METİN MADENCİLİĞİ YAKLAŞIMI İLE E-TİCARET SİTESİ UYGULAMALARININ MÜŞTERI YORUMLARINA YÖNELIK DUYGU ANALİZİ
Öz
Bu çalışmada, e-ticaret platformları için kullanıcı ve yapımcılara fayda sağlamayı hedefleyen bir sistem tasarlanması amaçlanmıştır. Bu kapsamda Google Play' deki milyonlarca doğal dilde yazılmış ürün veya hizmet yorumlarından özet bilgi çıkaran bir sistem geliştirmek için Türkiye'nin önde gelen üç büyük e-ticaret firmasının yorum veri seti kullanılmıştır. Python dilini kullanarak veri kazıma yöntemi ile elde edilen büyük veri kümesini oluşturan yorumlar Google Colab platformu üzerinde duygu analizi yöntemlerden doğal dil işleme teknikleri ile değerlendirilmiştir. Sonuçlar, duygu analizi ve metin madencişili yöntemleri kullanılarak incelenmiştir. Çalışma, e-ticaret platformlarının müşteri geri bildirimlerini daha etkili bir şekilde analiz etmek ve bu analizlerden elde edilen bilgileri kullanıcı deneyimini geliştirmek, hizmet kalitesini artırmak ve olası sorunları önceden belirlemek için kullanmalarına olanak sağlamayı amaçlamaktadır. Site 1, Site 2 ve Site 3'ün müşteri geri bildirimlerini değerlendirdiğimizde ortak ve farklı öne çıkan memnuniyet ve olumsuzlukları gözlemlendiği görülmüştür. Metin madenciliği yöntemleri kullanımıyla elde edilen sonuçlar, her bir e-ticaret sitesinin kullanıcı memnuniyeti düzeyini ve müşteri geri bildirimlerine verilen duygusal tepkileri derinlemesine inceleme fırsatı sunmuştur.
Anahtar Kelimeler
: Makine Öğrenmesi, Veri Madenciliği, Duygu Analizi, Metin Madenciliği, E-Ticaret
Kaynakça
- Aktaş, B. N., Aktaş, B., Akbıyık, A. (2021). Koronavirüs ’ ün ( Covid-19 ) Türkiye ’ de E-Ticaret Müşteri Memnuniyetine Etkisi : Trendyol Örneği, Bilişim Sistemleri ve Yönetim Araştırmaları Dergisi 3 (1). (2021) 39-50.
- Aydın, A. (2020). Elektronik Ticaret : Tanımı, Türleri, Kullanım alanları ve yararları. Gece Kitaplığı, 1(8), 179-209
- Azrir, A. H. I. B. A., Naveen, P., & Haw, S. C. (2024). Sentiment Analysis using Machine Learning Models on Shopee Reviews. Journal of System and Management Sciences, 14(2), 214–228. https://doi.org/10.33168/JSMS.2024.0213
- Bharathi, R., Bhavani, R., & Priya, R. (2022). Twitter Text Sentiment Analysis of Amazon Unlocked Mobile Reviews Using Supervised Learning Techniques. Indian Journal of Computer Science and Engineering, 13(4), 1242–1253. https://doi.org/10.21817/indjcse/2022/v13i4/221304100
- Dolgun, M. Ö. (2009). Veri madenciliğinde yapısal olmayan verinin analizi : Metin ve Web Madenciliği. İstatistikçiler Dergisi, 2(2009), 48–58.
- Farhadloo, M & Rolland, E. (2016), Fundamentals of Sentiment Analysis and Its Applications, (Ed.:, . Pedrycz ve S.M. Chen), Studies in Computational Intelligence, 639, s.1–24 Springer, Cham. https://doi.org/10.1007/978-3-319-30319-2_1
- Feldman, R. & Sanger, J. (2009). The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge: Cambridge University Press.
- Fushiki, T. (2011), Estimation of Prediction Error by Using K-Fold Cross Validation, 21(2):13, s.137-146.
- Huang, J., Zhao, C. & Li, J. (2007). An Empirical Study on Critical Success Factors for Electronic Commerce in the Chinese Publishing Industry. Frontiers of Business Research in China, 1(1), 50–66.
- Jurafsky, D. ve Martin, J.H. (2008). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition, 2, Pearson Education.