Müşteri Duyarlılığını Keşfetmek İçin Yapay Zeka Destekli Analiz ile Çevrimiçi Ürün İncelemelerinden Anlamlı Bilgiler Elde Etme

Öz

E-Ticaret, internet aracılığıyla ürün ve hizmetlerin alım-satım işlemlerinin gerçekleştirildiği bir dijital ticari model olarak bilinmektedir. İnternetin yaygınlaşması ve internete erişimin kolaylaşması ile e-ticaret, daha geniş bir müşteri kitlesine ulaşma, maliyetleri azaltma ve işlem hızını arttırma gibi avantajları nedeniyle günümüz iş dünyasında vazgeçilmez bir rol oynamaktadır. E-Ticaret sitelerindeki müşteri ürün incelemeleri, işletmeler açısından önemli bir pazarlama aracı olarak görülmektedir. Doğru yönetildiğinde, olumlu ürün incelemeleri satışları artırırken; olumsuz incelemeler ise potansiyel müşterilerin kaybına yol açabilmektedir. Bununla birlikte, müşteri ürün incelemeleri ürün kalitesi ve müşteri hizmeti hakkında fikir vermekle birlikte, güvenilirliği ve müşteri sadakatini arttırmaktadır. Bu nedenle, e-ticaret sitelerinin müşteri ürün incelemelerini dikkate almaları, doğru bir şekilde yönetmeleri ve müşteri memnuniyetini arttırmak için geri bildirimlere dikkat etmeleri gerekmektedir. Bu çalışmada, çevrimiçi müşteri ürün incelemelerinden anlamlı bilgiler elde etmek için yapay zekâ destekli bir analiz gerçekleştirilip, müşteri duyarlılığı keşfedilmektedir. Bu kapsamda, e-ticaret sitelerinde herkese açık olarak yayımlanmış olan ve toplamda 2000 adet müşteri incelemesi içeren bir veri seti araştırma kapsamında oluşturuldu. Oluşturulan veri seti üzerinde müşteri duyarlılığını analiz etmek üzere, derin öğrenme modellerinden biri olan Uzun Kısa Süreli Bellek (LSTM) modeli ve metin kodlamaya dayalı yeni bir model önerisi yapıldı. Denetimli öğrenme yaklaşımı ile geliştirilen model üzerinde yapılan analizler neticesinde %91,50 doğruluk elde edildi. Bir başka ifadeyle, müşteri duyarlılığını oldukça yüksek bir doğruluk oranı ile tahmin edebilen, yüzlerce hatta binlerce müşteri incelemesinin yer aldığı ürün sayfalarında, bu incelemelerden anlamlı sonuçlar üretebilen bir yapay zekâ modeli geliştirildi. Çalışmada, işletmelerin müşteri memnuniyetini arttırmak, çeşitli ürün pazarlama stratejileri geliştirmek, çevrimiçi pazarlama süreçlerini yönetmek ve farklı iş modelleri uygulamak üzere yapay zekâ destekli algoritmalardan faydalanılabileceğine işaret etmektedir.

Anahtar Kelimeler

• E-ticaret
• duyarlılık analizi
• makine öğrenmesi
• sınıflandırma

Mining Meaningful Insights from Online Product Reviews with AI-Powered Analytics to Discover Customer Sentiment

Öz

E-Commerce is a digital commercial model in which the purchase and sale of products and services are realized through the internet. With the widespread use of the Internet and easier access to the Internet, e-commerce has an essential role in today's business world due to its advantages such as reaching a wider customer base, reducing costs and increasing transaction speed. Customer product reviews on e-commerce sites are an important marketing tool for companies. When managed correctly, positive product reviews can increase sales, while negative reviews can lead to the loss of potential customers. In addition, customer product reviews provide insight into product quality and customer service, and increase trustworthiness and customer loyalty. Therefore, e-commerce sites need to consider customer product reviews, manage them properly, and pay attention to feedback to increase customer satisfaction. This study explores customer sentiment by performing an artificial intelligence-supported analysis to extract meaningful information from online customer product reviews. In this context, a dataset containing a total of 2000 customer reviews published publicly on e-commerce sites was created within the scope of the research. In order to analyze customer sentiment on the created dataset, a new model based on the Long Short Term Memory (LSTM) model, one of the deep learning models, and text encoding was proposed. As a result of the analysis on the model developed with the supervised learning approach, 91.50% of accuracy was obtained. In other words, an artificial intelligence model that can predict customer sentiment with a very high accuracy rate and produce meaningful results from these reviews on product pages with hundreds or even thousands of customer reviews has been developed. This study indicates that businesses can benefit from artificial intelligence-supported algorithms to increase customer satisfaction, develop various product marketing strategies, manage online marketing processes and implement different business models.

