Negatif Elektronik Ağızdan Ağıza İletişim (eWOM) Yayılımının Kontrolüne Yönelik Bir

Sistem Önerisi ve Türkiye Havayolu Sektöründe Bir Uygulama

Özet

Bu çalışmanın amacı, elektronik müşteri ilişkileri yönetimi (eMİY) kapsamında elektronik

ağızdan ağıza iletişim (eWOM) yönetimi uygulayan işletmelere ürün ve hizmetleri

doğrultusunda atılan olumsuz mesajların yayılımını kontrol etmek için yenilikçi bir karar

destek mekanizmasının sunulmasıdır. Mesajların, yayıldığı kitleler üzerindeki olumsuz

etkisini azaltmak ya da ortadan kaldırmak amacıyla, işletmelerin ürün ve hizmetleri hakkında

olumsuz mesajlar paylaşan popüler kullanıcılar belirlendikten sonra bu kullanıcılar vasıtasıyla

kitlelerin tekrar kazanılması doğrultusunda önlem alınmasını sağlayacak yenilikçi bir sistem

önerisinde bulunulacaktır. Sistem önerisinin işleyişini görmek amacıyla havayolunda

çevrimiçi müşterilere yönelik bir uygulama yapılmıştır. Uygulama için Analitik Hiyerarşik

Süreçler (AHS), sentiment analizi ve makine öğrenmesi yöntemlerinden Naive Bayes ve C4.5

karar ağaçları algoritmaları kullanılmıştır. Bu doğrultuda negatif mesaj yayınlayan müşteriler

tespit edilmiş ve bu müşterilerden hangilerine geri dönüt yapılacağı makine öğrenmesi

yöntemiyle otomatik olarak belirlenmiştir.

Anahtar Kelimeler: eWOM, eMİY, Havayolu, Sentiment Analizi, AHS, Naive Bayes, C4.5

A System Proposal for the Control of Spread of Negative Electronic Word-of-Mouth

(eWOM) and an Application of Airline Industry in Turkey

Abstract

The purpose of this study is to present an innovative decision support system to control the

propagation of negative messages in the direction of products and services to businesses that

implement electronic word-of-mouth (eWOM) management within the context of electronic

customer relationship management (eCRM). An innovative system will be proposed that will

enable users to take measures to regain the masses after they identify popular users who share

negative messages about their product and services in order to reduce or eliminate the

negative effects of messages on the masses the spread. In order to see the operation of the

system proposal, an application was implemented for online customers in the airline sector by

using Analytic Hierarchy Process (AHP), sentiment analysis and machine learning methods

that are Naive Bayes and C4.5 decision trees. In this direction, customers who publish

negative messages have been identified and the feedback to these customers has been

automatically determined by machine learning method.

Keywords: eWOM, eCRM, Airline, Sentiment Analysis, AHP, Naive Bayes, C4.5.

1. Giriş

6 Ağustos 1991 tarihinde Avrupa Nükleer Araştırma Merkezi (CERN) tarafından tasarlanan

ve çevrimiçi hale getirilen ilk internet sitesinin öncülük yapmasıyla bilgi teknolojileri bugün

milyonlarca kişiye ulaşmıştır. İnternet, yıllardan bu yana pazarlamacılar tarafından yüksek

potansiyeli olan bir mecra olarak görülmüş ve şimdiye kadar bilinen pazarlamanın en güçlü

formu olan dijital pazarlamanın gelişiminde ve değişiminde pay sahibi olmuştur (Ryan, 2017:

10-12). Her ne kadar TV, radyo ve magazin gibi internetten daha eski platformlarla ortaya

çıkmış olsa da bu mecraların çevrimiçi ortamlarda hayat bulmasıyla birlikte dijital pazarlama;

interaktif pazarlama, online pazarlama, e-pazarlama ve web pazarlama isimleriyle de

anılmaya başlamıştır (Altındal, 2013). Ürünlerin, hizmetlerin ya da markanın en az bir dijital

veya elektronik medya bileşeni tarafından tutundurulmasını ifade eden dijital pazarlama,

bugün her boyutta işletmenin çevrimiçi pazarda yükselmek ve kazançlı çıkmak için iş

modellerine uyguladığı bir model haline gelmiştir (Sreedharan, 2015: 7-8). Burada bir bilgi

teknolojisi ürünü olan internetin rolü büyüktür. Dolayısıyla işletmeler, kısa dönemde kar

etmek, uzun dönemde hayatta kalmak ve dahası büyümek amacıyla senelerdir bilgi

teknolojilerine yatırım yapmaktadırlar (Ross ve Beath, 2002). Bilgi teknolojilerinin kullanımı,

firmaların daha önce görülmemiş geniş müşteri ilişkileri potansiyelinden faydalanmaları için

de yeni imkanlar sunmaktadır. Hem geleneksel hem de çevrimiçi işletmeler arasında gittikçe

artan rekabet sebebiyle müşteri memnuniyetini daim kılmak, potansiyel satışları artırmak ve

müşteri sadakatini korumak; artık ticari başarının stratejik anahtarı haline gelmiştir (Phan ve

