SENTİMENT ANALİZİ

Müşteriniz ne hissediyor? Metinden okuyun.

Sentiment (duygu) analizi, gelen mesaj ve çağrı metinlerini olumlu, nötr veya olumsuz olarak sınıflar. Böylece memnuniyetsizlik ya da iptal sinyali müşteri sizi terk etmeden önce görünür hâle gelir ve ekip zamanında müdahale edebilir.

Duygu analizi, müşteri iletişimindeki metinlerden bir duygu skoru çıkarır ve olumsuz eğilimi erken yakalar. Bu sayfa, duygu analizinin CRM içinde ne işe yaradığını, nasıl çalıştığını ve seçimde nelere dikkat edilmesi gerektiğini anlatır.

Sektör verisiyle: sessiz kayıp sorunu

Müşteri kaybının en tehlikeli türü, şikâyet etmeden gidendir. Qualtrics'in 23 ülkede yaklaşık 24.000 tüketiciyle yürüttüğü 2025 Tüketici Deneyimi Trendleri araştırmasına göre tüketicilerin üçte birinden azı yaşadığı sorunla ilgili şirkete geri bildirim veriyor — araştırmanın ölçtüğü en düşük seviye. Buna karşılık kötü bir deneyimin bedeli ağırlaşıyor: tüketicilerin %53'ü olumsuz bir deneyimin ardından o şirketle harcamasını kısacağını söylüyor. Yani anket ve şikâyet kutusu giderek daha az sinyal üretirken, kaybın maliyeti artıyor.

Duygu analizinin CRM içindeki rolü tam bu boşluğu doldurmaktır: müşteri size form doldurmasa bile WhatsApp mesajında, e-postasında ve çağrı kaydında zaten konuşuyordur. Bu operasyonel konuşmaları sistematik biçimde okumak, geri bildirim vermeyen çoğunluğun nabzını tutmanın bugün için en gerçekçi yoludur. Aynı araştırmada tüketicilerin yalnızca %26'sının kurumların yapay zekâyı sorumlu kullanacağına güvendiği de görülüyor — bu da analizi şeffaf kurgulamanın ve insan denetimiyle işletmenin neden pazarlama değil, zorunluluk olduğunu gösteriyor.

Duygu analizi neyi kapsar?

Duygu skoru: Her etkileşime otomatik olumlu / nötr / olumsuz sınıflaması ve skor.
Çok kanallı analiz: E-posta, WhatsApp ve çağrı metinlerinin gerçek zamanlı değerlendirilmesi.
Trend takibi: Müşteri memnuniyetinin zaman içindeki değişimini izleme.
Segment analizi: Hangi müşteri grubunun daha olumlu ya da riskli olduğunu görme.
Proaktif müdahale: Olumsuz duygu eşiği aşılınca ilgili ekibe otomatik uyarı.
Churn önleme: Risk altındaki müşterilerin erken tespiti ve öncelikli aksiyon.

Nasıl çalışır?

Model, metni önceden tanımlı duygu sınıflarına ayırır ve olumsuz eğilim ya da iptal/şikâyet sinyali bir eşiği aşınca CRM otomatik bir sonraki en iyi aksiyon (öncelikli yönlendirme, arama, teklif, sadakat aksiyonu) önerir. Duygu skoru tek başına değil, yanıt süresi ve etkileşim sıklığı gibi sinyallerle birlikte değerlendirildiğinde churn riski daha güvenilir tahmin edilir.

Üç teknik yaklaşım: hangisi size uygun?

Yaklaşım	Nasıl çalışır	Güçlü yanı	Sınırı
Sözlük / kural tabanlı	Olumlu-olumsuz kelime listeleri ve kalıplar	Kurulumu hızlı, tamamen açıklanabilir	İroni, bağlam ve yeni ifadelerde zayıf
Klasik makine öğrenmesi	Etiketli örneklerden istatistiksel model eğitimi	Kendi verinizle iyileşir, düşük işletme maliyeti	Etiketli veri seti hazırlamak emek ister
Transformer / LLM tabanlı	Büyük dil modeliyle bağlamsal sınıflama	Bağlam, ironi ve karma duyguda en güçlü seçenek	İşlem maliyeti ve gecikme; açıklanabilirlik ek çaba ister

Pratikte bu yaklaşımlar birbirinin rakibi değil, kademesidir: yüksek hacimli akışta hızlı bir ön sınıflama, belirsiz kalan veya kritik eşiğe yaklaşan metinlerde daha güçlü modele başvurma ve en kritik kararlarda insan onayı — maliyetle doğruluğu dengeleyen yaygın kurgudur.