Anahtar Kelimeler

• E-commerce, sentiment analysis, machine learning, classification

Kaynakça

1. Demirdöğmez, M.; Gültekin, N.; Taş, Y. Türkiye’de E-Ticaret Sektörünün Yıllara Göre Gelişimi. Uluslararası Toplum Araştırmaları Derg. 2018, 8, 2217–2237.
2. Soydal, H. Küçük ve Orta Büyüklükteki İşletmelerde E-Ticaret. J. Selcuk Univ. Socical Sci. 2006, 539–552.
3. Güven, H.; Ayvaz, G.; Türkan, E. Use of Artificial Intelligence Applications in E-Commerce. Int. J. Manag. Adm. 2023, 7, 69–94.
4. Marangoz, M.; Yeşildağ, B.; Saltık, I.A. E-Ticaret İşletmelerinin Web Ve Sosyal Ağ Sitelerinin İçerik Analizi Yöntemiyle İncelenmesi. İnternet Uygulamaları ve Yönetimi Derg. 2012, 3, 53–78.
5. Aydın, İ.; Çelik, Z. Drone İle Teslimata Yönelik Algılanan Güvenin Kullanım Niyeti Üzerindeki Etkisinde Algılanan Risk Ve Ağızdan Ağıza İletişimin Aracılık Rollerinin Araştırılması. J. Econ. Bus. Polit. Stud. 2023, 10, 49–67.
6. Aytekin, Ç.; Sütçü, C.S.; Özfidan, U. Karar Ağacı Algoritmasıyla Metin Sınıflandırma: Müşteri Yorumları Örneği. Uluslararası Sos. Araştırmalar Derg. 2018, 11, 782–792.
7. HülyaTaştan, O. Kahramanmaraş’ta Bulunan Yiyecek İçecek İşletmelerine Yönelik Trıpadvısor.Com’da Paylaşılan Şikâyetlerin Sınıflandırılması. Journal 2017, 26, 270–284.
8. KutanKoruyan, A. Classification of Customer Complaints with Machine Learning. Journal 2022, 13, 168–183.

9. Çelik, E.; Dal, D.; Aydın, T. Duygu Analizi İçin Veri Madenciliği Sınıflandırma Algoritmalarının Karşılaştırılması. Avrupa Bilim ve Teknol. Derg. 2021, 27, 880–889.
10. Akbıyık, A.; Arı, O. Forecasting Useful Costumer Reviews via Logistic Regression. J. Res. Bus. 2022, 7, 15–32.
11. Koruyan, K. Classification of Customer Complaints Using BERTopic Topic Modelling Technique. Journal 2022, 4, 66–79.
12. Yücel, A. Tüketici Yorumları Üzerine Bir Metin Madenciliği ve Veri Boyutu İndirgeme Yaklaşımı. Zeki Sist. Teor. ve Uygulamaları Derg. 2021, 1, 8–16.
13. Oğul, B.B.; Ercan, G. Sentiment Classification on Turkish Hotel Reviews. In Proceedings of the 2016 24th Signal Processing and Communication Application Conference (SIU); 2016; pp. 497–500.
14. Demir, Ö.; Chawai Baban, A.I.; Doğan, B. Türkçe Metinlerde Sözlük Tabanlı Yaklaşımla Duygu Analizi. Int. Period. Recent Technol. Appl. Eng. 2019, 58–66.
15. Dandıl, E.; Karakurt, B. Sosyal Medya Uygulamalarında Kullanıcı Yorumlarının Metin Madenciliği Ile Sınıflandırılması. In Proceedings of the International Congress on HumanComputer Interaction, Optimization and Robotic Application; 2019; pp. 203–207.
16. Akçay, M.; Taşdelen, Z.; Kasım, Ö. ASP.NET Ve MVC Temelli Responsive Web Uygulaması. J. Estud. Inf. 2021, 2, 34–41.
17. Çetin, V.; Yıldız, O. A Comprehensive Review on Data Preprocessing Techniques in Data Analysis. Pamukkale Univ. J. Eng. Sci. 2022, 28, 299–312, doi:10.5505/pajes.2021.62687.
18. Hark, C.; Uçkan, T.; Karcı, A. A New Multi-Document Summarisation Approach Using Saplings Growing-up Optimisation Algorithms: Simultaneously Optimised Coverage and Diversity. J. Inf. Sci. 2022, 01655515221101841, doi:10.1177/01655515221101841.
19. Yang, X.; Yang, K.; Cui, T.; Chen, M.; He, L. A Study of Text Vectorization Method Combining Topic Model and Transfer Learning. Processes 2022, 10.
20. Ramasubramanian, K.; Singh, A. Deep Learning Using Keras and TensorFlow BT - Machine Learning Using R: With Time Series and Industry-Based Use Cases in R. In; Ramasubramanian, K., Singh, A., Eds.; Apress: Berkeley, 2019; pp. 667–688 ISBN 978-1-4842-4215-5.
21. Öncül, A.B. LSTM-GRU Based Deep Learning Model with Word2Vec for Transcription Factors in Primates. Balk. J. Electr. Comput. Eng. 2023, 11, 42–49.
22. Daldal, N.; Sengur, A.; Polat, K.; Cömert, Z. A Novel Demodulation System for Base Band Digital Modulation Signals Based on the Deep Long Short-Term Memory Model. Appl. Acoust. 2020, 166, 107346, doi:https://doi.org/10.1016/j.apacoust.2020.107346.
23. Budak, Ü.; Cömert, Z.; Rashid, Z.N.; Şengür, A.; Çıbuk, M. Computer-Aided Diagnosis System Combining FCN and Bi-LSTM Model for Efficient Breast Cancer Detection from Histopathological Images. Appl. Soft Comput. 2019, 85, 105765, doi:10.1016/j.asoc.2019.105765.
24. Cömert, Z.; Kocamaz, A.F.; Subha, V. Prognostic Model Based on Image-Based Time-Frequency Features and Genetic Algorithm for Fetal Hypoxia Assessment. Comput. Biol. Med. 2018, 99, 85–97, doi:10.1016/J.COMPBIOMED.2018.06.003.
25. Toğaçar, M.; Ergen, B.; Cömert, Z. Classification of Flower Species by Using Features Extracted from the Intersection of Feature Selection Methods in Convolutional Neural Network Models. Measurement 2020, 158, 107703, doi:https://doi.org/10.1016/j.measurement.2020.107703.
26. Zou, F.; Shen, L.; Jie, Z.; Zhang, W.; Liu, W. A Sufficient Condition for Convergences of Adam and RMSProp. 2018, 11127–11135.