Vogel, 2010). Dolayısıyla tüketici davranışının altında yatan gizemlerin ortaya çıkarılması

sürecinde düşük maliyetli iş zekası üretmek, oldukça önem kazanmaktadır. Yeni ürünlerin

yanı sıra, yeni rakipler, yeni pazarlar, farklı araştırma yöntemleri ve dahası; girişimcileri

rekabetçi ve yaratıcı inovasyona yönlendirmektedir. Bu doğrultuda 21.yüzyılın teknolojisi

olan internet, örgütlere ihtiyaç duydukları rekabetçi avantajı sağlayacak ve onları tamamen

farklı kılacak önemli bir faktör olarak karşımıza çıkmaktadır. (Apăvăloaie, 2014). Bu noktada

çevrimiçi pazarlama, ürün ve hizmetlerin pazarlanması ve müşteri ilişkilerinin geliştirilmesi

noktasında (Kotler ve Armstrong, 2012: 508) işletmeleri müşterileriyle iletişim konusunda

yeni stratejiler üretmeye teşvik etmektedir. Bunlardan birisi de MİY yani elektronik Müşteri

İlişkileri Yönetimidir (Julta vd., 2001). Bu durumun ortaya çıkmasında bir etken de internetin

dünyada günden güne artan milyarlarca kullanıcı sayısı gösterilebilir (Kemp, 2017).

Çevrimiçi müşteri ilişkilerinin internet üzerinden yönetimi artık ihtiyaç duyulan bir rekabet

avantajı haline gelmiştir. İşletmeler, müşterilerin ihtiyaçlarını karşılamak için internet, e-

posta, telefon ve faks gibi tüm iletişim kanallarında ve müşteriyle etkileşimli olan satış,

hizmet, pazarlama ve diğer tüm alanlar arasında tutarlılık sağlamak durumundadır (Pan ve

Lee, 2003).

Tüketicilerin çevrimiçi ortamda işletmelerle doğrudan iletişim halinde bulunması, hizmetlerin

iyileştirilmesi bakımından önemli fırsatlar da sunmaktadır. Bu durum e-MİY kapsamında

işletmelere, tüketiciler tarafından yapılan olumsuz yorumlara cevap verme ve yapılan olumsuz

yorumların elektronik ortamda ağızdan ağıza (electronic word of mouth-eWOM) yayılmasını

sağlıklı bir biçimde yönetme becerisi kazandırmaktadır (Shaw ve Coker, 2012).

Genel anlamıyla eWOM, bir ürün ya da hizmet ile ilgili olumlu ya da olumsuz ifadelerin

internet vasıtasıyla kitlelere yayılması olarak tanımlanmaktadır (Boo ve Kim, 2013). Özellikle

sosyal iletişim hizmetlerinin ortaya çıkmasıyla birlikte eWOM, güçlü bir pazarlama aracı

haline gelmiştir. Bahsi geçen sosyal iletişim hizmetleri arasında sosyal ağlar (Facebook,

LinkedIn, MySpace vs.), sanal gerçeklikler, çevrimiçi topluluklar (Youtube, Flickr vs.),

mikrobloglar (Twitter) yer almaktadır (Jansen vd., 2009). Günümüzde aktif internet kullanıcı

sayısı dikkate alındığında (Kemp, 2017) e-WOM' un geleneksel ağızdan ağıza iletişimden

daha hızlı bir şekilde yayıldığı aşikardır (Wu vd., 2014). İnternet üzerinden atılan mesajların

farkındalık, bilgiledinme, fikir, tutum, şimdiki ve gelecek satın alma davranışı ve

değerlendirme gibi tüketici davranışı değişkenleri üzerindeki etkisi düşünüldüğünde

(Mangold, 2009) internetteki mesajların yayılımının işletmelerin dikkatini çekmesi ve gerekli

önlemlerin alınması doğrultusunda ipuçları verdiği düşünülmektedir.

Bu çalışmanın amacı, eWOM yönetimi uygulayan işletmelere ürün ve hizmetleri

doğrultusunda atılan olumsuz mesajların yayılımını kontrol etmek için yenilikçi bir karar

destek mekanizmasının sunulmasıdır. Mesajların yayıldığı kitleler üzerindeki olumsuz etkisini

azaltmak ya da ortadan kaldırmak amacıyla, işletmeler hakkında olumsuz mesajlar paylaşan

popüler kullanıcılar belirlendikten sonra bu kullanıcılar vasıtasıyla kitlelerin tekrar

kazanılması doğrultusunda önlem alınmasını sağlayacak bir sistem önerisinde bulunulacaktır.

Sistem önerisi doğrultusunda, yapılacak uygulamada, Twitter kullanıcılarının işletmelerin

ürün ve hizmetlerine yönelik olumsuz mesajları, sentiment analiziyle ayrıştırılacak, ardından

kullanıcıların takipçi ve paylaşım sayılarına bağlı olarak mesajın yayıldığı kitle sayısal

anlamda ortaya çıkarılacaktır. Çalışmanın ilerleyen kısımlarında e-WOM yayılımı ve

kontrolüne yönelik sistem önerisi gerekçeleriyle verilecek ve kullanılan veri seti ve yöntem

ele alınarak havayolu sektörü üzerindeki uygulama yapılacak, sonrasında ise bulgular

tartışılacaktır.