Doğruluk nasıl ölçülür?

"Model yüzde kaç doğru?" sorusunun tek sayılık cevabı yanıltıcıdır, çünkü sınıflar dengesizdir: mesajların büyük kısmı nötrken model her şeye "nötr" diyerek bile yüksek isabet gösterebilir. Bu yüzden üç metrik birlikte okunur: kesinlik (precision — olumsuz dediklerinin ne kadarı gerçekten olumsuz), duyarlılık (recall — gerçek olumsuzların ne kadarını yakaladı) ve ikisinin dengeli ortalaması olan F1 skoru. CRM bağlamında duyarlılık genellikle daha kıymetlidir: kaçırılan bir kriz mesajının maliyeti, yanlış alarma giden birkaç dakikadan büyüktür. Bir de konu bazlı (aspect-based) analiz vardır: "kargo hızlıydı ama ürün hasarlı geldi" cümlesini tek skora indirmek yerine teslimat için olumlu, ürün için olumsuz işaretler; kök neden analizi için asıl değerli çıktı budur.

Türkçe metinde doğruluk ve KVKK

Türkçede ironi, argo ve sektör jargonu doğruluğu düşürebilir; bu nedenle model kritik eşiklerde insan onayıyla birlikte kullanılmalı ve kurumun kendi verisiyle iyileştirilmelidir. Doğruluk, izlenen bir metrikle (ör. F1) yönetilir. Duygu analizi kişisel veri işlediği için KVKK 6698 kapsamında aydınlatma, hukuki dayanak ve veri minimizasyonu gerekir; kararların açıklanabilir olması ve denetim izi tutulması önemlidir.

Temsili proje kapsamı

Aşağıdaki kapsam temsilidir; tamamlanmış bir müşteri projesini değil, tipik bir duygu analizi kurulumunun yapı taşlarını gösterir.

Kanal envanteri: hangi kaynaklardaki metinlerin (WhatsApp, e-posta, çağrı, form) analiz edileceği.
KVKK değerlendirmesi: aydınlatma metinleri, hukuki dayanak, saklama süreleri, erişim yetkileri.
Pilot: geçmiş konuşmalardan örneklemle model doğruluğunun (F1) ölçülmesi ve eşiklerin ayarlanması.
CRM entegrasyonu: skorun müşteri kartına ve zaman çizelgesine işlenmesi.
Aksiyon kuralları: eşik aşımında uyarı, öncelikli atama ve eskalasyon akışları.
Panolar: segment, kanal ve dönem bazında duygu trendi raporları.
Geri bildirim döngüsü: hatalı sınıflamaların işaretlenmesi ve modelin periyodik iyileştirilmesi.
Ekip eğitimi, canlıya geçiş ve dokümantasyon teslimi.

Seçimde nelere bakmalı?

Türkçe metin başarımı ve modelin kendi verinizle iyileştirilebilmesi.
Skorların rapora değil, CRM içindeki aksiyonlara (uyarı, atama, öneri) bağlanması.
Açıklanabilirlik, insan denetimi ve denetim izi.
WhatsApp, e-posta ve çağrı merkezi verisiyle entegrasyon.

Şartname / RFP kontrol listesi

Duygu analizi modülü için teklif isterken şu maddelerin yazılı yanıtlanmasını isteyin:

