TEXT MINIG APPROACH FOR SENTIMENT ANALYSIS ON CUSTOMER REVIEWS OF E-COMMERCE WEBSITE APPLICATIONS

Yıl 2024, Cilt: 4 Sayı: 2, 57 - 75, 30.12.2024

Fatma Yılmaz , Gökçe Karahan Adalı

https://doi.org/10.58620/fbujoss.1558727

Öz

This study aims to design a system that benefits both users and producers of e-commerce platforms. Within this scope, a system has been developed to extract summary information from millions of product or service reviews written in natural language on Google Play, using the review data set of Turkey's three leading e-commerce companies. Using the Python language, a large dataset of reviews obtained through web scraping methods was evaluated using sentiment analysis techniques on the Google Colab platform. The results were examined using sentiment analysis and text mining methods. The study aims to enable e-commerce platforms to analyze customer feedback more effectively and use the information obtained from these analyses to improve user experience, enhance service quality, and identify potential issues in advance. When evaluating the customer feedback from Site 1, Site 2, and Site 3, it was observed that there were common and different prominent satisfactions and negativities. The results obtained using text mining methods provided an opportunity to deeply examine the level of user satisfaction and the emotional responses to customer feedback for each e-commerce site.

Anahtar Kelimeler

Machine Learning, Data Mining, Sentiment Analysis, Text Mining, E-commerce

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.
• Kayabaşı, A. (2010). Elektronik (online) Alışverişte Lojistik Faaliyetlere Yönelik Müşteri Şikayetlerinin Analizi ve Bir Alan Araştırması, İşletme Araştırmaları Dergisi, 2(2), s.21–42.
• Kumar, S. (2015). Online Shopping-A Literature Review, National Conference on Innovative Trends in Computer Science Engineering (ITCSE-2015), April, 129–131.
• Merdan, K. (2021), Türkiye’de E-Ticaret, (Ed.:,G.Sümer), İktisat Alanında Seçilmiş Konular-2, s.32-41 , İstanbul: Efe Akademi Yayınları.
• Marigliano, P. (2023). Analyzing Tourism Reviews using Deep Learning and AI to Predict Sentiments. Clinical Case Reports and Studies, 3(6), 1–13. https://doi.org/10.59657/2837-2565.brs.23.089
• Medhat, W., Hassan, A., & Korashy, H. (2014), Sentiment analysis algorithms and applications: A survey, Ain Shams Engineering Journal, 5(4), s.1093-1113.
• Mittal, S., Goel, A., & Jain, R. (2016). Sentiment analysis of E-commerce and social networking sites. Proceedings of the 10th INDIACom; 2016 3rd International Conference on Computing for Sustainable Global Development, INDIACom 2016, 2300–2305.
• Onan, A. ve Korukoğlu, S. (2016). Makine öğrenmesi yöntemlerinin görüş madenciliğinde kullanılması üzerine bir literatür araştırması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 22(2), s.111-122.
• Pujo Ariesanto Akhmad, E., Adi, K., ve Puji Widodo, A. (2023). Machine learning approach to customer sentiment analysis in twitter airline reviews. E3S Web of Conferences, 448. https://doi.org/10.1051/e3sconf/202344802044
• Rashmi, V. ve Dr. Sudhir, K. (2016). A Study of E-Commerce and Online Shopping. Journal of Commerce & Trade, I(20), 91–96. www.jctindia.org
• Roy, T. S., Vasukidevi, G., Malleswari, T. Y. J. N., Ushasukhanya, S., & Namratha, N. (2024). Automatic Classification of Railway Complaints using Machine Learning. E3S Web of Conferences, 477, 1–10. https://doi.org/10.1051/e3sconf/202447700085
• T.C. Sanayi ve Teknoloji Bakanlığı. https://sanayi.gov.tr/anasayfa, (Erişim Tarihi: 25.02.2024).
• Tokcaer, S. (2021). Türkçe Metinlerde Duygu Analizi Sentiment Analysis in Turkish Texts. Journal of Yasar University, 16(63), 1514–1534.
• Türkiye İstatistik Kurumu. Hanehalkı Bilişim Teknolojileri (BT) Kullanım Araştrıması 2023, https://data.tuik.gov.tr/Bulten/Index?p=Hanehalki-Bilisim-Teknolojileri-(BT)-Kullanim-Arastirmasi-2023-49407, (Erişim Tarihi: 10.02.2024).
• Vallat, R. (2018), Pingouin: Statistics in Python, Journal of Open Source Software, 3(31), s. 1026-2018, doi: 10.21105/joss.01026.