2. Negatif Elektronik Ağızdan Ağıza İletişimin (eWOM) Yayılımı ve Kontrolüne

Yönelik Sistem Önerisi

Tatmin olmamış müşterilerin algıladıkları negatif tecrübelerinin elektronik ortamda yayılması

olarak ifade edilen negatif eWOM, gelecek satın alma tecrübelerinin anlaşılması bakımından

firmalarca önemli kabul edilmektedir (Boo ve Kim, 2013). Geçmiş çalışmalara bakıldığında

özellikle negatif eWOM’ un daha hızlı bir şekilde yayıldığı ve genişlediği görülmektedir. Bu

durumun ortaya çıkmasında insanların kötü olayları düşünme ve neden geliştirmeye daha

yatkın olmaları (Abele, 1985; Pratto ve John, 1991; Taylor, 1991), kötü olayların daha çabuk

hatırlanması (Bless vd., 1992; Skowronski ve Carlston, 1987), negatif davranışların gücünün

ilişkilerin kalitesini, pozitif olanlara kıyasla daha fazla etkilemesi (Gottman, 1979; 1994), ve

olumsuz performansın tatmini, olumlu performanstan daha fazla etkilemesi (Mittal vd., 1998),

çeşitli sebepler olarak gösterilebilir (Cheung ve Lee, 2008). Tüketici davranışlarının altında

yatan sebeplerin yanı sıra negatif eWOM’ un satın alma davranışı üzerindeki etkisi de

düşünüldüğünde (Park ve Lee, 2009) negatif yorumların yayılımının kontrol altına

alınmasının işletmeler açısından ne kadar önemli olduğu görülmektedir. Dolayısıyla bu

çalışmada sunulacak sistem önerisinin işletmeye zarar veren negatif eWOM yayılımının

kontrol edilmesinde gerekli bir araç olacağı düşünülmektedir. Sistem önerisi Şekil 1’ de

gösterilmektedir.

Sistem için ihtiyaç duyulan girdi, negatif eWOM’ un yayıldığı platformlara ait veriler olarak

belirlenmiştir. Bu veriler, müşterilerin kullanıcısı olduğu sosyal medya platformlarının

sunduğu API (Application Programming Interface-Uygulama Programlama Arayüzü)

vasıtasıyla elde edilmektedir.

Sistem, işletmenin sunduğu ürün ya da hizmete yönelik müşterilerin olumsuz ifadesini,

kullanıcısı olduğu platformda takipçilerinin beğenmesi veya paylaşması sonucu yayılması ve

bunun önlenmesi esasına göre çalışmaktadır. Şurası unutulmamalıdır ki sistem, çevrimiçi

ortamda müşterisinin sorunlarını dinleyerek onları çözmeye çalışan ve bu şekilde sağlıklı

MİY uygulayan işletmeler için kurulmuştur.

Bilindiği üzere sosyal medya kullanıcılarının ifadeleri, gerek kendi takipçileri gerekse bu

takipçilerin ifadeyi paylaşması ya da beğenmesi halinde onların takipçileri tarafından görünür

hale gelmektedir. Bu durumda işletmenin ürün ve hizmetlerine yönelik herhangi olumsuz bir

ifade, geniş kitlelere kolaylıkla yayılabilmektedir. İşletme, olumsuz ifadeye neden olan

durumu düzeltse bile muhatabı olduğu kullanıcı, değişen algısını sosyal medya hesabından

duyurmadığı müddetçe takipçilerin işletme hakkındaki olumsuz ifadeyi zihinlerinde tutmaya

devam edeceği bilinmektedir (Bless vd., 1992; Skowronski ve Carlston, 1987).

Şekil 1: Negatif eWOM yayılımının kontrolüne yönelik sistem önerisi.

Dolayısıyla eWOM yönetimi uygulayan işletmenin hâlihazır kötü imajı düzeltmek adına

sorununu çözdüğü müşterisinin bu durumu, sosyal medya hesabından duyurmasını gelecekte

sorulacak basit sorularla teşvik etmesi gerekmektedir. Böylece takipçiler açısından işletme

hakkındaki olumsuz imajın düzelebileceği öngörülmektedir. Burada; “Hizmetlerimizden

memnun kaldınız mı?” ya da “Hizmetlerimizi nasıl buluyorsunuz?” türünden sorulara,

yaşadığı olumsuzluk işletme tarafından giderilen tüketicinin olumlu yanıt vermesi sağlanarak

takipçilerinin bunu görmesi ya da paylaşması sonucunda imajın düzeltilebileceği

düşünülmektedir. Tüm bunların sistem tarafından otomatik olarak yapılması işletmenin her

kullanıcı için ayrı zaman harcamasını ve maliyetlere girişmesini de engelleyecektir. Bu

noktada önerilen sistem için bilimsel algoritmalarla çalışan makine öğrenmesi yöntemlerinin

kullanılması uygun görülmektedir.

