Investigation of Cargo Companies' Service Quality Using Text Mining

Öz

Physical interaction with customers in e-commerce occurs only during cargo delivery, which is the final stage of the logistics process. As a result, poor cargo service quality is reflected in client satisfaction, and negative experiences are expressed as complaints on online platforms such as social media, e-commerce sites, and consumer blogs. In this context, monitoring negative comments published on the platform by consumers has become critical for supply chain stakeholders looking to enhance their own business processes and raise their competitiveness. A total of 81567 customer complaints filed to the four shipping businesses with the most extensive service network in Turkey were obtained using the Python programming language from the website www.sikayetvar.com. With subject modeling, one of the text data analysis methodologies, these remarks are categorized under the parameters of service quality. The unattended classification approach of Latent Dirichlet Allocation (LDA) analysis was utilized to classify comments into service quality characteristics. The purpose of this study is to first identify the word groups that make up the service quality dimensions in the cargo sector, and then to identify the service dimensions with which consumers frequently have issues. In total sixteen different complaint topics observed and collected under service quality dimensions.

Anahtar Kelimeler

• Text Mining
• Service Marketing
• Latent Dirichlet Allocation

Kargo Firmalarının Hizmet Kalitesinin Metin Madenciliği İle İncelenmesi

Öz

E-ticarette müşteri ile fiziksel temas sadece lojistik sürecin son aşaması olan kargonun teslimi adımında yaşanmaktadır. Bu nedenle kargo hizmet kalitesinde yaşanan sorunlar tüketici müşteri memnuniyetine yansımakta ve kötü deneyimler sosyal medya, e-ticaret siteleri ve tüketici blogları gibi çevrimiçi platformlara şikâyet olarak yansımaktadır. Bu çerçevede, tüketicilerin söz konusu platformda bıraktıkları negatif yorumların analiz edilmesi tedarik zinciri içerisindeki paydaşlar için kendi iş süreçlerinin geliştirilmesi ve rekabet güçlerinin artırılması adına önemli hale gelmiştir. Araştırmada Türkiye’de en yaygın hizmet ağına sahip dört kargo firmasına yapılan toplam 81.657 sayıdaki müşteri şikayeti www.şikayetvar.com adresinden Python programlama dili kullanılarak indirilmiştir. Bu yorumlar, metin veri analizi yöntemlerinden biri olan konu modelleme ile hizmet kalitesi boyutları altında sınıflandırılmıştır. Yorumların hizmet kalitesi boyutları altında sınıflandırılmasında, gözetimsiz sınıflama yöntemlerinden biri olan Gizli Dirichlet Ayrım (LDA) analizi kullanılmıştır. Çalışmanın amacı öncelikle, kargo sektöründe hizmet kalitesi boyutlarını oluşturan kelime gruplarının ortaya çıkartılması, sonrasında ise müşterilerin kargo hizmetinde sıkça sorun yaşadıkları hizmet boyutlarının açığa çıkartılmasıdır. Yapılan analizde 16 şikayet konusu ortaya çıkartılmış ve en yüksek şikayetin tüm firmalar için güvenilirlik hizmet kalitesi boyutundan geldiği saptanmıştır.

Anahtar Kelimeler

• Metin Madenciliği
• Hizmet Pazarlaması
• Gizli Dirichlet Ayrımı

Kaynakça

1. Akın, A. A. ve Akın, M. D. (2007). Türk dilleri için açık kaynaklı doğal dil işleme kütüphanesi: ZEMBEREK. Elektrik Mühendisliği, 431, 38-44. Erişim adresi: https://www.emo.org.tr/ekler/c7a625d5077d3ba_ek.pdf?dergi=4
2. Ala, T. ve Uğuz, S. (2021). Türkiye’de bölgesel kalkınmanın girişimcilik, inovasyon ve Ar-Ge çalışmalarıyla ilişkisinin bibliyometrik analizi ve LDA Mallet uygulaması [Bölge Bilimi ve Planlama Kongresi Özel Sayısı]. Erzincan Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 14(20), 13-29. doi: 10.46790/erzisosbil.968808
3. Atılgan, K. Ö. ve Yoğurtcu, H. (2021). Kargo firması müşterilerinin Twitter gönderilerinin duygu analizi. Çağ Üniversitesi Sosyal Bilimler Dergisi, 18(1), 31-39. Erişim adresi: https://dergipark.org.tr/tr/pub/cagsbd/issue/63182/959747
4. Aytuğ, O., Yalçın, A. ve Erdem, A. (2020). Üniversite bilgi yönetim sistemi servis destek taleplerinin konu modelleme tabanlı analizi. Avrupa Bilim ve Teknoloji Dergisi, (Ejosat Özel Sayı 2020), 389-397. doi: 10.31590/ejosat.780642
5. Barde, B. V. ve Bainwad, M. A. (2017). An overview of topic modeling methods and tools. International Conference on Intelligent Computing and Control Systems Konferansında Sunulan Bildiri, Maduri, Hindistan. Erişim adresi: https://ieeexplore.ieee.org/document/8250563/citations?tabFilter=papers#citations
6. Bastani, K., Namavari, H. ve Shaffer, J. (2019). Latent Dirichlet allocation (LDA) for topic modeling of the CFPB consumer complaints. Expert Systems with Applications, 127, 256-271. doi: https://doi.org/10.1016/j.eswa.2019.03.001
7. Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77-84. doi:10.1145/2133806.2133826
8. Blei, D. M., Ng, A. Y. ve Jordan, M. I. (2003). Latent dirichlet allocation. Journal of Machine Learning Research, 3, 993-1022. Erişim adresi: https://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf?ref=https://githubhelp.com

