SavedAdd your journal

Journals / İzmir Sosyal Bilimler Dergisi / 2022 / Cilt: 4 - Sayı: 2

Classification of Customer Complaints Using BERTopic Topic Modelling Technique

BERTopic Konu Modelleme Tekniği Kullanılarak Müşteri Şikayetlerinin Sınıflandırılması

Kutan KORUYAN
Pages
66–79
Publication Date
2022-12-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The results showed that the complaints concentrated more heavily on shipping, television, mobile phone, laptop, earphones, tablets, store clerks and order cancellation topics.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The analysis of customer complaints enables companies to amend mistakes, protect brand value and attract new customers.
📊
Key Findings & Data:Utilizing machine learning techniques for data classification and prediction provide decision makers with time and cost benefits, particularly with increased complaint data size.
💡
Conclusion & Impact:The results showed that the complaints concentrated more heavily on shipping, television, mobile phone, laptop, earphones, tablets, store clerks and order cancellation topics.
🔬Design:Modeling & Simulation
📍Scope:2020 Verileri
⚙️Variables:Müşteri Şikayetleri · Konu Modelleme · BERTopic

Abstract

The analysis of customer complaints enables companies to amend mistakes, protect brand value and attract new customers. Utilizing machine learning techniques for data classification and prediction provide decision makers with time and cost benefits, particularly with increased complaint data size. Therefore, this study employed BERTopic topic modelling technique, a contemporary approach, to examine customer complaint distribution with respect to distinct topics, by product and in general. In the study, the complaints submitted to a consumer electronics retailer in 2020 were adopted and classified. The monthly variation of the complaints was also investigated with dynamic topic modelling. The results showed that the complaints concentrated more heavily on shipping, television, mobile phone, laptop, earphones, tablets, store clerks and order cancellation topics.

Özet

Müşteri şikâyetlerinin analizi işletmeler açısından geçmişte yaptıkları hataları düzeltme, marka değerini koruma ve yeni müşteriler edinmeleri açısından önemli bir kavramdır. Özellikle şikâyet verisinin büyüklüğü arttıkça verinin sınıflandırılması ve tahminlenmesi için makine öğrenmesi tekniklerinden yararlanmak zaman ve maliyet açısından karar vericilere avantaj sağlamaktadır. Bu yüzden çalışmada, müşteri şikayetlerinin ürün bazında ve genel anlamda hangi farklı konularda dağılım gösterdiğinin bulunması amacıyla güncel bir yaklaşım olan BERTopic konu modelleme tekniğinden yararlanılmıştır. Buna yönelik olarak da veri seti olarak 2020 yılına ait bir tüketici elektroniği perakende şirketine yapılan şikayetler kullanılmış ve sınıflandırılmıştır. Bunun yanında, şikayetlerin aylık olarak zaman içindeki değişimi de dinamik konu modelleme kullanılarak incelenmiştir. Sonuçlara göre en fazla şikâyet kargolama, televizyon, cep telefonu, dizüstü bilgisayar, kulaklık, tablet, mağaza çalışanları, sipariş iptali konularında yoğunlaşmıştır.

🔖

Cite This Article

KORUYAN, K. (2022). Classification of Customer Complaints Using BERTopic Topic Modelling Technique. İzmir Sosyal Bilimler Dergisi, Cilt: 4 - Sayı: 2, 66–79. https://ajindex.com/articles/868996

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Abuzayed, A., & Al-Khalifa, H. (2021). BERT for Arabic topic modeling: An experimental study on BERTopic technique. Procedia Computer Science, 189, 191–194. https://doi.org/10.1016/j.procs.2021.05.096
  2. Akbıyık, A., & Arı, O. (2022). Lojistik regresyon ile faydalı müşteri yorumlarını tahminlime. Journal of Research in Business, 7, IMISC 2021 Special Issue, 15–32. https://doi.org/10.54452/jrb.1024602
  3. Alabay, M. N. (2012). Müşteri şikâyetleri yönetimi. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(16), 137–157.
  4. Alhaj, F., Al-Haj, A., Sharieh, A., & Jabri, R. (2022). Improving Arabic cognitive distortion classification in Twitter using BERTopic. International Journal of Advanced Computer Science and Applications, 13(1), 854–860. https://doi.org/10.14569/ijacsa.2022.0130199
  5. Altıntaş, V., Albayrak, M., & Topal, K. (2021). Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 36(4), 2183–2196 https://doi.org/10.17341/gazimmfd.734730
  6. Angelov, D. (2020). Top2Vec: Distributed representations of topics. arXiv. https://doi.org/10.48550/ARXIV.2008.09470
  7. Aşkun, O. (2015). Şikâyet iletilerinin örgütsel öğrenme üzerine etkisi. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 24(1), 221–243.
  8. Baird, A., Xia, Y., & Cheng, Y. (2022). Consumer perceptions of telehealth for mental health or substance abuse: A Twitter-based topic modeling analysis. JAMIA Open, 5(2), 1–8. https://doi.org/10.1093/jamiaopen/ooac028
  9. Bal, V. (2014). Online satış girişimcilerinin karşılaştıkları müşteri şikâyetlerinin analizi. AİBÜ Sosyal Bilimler Enstitüsü Dergisi, 14(1), 59–74.
  10. Bayrak, A. T., Türker, B. B., Yıldız, E., & Özbek, E. E. (2021). Complaint detection and classification of customer reviews. SIU, 29th Signal Processing and Communications Applications Conference, 9-11 June 2021,
  11. İstanbul, Türkiye, pp. 1–4. https://doi.org/10.1109/siu53274.2021.9478016
  12. Bayram, U. (2022). Revealing the reflections of the pandemic by investigating COVID-19 related news articles using machine learning and network analysis. Bilişim Teknolojileri Dergisi, 15(2), 209–220. https://doi.org/10.17671/gazibtd.949599
  13. Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022.
  14. Bozyiğit, F., Doğan, O., & Kılınç, D. (2022). Categorization of customer complaints in food industry using machine learning approaches. Journal of Intelligent Systems: Theory and