Click here to load reader
Upload
donhu
View
214
Download
0
Embed Size (px)
Citation preview
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.