9. Blei, D. M. ve Mcauliffe, J. D. (2007). Supervised topic models. J. Platt ve diğerleri (Ed.) Neural Information Processing Systems: Proceedings of Advances in Neural Information Processing Systems 20 (s. 121-128) içinde. Vancouver, Canada. doi: 10.48550/arXiv.1003.0783
10. Buenano-Fernandez, D., Gonzalez, M., Gil, D. ve Luján-Mora, S. (2020). Text mining of open-ended questions in self-assessment of university teachers: An LDA topic modeling approach. IEEE Access, 8, 35318-35330. doi: 10.1109/ACCESS.2020.2974983
11. Burucuoğlu, M. ve Yazar, E. E. (2020). Üçüncü parti platformda kargo firmalarına yapılan müşteri şikayetlerinin içerik analizi. Ekonomik ve Sosyal Araştırmalar Dergisi, 16(1), 99-114. Erişim adresi: https://dergipark.org.tr/tr/pub/esad/issue/54125/645430
12. Büyükkeklik, A., Özoğlu, B. ve Bülbül, H. (2014). Kargo hizmet sağlayıcılarında kalitenin tüketici davranışına etkisi: bireysel tüketici araştırması. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 31(1), 33-43. Erişim adresi: https://dergipark.org.tr/tr/pub/susbed/issue/61810/924667
13. Chang, J., Gerrish, S., Wang, C., Boyd-Graber, J. ve Blei, D. (2009). Reading tea leaves: How humans interpret topic models. Advances in neural information processing systems, 22. Erişim adresi: https://proceedings.neurips.cc/paper/2009/file/f92586a25bb3145facd64ab20fd554ff-Paper.pdf
14. Cronin, J. ve Taylor, S. (1992). Measuring service quality: a reexamination and extension. Journal of Marketing, 56(3), 55-68. doi: http://dx.doi.org/10.2307/1252296
15. Çakmak, A. ve Özkan, B. (2017). Kargo kullanıcılarının önem verdikleri faktörlerin, kargo firmaları tarafından başarım düzeylerinin incelenmesi. Tarih, Kültür ve Sanat Araştırmaları Dergisi, 6(4), 1010-1028. doi: 10.7596/Taksad.V6i4.1036
16. Çalli, L., Çalli, F. ve Çalli, B. A. (2021). Yönetim bilişim sistemleri disiplininde hazırlanan lisansüstü tezlerin gizli dirichlet ayrımı algoritmasıyla konu modellemesi. MANAS Sosyal Araştırmalar Dergisi, 10(4), 2355-2372. doi: 10.33206/mjss.894809
17. Daud, A., Li, J., Zhou, L. ve Muhammad, F. (2010). Knowledge Discovery Through Directed Probabilistic Topic Models: A Survey. Frontiers Of Computer Science in China, 4(2), 280–301. doi: 10.1007/s11704-009-0062-y
18. Deniz, A. ve Gödekmerdan, L. (2011). Müşterilerin kargo firmalarının sunduğu hizmetlere yönelik tutum ve düşünceleri üzerine bir araştırma. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 15(2), 379-396. Erişim adresi: https://dergipark.org.tr/tr/pub/ataunisosbil/issue/2828/38343
19. Türkiye kargo pazarının büyüme için müşteri deneyimini iyileştirmeye odaklanması gerekiyor, 2022. (2022, Kasım). Devirsaati Ticari Taşıtlar Dergisi. Erişim adresi: https://devirsaati.com/turkiye-kargo-pazarinin-buyume-icin-musteri-deneyimini-iyilestirmeye-odaklanmasi-gerekiyor/
20. Eickhoff, M. ve Neuss, N. (2017). Topic modelling methodology: its use in information systems and other managerial disciplines. 25th European Conference on Information Systems (ECIS) sunulan bildiri, Guimaraes, Portekiz. Erişim adresi: https://aisel.aisnet.org/ecis2017_rp/86/
21. Erman, R. A. (2022). Konu modellemeye dayalı bir izleyici araştırması: survivor Türkiye Yunanistan 2019 (Yüksek Lisans tezi, Hacettepe Üniversitesi, Ankara). Erişim adresi: http://www.openaccess.hacettepe.edu.tr:8080/xmlui/handle/11655/26221
22. Fabien, L. (2005). Design and implementation of a service guarantee. Journal of Services Marketing, 19(1), 33-38. http://dx.doi.org/10.1108/08876040510579370
