri Deneyimi: Tüketici duyarlılığını anlamak, sorunları çözmek ve güçlü yönleri vurgulamak için önemli bir fırsat sunar.
- Anlık Bildirimler: Olumsuz yorumlara hızlı bir şekilde yanıt vererek krizleri önleyebilir ve markanızın itibarını koruyabilirsiniz.
Etkili, kişiselleştirilebilir ve hızlı bir Müşterinin Sesi (VoC) çözümü olan Artiwise ile duygu analizinin nimetlerinden yararlanmak ve müşteri deneyimi operasyonlarınızı iyileştirmek için bizimle iletişime geçin.