Yapay Zeka disiplininin bir alt dalı olan makine öğrenmesi, ortamdan edindiği bilgiyi referans

alarak karşılaşılan bir problemi modellemeye yarayan ve denetimli ve denetimsiz öğrenme

metotlarından oluşan teknikler olarak ifade edilmektedir. Denetimli öğrenme, önceden

gözlemlenmiş ve etiketlenmiş verileri kullanırken denetimsiz öğrenmede etiketlenmemiş

verideki örüntüler ortaya çıkarılmaktadır (Nizam ve Akın, 2014). Bu doğrultuda sistemde

denetimli öğrenme teknikleri uygulanmaktadır.

Sistemin uygulanmasında ortaya çıkan sorunlardan biri de gelecekte soru sorulacak

müşterilerin belirlenmesi işlemidir. Bunun için sosyal medya kullanıcılarının takipçi,

paylaşım ve beğeni sayıları göz önünde bulundurularak karar aşamasında hangi kullanıcılara

geri dönüş yapılacağı belirlenmelidir. Böylece denetimli makine öğrenmesinde hazırlanacak

eğitim verisi için önemli bir sorun aşılmış olacaktır.

Eğitim verisinin bir diğer girdisi ise negatif eWOM’ a sebep olan olumsuz yorumlardır. Bu

yorumların belirlenmesi için yine denetimli makine öğrenmesi tekniğiyle sentiment (duygu)

analizi yapılacaktır.

Kullanıcıların etiketlenerek sistem eğitim verisine dahil edilmesi ve makineye öğretilmesi ile

birlikte sınıflandırılmamış sosyal medya verileri, eğitim verisini referans alarak

sınıflandırılacak ve gelecekte hangi kullanıcılara dönüt yapılması konusunda pazarlama

yöneticilerinin öngörülerde bulunmasını sağlayacaktır.

Hangi kullanıcılara dönüt yapılacağı belirlendikten sonra bu kullanıcılara gelecekte düzeltilen

ürün ve hizmetlerle ilgili sorular sorularak olumlu yanıt alınması durumunda bu sorularla

ilişkili negatif eWOM’ un kontrol altına alınacağı düşünülmektedir.

3. Türkiye Havayolu Sektöründe Uygulama

Önerilen sistemin uygulaması için Türkiye’ de faaliyet gösteren havayolu işletmelerine

yönelik 12-31 Mayıs 2017 tarihleri arasında atılmış 1745 tweet API’ler vasıtasıyla

toplanmıştır. Sistem için gerekli olan olumsuz tweetlerin ayrıştırılması için sentiment analizi

yapılmış ardından gelecekte soru sorulacak müşterilerin belirlenmesi için Analitik Hiyerarşik

Süreçler (AHS) yöntemiyle tweetlere ait istatistikler, sosyal medyayı etkin kullan uzman

pazarlamacılara göre önem derecelerine göre sıralanmıştır.

Sosyal medyadaki kullanıcı yorumlarının olumlu, nötr ya da olumsuz olarak otomatik bir

biçimde ayrıştırılması için sentiment analizi kullanılmaktadır. Bu analiz yapılırken çeşitli

makine öğrenmesi yöntemleri kullanılmaktadır. Bu çalışmada sentiment analizi için Naive

Bayes algoritması kullanılmıştır.

Gelecekte ürün ve hizmetlerle ilgili soru sormak için kullanıcıların hangi kriterlere göre

değerlendirileceği ve bu kriterlerin önem derecelerinin ortaya çıkarılması hususunda AHS’

nin etkin bir karar verme yöntemi olduğu literatür tarafından da desteklenmektedir.

Belirlenmiş kullanıcılara gelecekte soru sorulup sorulmayacağı “evet/hayır” şeklinde

etiketlenmiş ve eğitim setine C4.5 Karar Ağaçları algoritması uygulanmıştır. Bu algoritmanın

karar verme problemlerinde uygunluğu da literatür tarafından desteklenmektedir. Uygulanan

yöntemler aşağıda kısaca açıklanmıştır:

- Sentiment Analizi: Literatürde fikir madenciliği, fikir çıkarımı ve etki analizi olarak

da bilinen sentiment analizi (Leung, 2009) ağırlıklı olarak, şirketlerin, ürünlerinin veya

markanın tüketicileri tarafından nasıl algılandıklarını analiz etmelerine olanak

tanımakla birlikte dilbilim, Doğal Dil İşleme (NLP) ve Makine Öğrenmesi ya da

Yapay Zeka gibi birçok farklı alanda kullanılan bir tekniktir (Dodd, 2014: 3)

Çalışmada sentiment analizi için metinler öncelikle ön işleme aşamasından geçmiş

ardından Naive Bayes algoritması ile sınıflandırılarak duygu kutuplarına ayrılmıştır.