23. Garip, S. (2021). Tüketici ekstra rol davranışı ve algılanan hizmet kalitesi arasındaki ilişkiyi tanımlamaya yönelik nitel bir araştırma. Middle Black Sea Journal of Communication Studies, 6(1), 46-57. Erişim adresi: https://dergipark.org.tr/en/download/article-file/1413370
24. Grönroos, C. (1984). A service quality model and its marketing implications. European Journal of Marketing 18(4), 36-44. doi: 10.1108/EUM0000000004784
25. Gümüş, N. ve Onurlubas, E. (2020). Kargo firmalarının hizmet kalitesinin müşteri memnuniyeti üzerine etkisinin servqual ölçeği ile incelenmesi. Kırklareli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 9(1), 30-46. Erişim adresi: https://dergipark.org.tr/tr/pub/klujfeas/issue/53391/658661
26. Günay, K. ve Güçdemir, Y. (2022). İklim İletişimi Bağlamında 2020-2021 Türkiye’de Sivil Toplum Kuruluşlarin Twitter Paylaşımlarının Konu Modelleme Analizi. Turkish Online Journal of Design Art and Communication, 12(4), 1026-1045. doi: 10.7456/11204100/009
27. Gürce, M. Y. ve Tosun, P. (2017). Kargo hizmetlerine ilişkin müşteri şikâyetleri: bir içerik analizi. İşletme Araştırmaları Dergisi, 9(3), 177-196. doi: 10.20491/isarder.2017.294
28. Jia, S. (2019). Toward a better fitness club: evidence from exerciser online rating and review using latent dirichlet allocation and support vector machine, International Journal of Market Research, 61(1), 64-76. doi: 10.1177/1470785318770571
29. Kaplan, S. ve Vakili, K. (2015). The double‐edged sword of recombination in breakthrough innovation. Strategic Management Journal, 36(10), 1435-1457. doi: 10.1002/smj.2294
30. Karadeniz, M. ve Balci, M. (2014). Lojistik faaliyetlerde algılanan hizmet kalitesinin marka sadakatine etkisi. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 36(1), 293-315. doi: 10.14780/iibdergi.201417549
31. Kayabaşı, A. (2010). Elektronik (online) alışverişte lojistik faaliyetlere yönelik müşteri şikâyetlerinin analizi ve bir alan araştırması. İşletme Araştırmaları Dergisi, (2), 21-42. Erişim adresi: https://www.isarder.org/tr/2010cilt2no2/b22.pdf
32. Kiatkawsin, K., Sutherland, I. ve Kim, J. Y. (2020). A comparative automated text analysis of Airbnb reviews in Hong Kong and Singapore using latent dirichlet allocation. Sustainability, 12(16), 6673. doi: 10.3390/su12166673
33. Kızılöz, H. E. (2020). Bilimsel makalelerin atıf sayısı tahmini. Avrupa Bilim ve Teknoloji Dergisi, (Ejosat Özel Sayı 2020), 370-375. doi: 10.31590/ejosat.araconf48
34. Lui, L., Tang, L., Dong, W., Yao, S., Zhou, W. (2016). An overview of topic modeling and its current applications in bioinformatics. Springerplus., 5(1608), 1-22. doi: 10.1186/s40064-016-3252-8
35. Mohr, J. W. ve Bogdanov, P. (2013). Introduction—topic models: what they are and why they matter. Poetics, 41(6), 545-569. doi: 10.1016/j.poetic.2013.10.001
36. Padarian, J., Minasny, B., and McBratney, A. B. (2020). Machine learning and soil sciences: a review aided by machine learning tools. SOIL. 6, 35–52, https://doi.org/10.5194/soil-6-35-2020.
37. Parasuraman, A., Zeithaml, V. A., Berry, L. (1988). SERVQUAL: a multiple-item scale for measuring consumer perceptions of service quality. Journal of Retailing, 64(1), 12-40. Erişim adresi: https://www.sciencedirect.com/journal/journal-of-retailing
38. Parasuraman, A., Zeithaml, V. A. ve Berry, L. L. (1985). A conceptual model of service quality and its implications for future research. Journal of Marketing, 49(4), 41-50. doi: 10.2307/1251430
