Announcing Our GPT Integration: Transform Customer Reviews into Powerful Marketing

Makine Öğrenimi ile Duygu Analizi

Jun 12, 2020 - 6 min read
Makine Öğrenimi ile Duygu Analizi

Sentiment analizi, yani insanlar─▒n bir ürün, hizmet, bir marka ya da herhangi bir konuya dair hislerinin olumlu mu yoksa olumsuz mu oldu─čunu anlamak, özellikle mü┼čteri memnuniyeti ve pazarlama departmanlar─▒ için hayatî önem ta┼č─▒yor. Zira bir ürün ya da hizmetin mü┼čteri kitlesinin geni┼čleyebilmesi, mü┼čterilerin memnuniyet seviyeleriyle do─čru orant─▒l─▒. Tüketiciler ancak bir ürün ya da hizmetten memnun kald─▒klar─▒nda sad─▒k mü┼čterilere dönü┼čebilirler.

Ne var ki bir ürün ya da hizmetin insanlar taraf─▒ndan nas─▒l kar┼č─▒land─▒─č─▒na dair sa─čl─▒kl─▒ sonuçlar ç─▒karabilmek için gereken verinin büyüklü─čü, bu analizi insan gücüyle manuel olarak yapmay─▒ neredeyse imkâns─▒z hale getiriyor.

Gelin makine ö─čreniminin bu sorunu nas─▒l çözdü─čüne ve sentimentleri anlamam─▒zda nas─▒l kullan─▒ld─▒─č─▒na yak─▒ndan bakal─▒m.

Sentiment analizi nedir?

Sentiment kelimesini Türkçede en iyi kar┼č─▒layan iki kelime duygu ve kan─▒. Duygu analizi mutluluk, üzüntü, hayal k─▒r─▒kl─▒─č─▒, öfke gibi hisleri tespit etmeyi amaçlayabilece─či gibi, bir metnin olumlu mu olumsuz mu görü┼č ifade etti─čini, yani sentimentini anlamay─▒ da amaçlayabilir. Sentiment analizini ise en basit biçimde, “─░nsanlar─▒n bir ürün, hizmet veya herhangi bir konuya dair sahip olduklar─▒ duygu ve kan─▒n─▒n ne oldu─čunu çe┼čitli yöntemlerle anlamaya çal─▒┼čmak” olarak nitelendirebiliriz.

Daha teknik tan─▒m─▒yla ise sentiment analizi, hisleri ve subjektif kan─▒lar─▒ sistematik bir ┼čekilde tan─▒mlamak, toplamak, ölçmek ve incelemek için do─čal dil i┼čleme, metin analizi, bilgisayarl─▒ dilbilim ve biyometri kullan─▒m─▒n─▒ ifade ediyor.

Sentiment analizi kimler için ve neden önemli?

Sentiment analizinin geni┼č kullan─▒m alanlar─▒ aras─▒nda hedef kitlenin mü┼čteri memnuniyet anketleri gibi anketlere verdikleri yan─▒tlar ve dijitaldeki yorum ve konu┼čmalar─▒yla; ┼čikayet yönetimi, kriz yönetimi, mü┼čteri hizmetleri ve itibar yönetimi gibi süreçler yer al─▒yor.

Bir ba┼čka deyi┼čle, firmalar─▒n pazarlama ve mü┼čteri hizmetleri departmanlar─▒ndan, bilimsel ara┼čt─▒rmalar yürüten ki┼čilere; siyasi partilerden, kamuoyunda nas─▒l alg─▒land─▒─č─▒n─▒ ö─črenip buna yönelik PR çal─▒┼čmas─▒ yapmak isteyen ünlülere kadar, sentiment analizinden fayda sa─člayabilecek aktörler çok geni┼č bir yelpazeye yay─▒lm─▒┼č durumda.

Sentiment analiziyle elde edilen içgörüleri yorumlayan firmalar, yürüttükleri bir kampanyan─▒n amac─▒na ula┼č─▒p ula┼čmad─▒─č─▒n─▒, piyasaya yeni sürdükleri ürünün be─čenilip be─čenilmedi─čini ya da mü┼čteri ili┼čkileri departmanlar─▒n─▒n etkili çal─▒┼č─▒p çal─▒┼čmad─▒─č─▒n─▒ anlayabiliyor. Benzer ┼čekilde, siyasi partiler de söylemlerinin halk taraf─▒ndan nas─▒l kar┼č─▒land─▒─č─▒n─▒ görebilmek için düzenli olarak sentiment analizi yapt─▒r─▒yorlar.

Ne var ki sentiment analizinden sa─čl─▒kl─▒ sonuçlar elde etmek için yüksek hacimli veriye ihtiyaç duyuluyor. On binlerce sat─▒rl─▒k verinin insan gücüyle s─▒n─▒fland─▒r─▒lmas─▒ysa imkâns─▒za yak─▒n. Bunun mümkün oldu─ču durumlarda dahi bu s─▒n─▒fland─▒rmaya ciddi bir zaman ve i┼č gücü ay─▒rmak gerekiyor.

