KaydedilenlerDerginizi ekleyin

Dergiler / Süleyman Demirel Üniversitesi Vizyoner Dergisi / 2026 / Cilt: 17 Sayı: 50

BERTopic Konu Modelleme Tekniği Kullanılarak TOGG Müşteri Şikayetlerinin Sınıflandırılması

Classification of TOGG Customer Complaints Using BERTopic Issue Modelling Technique

Üstün Özen(ATATURK UNIVERSITY)0000-0002-7595-4306
Veysel Şahin(ATATURK UNIVERSITY)0000-0002-0827-9478
Yunus Emre Özenoğlu(ATATÜRK ÜNİVERSİTESİ, İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ, YÖNETİM BİLİŞİM SİSTEMLERİ BÖLÜMÜ, YÖNETİM BİLİŞİM SİSTEMLERİ ANABİLİM DALI)0000-0001-5051-4622
Mehmet Cem Bölen(ATATURK UNIVERSITY)0000-0001-7054-2858
Sayfa
404–425
Yayın Tarihi
2026-05-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmada, TOGG’un 500,000 kullanıcı mesajı, BERTopic konu modelleme tekniği kullanılarak analiz edilmiş; elde edilen veriler, müşteri memnuniyetsizliğinin finansal (banka işlemleri), teknik (araç bilgileri, yazılım hatası, android uyumu), operasyonel (online alışveriş) ve hizmet (teslimat süreci, lojistik problemi) alanlarında yoğunlaştığını ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, TOGG’un 500,000 kullanıcı mesajı, BERTopic konu modelleme tekniği kullanılarak analiz edilmiş; elde edilen veriler, müşteri memnuniyetsizliğinin finansal (banka işlemleri), teknik (araç bilgileri, yazılım hatası, android uyumu), operasyonel (online alışveriş) ve hizmet (teslimat süreci, lojistik problemi) alanlarında yoğunlaştığını ortaya koymuştur.
📊
Temel Bulgular & Veri:Şikayetlerin zamansal değişimi, dönemsel dalgalanmaların ve dışsal faktörlerin etkisini yansıtırken, dendrogram analizi, konuların tematik yakınlıklarını belirleyerek çok boyutlu müşteri deneyimini gözler önüne sermiştir.
💡
Sonuç & Katkı:Gelecekte, farklı veri kaynaklarından elde edilecek ek geri bildirimlerle BERTopic’in Türkçe uygulamalarının daha da geliştirilmesi önerilmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Zekâ · Müşteri Şikâyetleri · BERTopic Konu Modellemesi

Özet

Bu çalışmada, TOGG’un 500,000 kullanıcı mesajı, BERTopic konu modelleme tekniği kullanılarak analiz edilmiş; elde edilen veriler, müşteri memnuniyetsizliğinin finansal (banka işlemleri), teknik (araç bilgileri, yazılım hatası, android uyumu), operasyonel (online alışveriş) ve hizmet (teslimat süreci, lojistik problemi) alanlarında yoğunlaştığını ortaya koymuştur. Şikayetlerin zamansal değişimi, dönemsel dalgalanmaların ve dışsal faktörlerin etkisini yansıtırken, dendrogram analizi, konuların tematik yakınlıklarını belirleyerek çok boyutlu müşteri deneyimini gözler önüne sermiştir. Bulgular, TOGG’un rekabet avantajı yaratabilmesi için müşteri şikayetlerini bütüncül bir stratejik planlama süreciyle ele almasının gerekliliğini vurgulamaktadır. Gelecekte, farklı veri kaynaklarından elde edilecek ek geri bildirimlerle BERTopic’in Türkçe uygulamalarının daha da geliştirilmesi önerilmektedir.

Abstract

In the study, TOGG’s 500,000 user messages are analyzed using the BERTopic topic modeling technique; the resulting data reveals that customer dissatisfaction is concentrated in financial (banking operations), technical (vehicle ınformation, software error, android compatibility), operational (online shopping), and service (delivery process, logistics problem) domains. The temporal variation of the complaints reflects the influence of periodic fluctuations and external factors, while the dendrogram analysis, by identifying the thematic proximities of topics, unveil the multidimensional nature of the customer experience. The findings emphasize the necessity for TOGG to address customer complaints through an integrated strategic planning process to create a competitive advantage. In the future, it is recommended to further enhance the application of BERTopic in Turkish by incorporating additional feedback from various data sources.