- AHS: AHS, bir probleme ait seçenekleri belli bir sıra içinde belirlemek ve temsil

etmek için kullanılan bir yöntemdir (Dündar ve Ecer, 2008).Herhangi bir konuda karar

verilirken insan yargısının karara dahil edilmesi sonucun etkinliğini arttırabilmektedir.

Bir karar probleminde birden fazla seçenek bulunması halinde seçeneklerin

değerlendirilmesi sürecinde yargılar farklılık gösterebilmektedir. Bu doğrultuda Çok

Kriterli Karar Verme (ÇKKV) tekniklerinden biri olan AHS ortak ve etkin bir karar

verme imkanı sağlayabilmektedir. Seçenekler ikili karşılaştırmalarla değerlendirilirken

Saaty’ nin (1994a) 1-9 arası ölçeği kullanılır (Saaty,1994a:26; Dündar ve Ecer, 2008).

- Karar Ağaçları: Bu yöntem daha çok büyük ve karmaşık veri yığınlarının

araştırılmasında ve modellenmesinde kullanılmaktadır. Karar ağaçları, veri ve metin

madenciliği, makine öğrenimi vb. birçok alanda oldukça etkili araçlardır (Rookach ve

Oded, 2013; Sharmavd., 2013). Karar ağacı oluşturulurken Entropi kuralları esas

alınır. Çalışma için Entropi tabanlı algoritmalardan olan C4.5 sınıflandırma

algoritması kullanılmıştır.

Sistem için yapılan uygulamada bahsi geçen yöntemlerin bir bütün içerisinde

değerlendirildiğinde çalışmanın amacıyla uyum sağladığı düşünülmektedir.

4. Bulgular

Sistem önerisi için öncelikle Twitter API' lerinden elde edilen eğitim ve test verileri

RapidMiner7.5 programında NaiveBayes ve C4.5 algoritmaları ile analiz edilmiştir.

Naive Bayes ile otomatik metin sınıflandırması sonucu 12-31 Mayıs 2017 tarihleri arasında

Türkiye' deki havayolu firmalarına yönelik atılan toplamda 1745 tweet, sentimentlerine

ayrıştırılmıştır. Bu sayıya, metin ön işleme aşamasında tekrar eden tweetler ve içinde reklam

amaçlı, müşteri açısından bir duygu ifade etmeyen bağlantı linkleri (https://) bulunan mesajlar

dâhil edilmemiştir. Uygulama için sentiment analizinin yapılma amacı, markaya yönelik

olumsuz mesajların ortaya çıkarılmasıdır. Sentiment analizi sonucunda elde edilmiş bulgulara

göre atılan tweetlerin zamana bağlı frekansları Şekil 2' de gösterilmiştir. Bu doğrultuda en

fazla tweetin 23-24 Mayıs tarihlerinde atıldığı görülmektedir.

Müşterilerin sosyal medya platformlarında yayınladığı mesajların belli tarihlerde

yoğunlaşması, markanın o tarihlerdeki faaliyetlerinin yoğunluğunun bir sonucu olarak

değerlendirilebilir. Çalışmanın amacına bağlı olarak olumsuz mesajların toplu bir şekilde

ortaya çıkmasının hangi sebeplerle gerçekleştiğini bu sayede anlamanın mümkün olduğu

düşünülmektedir.

Çalışmadan elde edilen bir diğer bulgu da kullanıcıların Twitter’ a ne kadar süredir üye

olduklarıdır. Twitter’ ı yeni kullanmaya başlayan bir kullanıcı ile uzun süredir kullanıcı olan

kişilerin olumsuz mesajların yayılımı düşünüldüğünde pazarlamacılar için öneminin farklı

derecelerde olabileceği düşünüldüğünden bu istatistik verilmiştir. Ancak uzmanlarca AHS

yöntemiyle değerlendirildikten sonra bu istatistiğin geliştirilecek uygulamadaki önemi ortaya

çıkacaktır.

Şekil 2: Atılan tweetlerin zamana bağlı frekansları.

Kişilerin Twitter' da ne kadar süredir kullanıcı olduklarına yönelik istatistikler ise Şekil 4' te

gösterilmiştir. Buna göre kullanıcıların birçoğunun yaklaşık 7 yıldır Twitter kullandıkları

görülmektedir. Havayoluna yönelik tweet atan kullanıcılar arasında Twitter’ a en fazla

katılımın ise 2017 yılında olduğu görülmektedir.

Şekil 3: Kullanıcıların üyelik başlangıç zamanları.

Yapılan sentiment analizi sonucunda Naive Bayes algoritmasının sunduğu sınıflandırma

başarısı, %76,53 olarak belirlenmiştir. Sınıflandırma oranının, makineye öğretilen eğitim

verisinin zenginleştirilmesiyle artacağı öngörülmektedir. Bu sınıflandırma ile havayoluna

yönelik atılan tweetlerin sentiment miktarları Şekil 4' te gösterilmiştir. Sentimentlerin zamana

bağlı değişimi ise Şekil 5' te gösterilmiştir. Şekil 2’ de gösterilen mesajların zamana bağlı

frekansları ile sentimentlerin tarihe bağlı değişimlerinin birlikte değerlendirilmesi, bu

tarihlerde marka uygulamalarıyla yakından ilişkili olduğu düşünülmektedir. Olumsuz mesaj

yayınlayan kullanıcılarla iletişime geçilirken bu uygulamaların göz önüne alınması ve

gelecekte iyileştirilmesi sistemin sağlıklı işlemesi açısından önemlidir.