Makine ö─črenimi sentiment analizini nas─▒l kolayla┼čt─▒r─▒yor?

Bilgisayar i┼člemcilerinin yüksek kapasitesinden ve ak─▒ll─▒ algoritmalar üzerine kurulu yapay zekan─▒n gücünden faydalanan makine ö─črenimi, sentiment analizini çok daha pratik, verimli ve etkili bir ┼čekilde yapmam─▒za imkân tan─▒yor.

Her ┼čeyden önce, makine ö─črenimi teknolojisini kulland─▒─č─▒m─▒zda zaman ve i┼č gücünden çok ciddi tasarruf etmi┼č oluyoruz. Örne─čin, firmam─▒z─▒n son kampanyas─▒n─▒n hedef kitlemiz taraf─▒ndan nas─▒l kar┼č─▒land─▒─č─▒n─▒ anlayabilmek için yapt─▒─č─▒m─▒z ara┼čt─▒rma sonunda elimizde 20.000 sat─▒r veri oldu─čunu farz edelim. Bu verileri sat─▒r sat─▒r inceleyip her bir içerik için pozitif-negatif gibi bir sentiment s─▒n─▒fland─▒rmas─▒ yapmak en iyimser tahminle günler sürecektir. Oysa makine ö─črenimi sayesinde bu hacimdeki bir veriyi yar─▒m saatten k─▒sa bir sürede i┼člemek mümkün.

Öte yandan, verileri tek tek i┼čaretlemek yerine, Excel dosyas─▒nda anahtar kelime (keyword) bazl─▒ arama yaparak süreci biraz daha otomatik hale getirmek istedi─čimizi farz edelim. “En az─▒ndan baz─▒ kelimeleri içeren verileri bu ┼čekilde s─▒n─▒fland─▒r─▒rsak yükümüzü azaltm─▒┼č oluruz” diye dü┼čünebiliriz. Ne var ki özellikle konu sentiment analizi oldu─čunda, dilimizin birçok özelli─či bu süreci zorla┼čt─▒r─▒yor. Örne─čin “Bravo” kelimesini içeren her veriyi “pozitif” olarak i┼čaretlersek, bu kelimenin alayc─▒ bir ┼čekilde kullan─▒ld─▒─č─▒ durumlarda, asl─▒nda kampanyam─▒z─▒ ele┼čtiren verilerde hata yapm─▒┼č oluruz.

Bu noktada makine ö─črenimi teknolojisini kullanan ürünlerden faydalanmak en do─čru seçenek. Zira Kimola’n─▒n Cognitive ürününde oldu─ču gibi makine ö─črenimiyle çal─▒┼čan sistemler, toplam veriye k─▒yasland─▒─č─▒nda çok küçük oranda bir verinin i┼členmesinin ard─▒ndan, bu i┼čaretlemeleri inceleyip ö─črenerek, kalan yüksek hacimli veriyi otomatik olarak s─▒n─▒fland─▒rabiliyor. Üstelik Kimola Cognitive’in Sentiment Modeli gibi, daha önce binlerce verinin i┼členerek sisteme halihaz─▒rda ö─čretildi─či modeller, kullan─▒c─▒n─▒n hiç veri i┼čaretlemesi yapmadan da pratik ve etkili bir analize ula┼čmas─▒n─▒ sa─čl─▒yor.

Öte yandan, makine ö─črenimi teknolojisini kullanmak, “Bravo” örne─činde oldu─ču gibi sadece anahtar kelime bazl─▒ aramalarla elde edilecek sonuçlardan daha yüksek do─čruluk oran─▒ sa─čl─▒yor. Zira sistemin ak─▒ll─▒ algoritmalar─▒, “Bravo” kelimesinin kimi zaman “pozitif” kimi zaman “negatif” i┼čaretlenen verilerde yer ald─▒─č─▒n─▒ gördü─čünde, bu s─▒n─▒fland─▒rmay─▒ yapmak için birlikte kullan─▒ld─▒─č─▒ kelimeler, cümle içindeki yeri, noktalama i┼čaretleri gibi birçok faktörü de göz önüne al─▒p daha do─čru s─▒n─▒fland─▒rma yapabiliyor.

Kimola ekibinin makine ö─črenimi ile pozitif ve negatif i┼čaretleme için kulland─▒─č─▒ makine ö─črenimi modelini buraya t─▒klayarak inceleyebilir ve deneyimleyebilirsiniz. 

Kimola Cognitive’in Sentiment Modeli nas─▒l kullan─▒l─▒r?