🔖

Bu Makaleye Atıf Yap

Özen, Ü., Şahin, V., Özenoğlu, Y. E., Bölen, M. C. (2026). BERTopic Konu Modelleme Tekniği Kullanılarak TOGG Müşteri Şikayetlerinin Sınıflandırılması. Süleyman Demirel Üniversitesi Vizyoner Dergisi, Cilt: 17 Sayı: 50, 404–425. https://doi.org/10.21076/vizyoner.1676415

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (47)

  1. Acheampong, F. A., Wenyu, C., & Nunoo-Mensah, H. (2020). Text-based emotion detection: Advances, challenges, and opportunities. Engineering Reports, 2(7). https://doi.org/10.1002/eng2.12189
  2. Ahammad, T. (2024). Identifying hidden patterns of fake COVID-19 news: An in-depth sentiment analysis and topic modeling approach. Natural Language Processing Journal, 6, 100053. https://doi.org/10.1016/j.nlp.2024.100053
  3. Alrumiah, S., & Al-Shargabi, A. (2022). Educational videos subtitles’ summarization using Latent Dirichlet Allocation and length enhancement. Computers, Materials & Continua, 70(3), 6205–6221. https://doi.org/10.32604/cmc.2022.021780
  4. Alzami, F., Udayanti, E. D., Prabowo, D. P., & Megantara, R. A. (2020). Document preprocessing with TF-IDF to improve the polarity classification performance of unstructured sentiment analysis. Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, 5(3), 235–242. https://doi.org/10.22219/kinetik.v5i3.1066
  5. Arora, S. D., & Chakraborty, A. (2020). Legitimate and illegitimate consumer complaining behavior: A review and taxonomy. Journal of Services Marketing, 34(7), 921–937. https://doi.org/10.1108/JSM-12-2019-0490
  6. Arslan, M., & Cruz, C. (2023). Leveraging NLP approaches to define and implement text relevance hierarchy framework for business news classification. Procedia Computer Science, 225, 317–326. https://doi.org/10.1016/j.procs.2023.10.016
  7. Atman Uslu, N., & Onan, A. (2023). Investigating computational identity and empowerment of the students studying programming: A text mining study. Necmettin Erbakan Üniversitesi Ereğli Eğitim Fakültesi Dergisi. https://doi.org/10.51119/ereegf.2023.29
  8. Bengül, S. (2019). Müşteri şikâyet yönetimi kalitesi belirleyicilerinin marka imajı ve marka bağlılığı üzerindeki etkisi. Galatasaray Üniversitesi İletişim Dergisi, 31, 251-276. https://doi.org/10.16878/gsuilet.639059
  9. Bu, W., Shu, H., Kang, F., Hu, Q., & Zhao, Y. (2023). Software subclassification based on BERTopic-BERT-BiLSTM model. Electronics, 12(18), 3798. https://doi.org/10.3390/electronics12183798
  10. Buenano-Fernandez, D., Gonzalez, M., Gil, D., & Lujan-Mora, S. (2020). Text mining of open-ended questions in self-assessment of university teachers: An LDA topic modeling approach. IEEE Access, 8, 35318–35330. https://doi.org/10.1109/ACCESS.2020.2974983
  11. Carlson, J., Sourdin, T., Armstrong, C., Watts, M., & Carlyle, T. (2023). Return on investment of complaint management: A review and research agenda. Australasian Marketing Journal, 31(4), 350–360. https://doi.org/10.1177/14413582221104854
  12. Chagnon, E., Pandolfi, R., Donatelli, J., & Ushizima, D. (2024). Benchmarking topic models on scientific articles using BERTeley. Natural Language Processing Journal, 6, 100044. https://doi.org/10.1016/j.nlp.2023.100044
  13. Dai, X., Qin, K., & Wu, L. (2023). Study on effect of collaborative governance participation willingness of online food delivery platform restaurants and consumers from perspective of control theory: Based on moderating effects of perceived risks. Frontiers in Psychology, 14. https://doi.org/10.3389/fpsyg.2023.1149538
  14. Davidow, M. (2020). Counteracting value destruction. Journal of Creating Value, 6(1), 86–96. https://doi.org/10.1177/2394964320925260
  15. Egger, R., & Yu, J. (2022). A topic modeling comparison between LDA, NMF, Top2Vec, and BERTopic to demystify Twitter posts. Frontiers in Sociology, 7. https://doi.org/10.3389/fsoc.2022.886498
  16. Farzadnia, S., Vanani, I. R., & Hanafizadeh, P. (2024). An experimental study for identifying customer prominent viewpoints on different flight classes by topic modeling methods. International Journal of Information Management Data Insights, 4(1), 100223. https://doi.org/10.1016/j.jjimei.2024.100223
  17. Frasquet, M., Ieva, M., & Ziliani, C. (2021). Complaint behaviour in multichannel retailing: A cross-stage approach. International Journal of Retail & Distribution Management, 49(12), 1640–1659. https://doi.org/10.1108/IJRDM-03-2020-0089