Şekil 4: Sentiment miktarları

Şekil 5: Sentimentlerin zamana bağlı değişimi.

Sentimentlerin zamana bağlı değişimine bakıldığında olumlu tweetlerin mayıs ayının

sonlarında artış gösterdiği görülmektedir. Tweetler detaylı incelendiğinde havayolu

markasının bu tarihlerde bir spor organizasyonuna sponsorluk yapmış olmasının bu durumun

sebebi olduğu görülmüştür.

Sentiment analizi ile elde edilen istatistikler kullanılarak negatif tweetlerin yayılımını kontrol

etmek amacıyla hazırlanan karar destek sistemi uygulamasının sonraki aşamasında elde edilen

olumsuz mesajlar, hazırlanan yeni bir eğitim setine dahil edilmiş ve C4.5 karar ağaçları

algoritmasında makineye öğretilmiştir. Eğitim setinde negatif yorum yapan ve yaptığı yorum

paylaşım ya da beğeni alan en az 1000 takipçiye sahip kullanıcılara, gelecekte sunulan

hizmetlerle ilgili soruların sorulup sorulmayacağı (evet/hayır) şeklinde etiketleme yapılmıştır.

Etiketleme yapılırken sosyal medyayı aktif bir biçimde kullanan pazarlamacıların fikirleri

alınmıştır. Veri setindeki istatistiki etiketlerin pazarlamacılar açısından değeri, çok kriterli

karar verme yöntemlerinden Analitik Hiyerarşik Süreçler (AHS) ile analiz edilmiştir. Bu

analiz sonuçlarına göre Twitter' da yapılan yorumun "paylaşım" sayısı en yüksek değere,

kişinin eski kullanıcı olması ise en düşük değerde çıkmıştır. Analiz sonuçları Tablo 1' de

verilmiştir.

Tablo 1: Pazarlamacılar açısından Twitter kullanıcılarının yorumlarına ait istatistiki

etiketlerin önem dereceleri.

Eski kullanıcı olması 9,43

Kullanıcının "Takipçi" sayısı 21,49

Kullanıcının takip ettiği kişi sayısı 9,54

Yapılan yorumun "Paylaşım" sayısı 32,40

Yapılan yoruma ait "Beğeni" sayısı 27,13

Etiketleme yapılırken negatif ağızdan ağıza iletişim yoluyla mesajın yayılacak kişi sayısı yani

olumsuz yorum yapan kullanıcının takipçi sayısı için kritik değer 1000 olarak belirlenmiştir.

Bu sayı, sistemi kullanacak pazarlama yöneticilerinin eWOM yönetimi doğrultusunda

değiştirilebilmektedir. Eğitim verisinin işlenmesi sonucunda elde edilen karar ağacı modeli

Şekil 6' da gösterilmektedir. Böylece hangi kullanıcılara hangi durumlarda gelecekte soru

sorulup sorulmayacağı, makineye öğretilmiştir.

Şekil 6: eWOM yayılımının kontrolü doğrultusunda hazırlanan karar destek sistemine ait

karar ağaçları.

Kullanıcılara sunulan hizmetlerle ilgili gelecekte soru sorulup sorulmayacağına yönelik

makine öğrenmesinin ardından sisteme 1745 kullanıcı yorumlu test verisi işlenmiş ve bunun

sonucunda %96.67 doğruluk payıyla sınıflandırma yapılmıştır. Sonuçlara göre kullanıcının

takip ettiği kişi sayısı ve eski kullanıcı olmasının AHS’ de düşük önemde olması sonucu

uygulama bu istatistikleri değerlendirmeye almamıştır. Sınıflandırma sonucuna göre gelecekte

sunulan hizmetlerle ilgili soru sorulacak ya da sorulmayacak kullanıcı miktarları bu uygulama

için şekil 7' de gösterilmiştir.

Şekil 7: Karar ağaçları otomatik sınıflandırma sonuçları.

Sınıflandırma sonucuna göre sistem 620 kullanıcıya gelecekte hizmetlerle ilgili soru

sorulması gerektiğini öngörmüştür. Buna göre 1 kullanıcı ise sistem tarafından herhangi bir

sınıfa yerleştirilememiştir.