Kimola Cognitive’in Sentiment Modeli, Kimola taraf─▒ndan yüksek hacimli verinin önceden girildi─či, “pozitif” ve “negatif” olarak i┼čaretlendi─či ve düzenli olarak güncellenerek do─čruluk oran─▒n─▒n sürekli artmas─▒n─▒n sa─čland─▒─č─▒ bir model. Bu modeli kullanmak için ┼ču a┼čamalar─▒ takip etmek yeterli:

1. Ad─▒m: Veri Toplama

Sentiment analizinden sa─čl─▒kl─▒ sonuçlar alabilmek için mümkün oldu─čunca geni┼č hacimli bilgiye ihtiyaç var. Bunun için, sisteme çe┼čitli yöntemlerle tan─▒mlayabilece─činiz hedef kitle do─črultusunda, binlerce gerçek ve aktif kullan─▒c─▒n─▒n sosyal medya payla┼č─▒mlar─▒n─▒ toplayan ve kitlenizle ilgili yüksek hacimli ve detayl─▒ veriler sunan Kimola’n─▒n Analytics ürününde bir konu┼čma kitlesi yaratmay─▒ deneyebilirsiniz. Analytics’in demografik yap─▒dan ilgi alanlar─▒na, haber almak için en çok kullan─▒lan kaynaklardan geri dönü┼čler için en s─▒k ba┼čvurulan mecralara kadar geni┼č bir yelpazede veri sunabilmesi de özellikle içgörü ç─▒karma ad─▒m─▒nda derinlemesine analizler yapmaya imkân tan─▒yor.

2. Ad─▒m: Sentiment Modeli’ni Seçerek Verileri Sisteme Yükleme

Bu ad─▒mda Kimola Analytics’in sa─člad─▒─č─▒ ya da ba┼čka yöntemlerle elde etti─činiz veri setinizi Kimola Cognitive’e yüklemeniz gerekiyor. Tamamen web-tabanl─▒ olarak çal─▒┼čan ve hiçbir teknik bilgi gerektirmeyen Kimola Cognitive’in arayüzü, verilerinizi sürükle-b─▒rak gibi pratik bir yöntemle sisteme yükleyebilece─činiz kadar kolay.

Sentiment Modeli’ni kullanmak için verilerinizi sisteme yüklerken yeni bir model yaratma seçene─čini de─čil bu modeli seçmeniz gerekiyor. Kimola taraf─▒ndan daha önce yüksek hacimli veri i┼čaretlenerek, sistemin sentimentleri nas─▒l analiz etmesi gerekti─či ö─čretilmi┼č durumda. Bu model sayesinde sentiment analizi yapmak istedi─činiz veride sizin bir i┼čaretleme yap─▒p sisteme sentimentleri nas─▒l analiz etmesi gerekti─čini ö─čretmenize gerek kalm─▒yor. Önceden haz─▒rlanm─▒┼č Sentiment Modeli’ni seçip veri setinizi yükledi─činizde, Kimola Cognitive Excel dosyas─▒nda “Sentiment” için yeni bir sütun olu┼čturuyor ve her bir sat─▒r─▒n içeri─čini analiz ederek yan─▒na “pozitif” ya da “negatif” ┼čeklinde bir de─čer at─▒yor. Böylece tüm verinizi h─▒zl─▒ ve pratik bir ┼čekilde s─▒n─▒fland─▒rabiliyorsunuz.

3. Ad─▒m: Elde Edilen Sonuçlardan ─░çgörüler Ç─▒karma

Pozitif ve negatif ┼čeklinde s─▒n─▒fland─▒r─▒lm─▒┼č veriyi bilgisayar─▒n─▒za indirdikten sonra s─▒ra bu veriyi anlamland─▒rmaya geliyor. Pozitif veya negatif sonuç veren verileri inceleyerek, insanlar─▒n ürün ya da hizmetinize dair hangi konulardan memnuniyet duydu─čunu, hangi konularda ise olumsuz duygu ve kan─▒ya sahip oldu─čunu görebiliyorsunuz. Be─čeni ya da ┼čikayet konusu olan noktalar─▒n hangi departmanlar─▒n sorumlulu─čuna girdi─čini tespit ederek, yapman─▒z gereken iyile┼čtirmelere yönelik içgörüler de ç─▒karabiliyorsunuz. Ayn─▒ ┼čekilde ürün ya da hizmetinizin hangi özelliklerinin mü┼čteriler taraf─▒ndan memnuniyetle kar┼č─▒land─▒─č─▒n─▒, hangilerininse istedi─činiz duyguyu yaratmad─▒─č─▒n─▒ da fark edip buna yönelik geli┼čtirmeler yapabiliyorsunuz.

Kimola Cognitive’in Sentiment Modeli’ni Ücretsiz Deneyin

Makine ö─črenimi teknolojisini kullanarak yüksek hacimli verilerinizi k─▒sa sürede ve yüksek do─čruluk oran─▒yla s─▒n─▒fland─▒rman─▒z─▒ sa─člayan Kimola Cognitive, Sentiment Modeli ile de verilerinizin pozitif mi yoksa negatif mi sentimentler içerdi─čini kolayca tespit edebiliyor.

Kimola Cognitive’i ve Sentiment Modeli’ni ücretsiz denemek için buradan üye olabilirsiniz. Ayr─▒ca Kimola Cognitive’e dair daha fazla bilgi almak isterseniz, sormak istediklerinizi buradan bize iletebilir ya da Calendly üzerinden bir görü┼čme randevusu talep edebilirsiniz.

Subscribe to Our Newsletter!

We gather global consumer research news and share them with 3000+ marketing and research professionals worldwide.

Latest