Görüntüleme
24
İndirme
4
Müşteri memnuniyetinin bir göstergesi olan müşteri yorumları işletmeler açısından önemli bir veri kaynağı oluşturuken, aynı zamanda, işletmelerin ürün veya hizmetlerinde iyileştirme ve hataları düzeltebilmeleri açısından önem kazanmaktadır. Bunun yanında, farklı sorunlara yönelik müşteri yorum sayısı arttıkça çözüm önerileri geliştirme açısından bu büyüklükteki veri ile baş edebilmek zorlaşmaktadır. Bu çalışmada, Türkiye'nin önde gelen üç tüketici elektroniği perakende firmasına yapılan müşteri şikayetleri, çevrimiçi şikâyet platformlarından sikayetvar.com sitesinden alınmış, şikayetlerin otomatik kategorilere ayrılması ve analizi yapılmıştır. Çalışmada, İade/Değişim ve Geri Ödeme, Teslimat/Kargo, Müşteri İlişkileri ve Hizmetleri ve Garanti ve Servis olmaz üzere dört kategori belirlenerek, denetimli makine öğrenmesi algoritmalarından Lojistik Regresyon, Doğrusal Destek Vektör Makineleri ve Olasılıksal Dereceli Azalma kullanılarak eğitim ve test süreci gerçekleştirilmiştir. En başarılı sonuç %80 doğruluk ile Lojistik Regresyon ile sağlanmıştır. Bu sonuca göre etiketlenmemiş müşteri şikayetleri Lojistik Regresyon ile tahminlenip elde edilen bulgular yorumlanmış, işletmeler açısından büyük miktardaki şikâyet verisinin tahminlenerek kategorilere ayrılmasının önemi irdelenmiştir.
Customer reviews, which are an indicator of customer satisfaction, gain importance in creating an important data source for
Customer comments, an important indicator of customer satisfaction, are a valuable data source for businesses and a significant tool for improving and correcting product or service errors. In addition, increasing number of customer comments for different problems complicates developing solutions with such a large amount of data. In this study, customer complaints submitted to three leading consumer electronics retail companies in Turkey were collected from the online complaint platform, sikayetvar.com, and automatic categorization and analysis of the complaints were conducted. In the study, four categories were determined as Return/Exchange and Refund, Delivery/Shipping, Customer Relations and Services, and Warranty and Repairs, and the training and testing process was carried out using supervised machine learning algorithms, i.e., Logistic Regression, Linear Support Vector Machines and Stochastic Gradient Descent. The most successful result was obtained via Logistic Regression with 80% accuracy. According to this result, unlabeled customer complaints were estimated by Logistic Regression, and the findings were interpreted. Subsequently, the importance of estimation and categorization of a large amount of complaint data for businesses was examined.
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