5. Sonuç

Bilgi teknolojilerinin yaşamın her alanına girmesiyle birlikte işletmeler, sosyal medyayı etkin

kullanan tüketicilerle ilişkilerini en üst seviyede tutmakta ve bu ilişkileri inovatif sistemlerle

desteklemektedirler. Makine öğrenmesi yöntemleri ile yapılan sınıflandırma ve duygu analizi

bu inovatif sistemlerden sadece birisidir. Elektronik Müşteri İlişkileri Yönetimi (eMİY)

kapsamında yönetilen elektronik ağızdan ağıza iletişim ise olumsuz müşteri yorumları

düşünüldüğünde işletmeler için olumsuz imaj başta olmak üzere büyük problemler oluşturma

potansiyeline sahiptir. Müşterinin yaşadığı olumsuzluk çözüme kavuşturulsa bile daha

önceden işletme hakkında yayınlamış olduğu olumsuz mesaj, bu müşterinin takipçilerine ve

bu mesajı beğenen takipçilerin takipçilerine hali hazırda ulaşmakta ve mesajı paylaşan

müşterinin işletme marka imajı düzelse bile takipçilerinin nazarında bu imaj bozulmaktadır.

Bu nedenle işletmenin olumsuz mesajların yayılımını kontrol altına alabilecek yenilikçi ve

bilgi teknolojilerine dayalı bir sistem kurması gerektiği düşünülmektedir. Dolayısıyla bu

çalışmada sunmuş olduğumuz sistem önerisi, olumsuz mesajları paylaşan popüler

kullanıcılara, gelecekte işletmenin soracağı sorulara karşılık alacağı herhangi bir olumlu yanıt

durumunda imaj üzerindeki olumsuz önyargının düzeltileceği fikrine dayanmaktadır.

Uygulama için literatürde kabul gören ve yaygın olan Naive Bayes ve C4.5 algoritmalarının

yanı sıra karar verme problemi için uygun görülen AHS yöntemi kullanılmıştır. Havayolu

sektörü üzerinde yapılan uygulamada ise teorik olan sistemin uygulamaya geçirilebileceği

sonucuna ulaşılmıştır.

Kaynakça

Abele, A. (1985) Thinking about thinking: Causal, evaluative, and finalistic cognitions about

social situations, European Journal of Social Psychology, 15, 315-332.

Altındal, M. (2013). Dijital Pazarlamada Marka Yönetimi ve Sosyal Medyanın

Etkileri. Akademik Bilişim Konferansı, Akdeniz Üniversitesi, 23-25.

Apăvăloaie, E.I. (2014). The impact of the internet on the business environment. Procedia

Economics and finance, 15, 951-958.

Bless, H., Hamilton, D. L ve Mackie, D. M. (1992) Mood effects on the organization of

person information, European Journal of Social Psychology, 22, 5, 497-509.

Boo, S ve Kim, J. (2013). Comparison of negative eWOM intention: an exploratory

study. Journal of Quality Assurance in Hospitality & Tourism, 14(1), 24-48.

Budhwani, K. (2001). Becoming Part of the E-Generation The Internet has rapidly emerged as

a prominent for cein business today, creating both challenge sand opportunities for mid-sized

companies. CMAMANAGEMENT, 75 (4), 24-27.

Cheung, C. M. K ve Lee, M. K. O. 2008. “Online Consumer Reviews: Does Negative

Electronic Word-of-Mouth Hurt More?,” Proceedings of the 14th Americas Conference on

Information Systems, Toronto, Ontario, Canada, August 14-17.

Cheung, C. M. K ve Lee, M. K. O. (2006) Understanding consumer trust in Internet

shopping: A multidisciplinary approach, Journal of the American Society for Information

Science and Technology., 57, 4, 479-492.

Cho,Y., Im, I., Hiltz, R ve Fjermestad, J. (2002, January). Ananalysis of online customer

complaints: implications for web complaint management. In System Sciences, 2002. HICSS.

Proceedings of the 35th Annual Hawaii International Conference on (pp. 2308-2317). IEEE.

Cho, Y., Im, I ve Hiltz, R. (2003). The impact of e-services failure sand customer complaints

on electronic commerce customer relationship management. Journal of Consumer

Satisfaction, Dissatisfaction and Complaining Behavior, 16, 106.

Chu, S. C ve Kim, Y. (2011). Determinants of consumer engagement in electronic word-of-

mouth (eWOM) in social networking sites. International journal of Advertising, 30(1), 47-75.

Dündar, S ve Ecer, F. (2008). Öğrencilerin GSM operatörü tercihinin, analitik hiyerarşi süreci

yöntemiyle belirlenmesi. Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari

Bilimler Fakültesi Dergisi, 15(1), 195-205.

Gottman, J. M. (1979) Marital Interaction. New York, Academic Press.

Gottman, J. M. (1994) Why Marriages Succeed or Fail. New York, Simon & Schuster

Haltaş, A., Alkan, A ve Karabulut, M. (2015). Metin Sınıflandırmada Sezgisel Arama

Algoritmalarının Performans Analizi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi

Dergisi, 30(3), 417-427.

John D. (2014). Twitter sentiment analysis. Yayınlanmış Doktora Tezi, Dublin, National

College of Ireland.

Jacoby, J ve Jaccard, J. J. (1981), "The sources, meanings and validity of consumer complaint

behaviour: a psychological analysis", Journal of Retailing, 57(3), 4-24.