39. Poushneh, A. ve Rajabi, R. (2022). can reviews predict reviewers’ numerical ratings? the underlying mechanisms of customers’ decisions to rate products using latent dirichlet allocation (LDA). Journal of Consumer Marketing, 39(2), 230-241. doi: 10.1108/JCM-09-2020-4114
40. Putri, I. R. ve Kusumaningrum, R. (2017). Latent dirichlet allocation (LDA) for sentiment analysis toward tourism review in Indonesia. Journal of Physics: Conference Series, 801(1), 1-6. doi:10.1088/1742-6596/801/1/012073
41. Qiao, Z., Zhang, X., Zhou, M., Wang, G. A. ve Fan, W. (2017). A domain oriented LDA model for mining product defects from online customer reviews. 50th Hawaii International Conference on System Sciences Konferansında Sunulan Bildiri, Hawaii, USA. Erişim adresi: http://hdl.handle.net/10125/41376
42. Razik, M. A., Rozar, N. M., Yusoff, M. N. H., Hassan, H., Ramli, B. ve Zain, R. B. M. (2018). Measuring parcel service quality in university using Servqual model. Int. J. Sup. Chain. Management, 7(6), 291. doi: 2050-7399
43. Řehůřek, R. ve Sojka, P. (2011). Gensim-statistical semantics in python. Erişim adresi: https://www.fi.muni.cz/usr/sojka/posters/rehurek-sojka-scipy2011.pdf
44. Steyvers, M. ve Griffiths, T. (2007). Probabilistic topic models. Landauer, T. K., McNamara, D. S., Dennis, S., Kintsch, W. (Ed.) Handbook of latent semantic analysis içinde (s. 427-448). Newyork, London: Routledge.
45. Songur, G. ve Büyükkeklik, A. (2016). Kargo hizmet sağlayıcılarında hizmet kalitesi ve kurumsal müşteri memnuniyeti: Konya İli örneği. Uluslararası İktisadi ve İdari Bilimler Dergisi, 2(1), 103-119. Erişim adresi: https://dergipark.org.tr/tr/pub/uiibd/issue/24165/256355
46. Sutherland, I., Sim, Y., Lee, S. K., Byun, J. ve Kiatkawsin, K. (2020). Topic modeling of online accommodation reviews via latent dirichlet allocation. Sustainability, 12(5), 1-15. doi: 10.3390/su12051821
47. Tirunillai, S. ve Tellis, G. J. (2014). Mining marketing meaning from online chatter: strategic brand analysis of big data using latent dirichlet allocation. Journal of Marketing Research, 51(4), 463-479. doi: https://doi.org/10.1509/jmr.12.0106
48. Topal, B. ve Şahin, H. (2019). Kurumsal kargo taşımacılığında müşteri memnuniyetinin araştırılması. Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi, 2(2), 14-26. Erişim adresi: https://dergipark.org.tr/en/download/article-file/833640
49. Toubia, O., Iyengar, G., Bunnell, R. ve Lemaire, A. (2019). Extracting features of entertainment products: a guided latent dirichlet allocation approach informed by the psychology of media consumption. Journal of Marketing Research, 56(1), 18-36. doi: 10.1177/0022243718820559
50. Wang, W., Feng, Y. ve Dai, W. (2018). Topic analysis of online reviews for two competitive products using latent dirichlet allocation. Electronic Commerce Research and Applications, 29, 142-156. doi: 10.1016/j.elerap.2018.04.003
51. Yee, H. L. ve Daud, D. (2011). Measuring customer satisfaction in the parcel service delivery: a pilot study in Malaysia. Business and Economic Research, 1(1), 1-10. doi: 10.5296/ber.v1i1.1125
52. Yıldız, B. (2020). Kargo firmaları hizmet kalitesinin içerik analizi. Karamanoğlu Mehmetbey Üniversitesi Sosyal ve Ekonomik Araştırmalar Dergisi, 22(38), 42-57. Erişim adresi: https://dergipark.org.tr/tr/pub/kmusekad/issue/55242/675159
53. Zhai, C. ve Massung, S. (2016). Text data management and analysis: a practical ıntroduction to ınformation retrieval and text. New York, California, United States of America: Morgan Claypool Publishers. doi: https://doi.org/10.1145/2915031