Desteklenen kanallar ve her kanal için gerçek zamanlı / toplu analiz seçenekleri.
Türkçe başarımın, sizin örnekleminiz üzerinde yapılacak bir pilotla kanıtlanması.
Doğruluk metriklerinin (kesinlik, duyarlılık, F1) raporlanma biçimi ve izleme panosu.
Konu bazlı (aspect-based) analiz desteği ve özelleştirilebilir konu listesi.
Eşik ve aksiyon kurallarının kurum tarafından değiştirilebilmesi.
Hatalı sınıflamaları işaretleme ve modeli yeniden eğitme (geri bildirim döngüsü) mekanizması.
Skor gerekçesinin görüntülenebilmesi (hangi ifade skoru tetikledi).
KVKK 6698 uyumu: aydınlatma desteği, veri minimizasyonu, saklama ve silme akışları.
Verinin nerede işlendiği (yurt içi / yurt dışı) ve üçüncü taraf modellere aktarım koşulları.
Çağrı kayıtları için konuşma tanıma (STT) entegrasyonu ve transkripsiyon doğruluğu ölçümü.
Duygu skorunun churn ve lead skorlama modelleriyle birleşebilmesi.
Denetim izi: kim, hangi skoru, hangi aksiyonla işledi.

Duygu analizini lead skorlama, churn tahmini ve öneri motoruyla birlikte kurmak istiyorsanız AI destekli CRM & duygu analizi çözümü sayfasında kapsamı ve şartname kriterlerini bulabilirsiniz.

SIK SORULAN SORULAR

Merak edilenler

Duygu analizine başlamak için ne kadar veri gerekir?

Başlangıç için büyük bir arşiv şart değildir: hazır (önceden eğitilmiş) Türkçe modeller sıfır etiketli veriyle çalışmaya başlayabilir. Ancak sektörünüze özgü jargon, kısaltma ve şikâyet kalıplarında doğruluk, kendi konuşma verinizden etiketlenmiş örneklerle iyileştirme yapıldıkça artar. Sağlıklı yol, pilot dönemde modelin hatalarını insan gözüyle işaretleyip bu örnekleri düzenli aralıklarla modele geri beslemektir; böylece sistem kullandıkça sizin dilinize uyum sağlar.

Türkçe metinlerde doğruluk ne düzeyde olur?

Tek bir oran vermek yanıltıcı olur; doğruluk modele, kanala ve metin türüne göre değişir. Kısa ve bağlamsız mesajlar, ironi, argo ve olumsuzluk ekleri Türkçede sınıflamayı zorlaştıran bilinen etkenlerdir. Doğru yaklaşım, satın almadan önce kendi geçmiş konuşmalarınızdan örneklem ayırıp adayı bu veri üzerinde test ettirmek ve sonucu F1 gibi dengeli bir metrikle karşılaştırmaktır. Canlıda da doğruluk sabit varsayılmamalı, düzenli olarak izlenip gerektiğinde model yeniden eğitilmelidir.

Telefon görüşmeleri de duygu analizine dahil edilebilir mi?

Evet; akış iki adımda kurulur. Önce konuşma tanıma (speech-to-text) katmanı çağrı kaydını metne çevirir, ardından duygu modeli bu metni sınıflar. Çağrı tarafında ek sinyaller de kullanılabilir: bekleme süresi, sözü kesme sıklığı, konuşma temposu gibi. Dikkat edilmesi gereken nokta, hata zincirlenmesidir: metne çevirme hatalı olursa duygu sınıflaması da bozulur. Bu yüzden ses kalitesi düşük hatlarda önce transkripsiyon doğruluğu ölçülmeli, KVKK kapsamında çağrı kaydı aydınlatması eksiksiz yapılmalıdır.

KVKK açısından duygu analizi profilleme sayılır mı?

Duygu analizi, kişisel veri olan iletişim içeriğinin otomatik yollarla analiz edilmesidir; bu nedenle KVKK 6698 kapsamında işleme faaliyetidir ve aydınlatma, hukuki dayanak ve veri minimizasyonu gerektirir. Kanunun 11. maddesi, ilgili kişiye verilerinin münhasıran otomatik sistemlerle analiz edilmesi sonucu aleyhine çıkan sonuca itiraz hakkı tanır. Pratik karşılığı şudur: duygu skoru müşteri aleyhine tek başına karar üretmemeli (ör. hizmet reddi), kritik aksiyonlarda insan onayı bulunmalı ve skorun gerekçesi kayıt altında olmalıdır.

SONRAKİ ADIM

Müşteri duygusunu CRM'inize taşıyalım.

Hangi kanallardaki metinleri analiz etmek istediğinizi ve müdahale akışınızı dinleyip; duygu analizinin sizde nasıl kurulacağını ve KVKK uyumunu planlayalım.

Talep Oluştur