Jansen, B. J., Zhang, M., Sobel, K ve Chowdury, A. (2009). Twitter power: Tweets as

electronic word of mouth. Journal of the American society for information science and

technology, 60(11), 2169-2188.

Julta, D., Craig, J ve Bodorik, P., “Enabling and Measuring Electronic Customer Relationship

Management Readiness, ”Proceedings of the 34th Hawaii International Conference on System

Sciences, Hawaii, 2001.

Karhan, Z ve Karhan, M. (2016). Görüş madenciliğinde makine öğrenmesi algoritmalarının

performans değerlendirmesi. Türk Doğa ve Fen Dergisi. 5(2), 51-54.

Katz, E ve Lazarsfeld, P. E. (1955) Personal Influence: The Part Played by People in the Flow

of Mass Communications. Glencoe, IL: The Free Press.

Kavzoğlu, T ve Çölkesen, İ. (2010). Karar Ağaçları İle Uydu Görüntülerinin

Sınıflandırılması: Kocaeli Örneği. Harita Teknolojileri Elektronik Dergisi, 2(1), 36-45.

Kemp, S. (2017). “Digital in 2017 Global Overview” https://wearesocial.com/special-

reports/digital-in-2017-global-overview.

Kietzmann, J ve Canhoto, A. (2013). Bitter sweet! Understanding and managing electronic

word of mouth. Journal of Public Affairs, 13(2), 146-159.

Kotler, P ve Armstrong, G. (2012). Principles of Marketing. Boston: Pearson Prentice Hall.

Kouloumpis, E., Wilson, T ve Moore, J. D. (2011). Twitter sentiment analysis: The good the

bad and the omg!. Icwsm, 11 (538-541), 164.

Leung, C. W. (2009). Sentiment analysis of product reviews. In Encyclopedia of Data

Ware housing and Mining, Second Edition (1794-1799). IGI Global.

Mangold, W. G ve Faulds, D. J. (2009). Social media: The new hybrid element of the

promotion mix. Business horizons, 52(4), 357-365.

Mittal, V., Ross, W. T ve Baldsare, P. M. (1998) The asymmetric impact of negative and

positive attribute-level performance on overall satisfaction and repurchase intentions, Journal

of Marketing, 62, 1, 33-47.

Nizam H ve Akın, S. S. (2014). "Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde

Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması," XIX. Türkiye' de

İnternet Konferansı, İzmir.

Pan, S. L ve Lee, J. N. (2003). Using e-CRM for a unified view of the customer.

Communications of the ACM, 46(4), 95-99.

Park, C ve Lee, T. M. (2009). Information direction, website reputation and eWOM effect: A

moderating role of product type. Journal of Business research, 62(1), 61-67.

Phan, D. D ve Vogel, D.R. (2010). A model of customer relationship management and

business intelligence systems for catalogue and online retailers. Information&management,

47(2), 69-77.

Pratto, F ve John, O. P. (1991) Automatic vigilance: The attention-grabbing power of

negative social information, Journal of Personality and Social Psychology, 61, 3, 380-391.

Rokach, L ve Oded, M. "DECISION TREES." 28.Web. 1Şubat2013.

Ross, J. W ve Beath, C. M. (2002). Beyond the business case: New approaches to IT

investment. MIT Sloan management review, 43(2), 51.

Ryan, D. (2017). Understanding Digital Marketing: Marketing strategies for angaging the

digital generation. (4. Baskı). New York: Kogan Page.

SAATY, Thomas, L. (1994a), “How to Make a Decision: The Analytic Hierarchy Prosess”,

Interface, November-December, p.19-43.

Sharma, N. B., Bhargava, R ve Mathuria, M. (2013). Decision tree analysis on J48 Algorithm

for Data Mining. International Journal of Advanced Researhc in Computer Science and

Software Engineering. 3(6), 1114-1119.

Shaw,V ve Coker, B. (2012). Keeping negative Facebook comments leads to more trust in

your brand. In The 2012 World Congress in Computer Science Engineering and Applied

Computing, LasVegas, NV.

Skowronski, J. J ve Carlston, D. E. (1987) Social judgment and social memory: the role of

cue diagnosticity in negativity, positivity, and extremity biases, Journal of Personality and

Social Psychology, 52, 4, 689-699.

Sreedharan, S. (2015). Digital Marketing: Omni Channel Personalization. lulu.com

Taylor, S. E. (1991) Asymmetrical effects of positive and negative events: The mobilization-

minimization hypothesis, Psychologist, 38, 1, 67-85.

Terrana, D., Augello, A ve Pilato, G. (2014, June). Automatic unsupervised polarity detection

on a twitter data stream. In Semantic Computing (ICSC), 2014 IEEE International

Conferenceon (128-134). IEEE.

Wang, H., Lee, M. K ve Wang, C. (1998). Consumer privacy concerns about Internet

marketing. Communications of the ACM, 41(3), 63-70.

Wu, L. L., Wang, Y. T ve Hsu, A. C. (2014). eWOM effects on Facebook. Paper presented at

the proceedings—Pacific Asia conference on information systems, PACIS 2014.