  18. Gading Sectio Aryoseto, Is Mardianto, & Anung B. Ariwibowo. (2023). Recommendation system for mental health articles on the Circle application. Intelmatics, 3(1), 1–6. https://doi.org/10.25105/itm.v3i1.16343
  19. Golmohammadi, A., Havakhor, T., Gauri, D. K., & Comprix, J. (2021). Complaint publicization in social media. Journal of Marketing, 85(6), 1–23. https://doi.org/10.1177/00222429211002183
  20. Grootendorst, M. (2022). BERTopic: Neural topic modeling with class-based TF-IDF. arXiv preprint arXiv:2203.05794. https://doi.org/10.48550/arXiv.2203.05794
  21. Gupta, P., Ding, B., Guan, C., & Ding, D. (2024). Generative AI: A systematic review using topic modeling techniques. Data and Information Management, 8(2), 100066. https://doi.org/10.1016/j.dim.2024.100066
  22. Güllülü, A., & Bilgili, B. (2011). Satış sonrası hizmetlerde kalite algısı ve müşteri memnuniyeti ilişkileri. İşletme ve Ekonomi Araştırmaları Dergisi, 2(1), 45-67.
  23. Jalal, A. A., & Ali, B. H. (2021). Text documents clustering using data mining techniques. International Journal of Electrical and Computer Engineering (IJECE), 11(1), 664. https://doi.org/10.11591/ijece.v11i1.pp664-670
  24. Jain, S., Gautam, S., Malik, P., Kumar, S., & Krishnan, C. (2025). A multi-phase qualitative study on consumers’ barriers and drivers of electric vehicle use in India: Policy implications. Energy Policy, 196, 114415. https://doi.org/10.1016/j.enpol.2024.114415
  25. Jiang, X., Liu, L., Wu-Ouyang, B., Chen, L., & Lin, H. (2024). Which storytelling people prefer? Mapping news topic and news engagement in social media. Computers in Human Behavior, 158, 108248. https://doi.org/10.1016/j.chb.2024.108248
  26. Jiang, Z., Gao, B., He, Y., Han, Y., Doyle, P., & Zhu, Q. (2021). Text classification using novel term weighting scheme-based improved TF-IDF for Internet media reports. Mathematical Problems in Engineering, 2021, 1–30. https://doi.org/10.1155/2021/6619088
  27. Khodeir, N., & Elghannam, F. (2024). Efficient topic identification for urgent MOOC forum posts using BERTopic and traditional topic modeling techniques. Education and Information Technologies. https://doi.org/10.1007/s10639-024-13003-4
  28. Kitapcı, O. (2015). Restoran hizmetlerinde müşteri şikâyet davranışları: Sivas ilinde bir uygulama. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 31, 111-120.
  29. Koruyan, K. (2022). BERTopic konu modelleme tekniği kullanılarak müşteri şikayetlerinin sınıflandırılması. İzmir Sosyal Bilimler Dergisi, 4(2), 66–79. https://doi.org/10.47899/ijss.1167719
  30. Mahdikhani, M. (2023). Exploring commonly used terms from online reviews in the fashion field to predict review helpfulness. International Journal of Information Management Data Insights, 3(1), 100172. https://doi.org/10.1016/j.jjimei.2023.100172
  31. Morgeson, F. V., Hult, G. T. M., Mithas, S., Keiningham, T., & Fornell, C. (2020). Turning complaining customers into loyal customers: Moderators of the complaint handling–customer loyalty relationship. Journal of Marketing, 84(5), 79–99. https://doi.org/10.1177/0022242920929029
  32. Neshir, G., Rauber, A., & Atnafu, S. (2021). Topic modeling for Amharic user-generated texts. Information, 12(10), 401. https://doi.org/10.3390/info12100401
  33. Nugroho, S. A., Bachtiar, F. A., & Wihandika, R. C. (2022). Aspect extraction in e-commerce using Latent Dirichlet Allocation (LDA) with Term Frequency-Inverse Document Frequency (TF-IDF). Jurnal Ilmiah Kursor, 11(2), 53. https://doi.org/10.21107/kursor.v11i2.247
  34. Ocal, A. (2024). Perceptions of the future of artificial intelligence on social media: A topic modeling and sentiment analysis approach. IEEE Access, 12, 182386–182409. https://doi.org/10.1109/ACCESS.2024.3510526
  35. Park, S., & Park, H. W. (2020). A webometric network analysis of electronic word of mouth (eWOM) characteristics and machine learning approach to consumer comments during a crisis. El Profesional de La Información. https://doi.org/10.3145/epi.2020.sep.16
  36. Pio, P. G. C., et al. (2024). Complaint management: Comparison between traditional and digital banks. International Journal of Productivity and Performance Management, 73(4), 1050–1070. https://doi.org/10.1108/IJPPM-08-2022-0430
  37. Qi, W., Pan, J., Lyu, H., & Luo, J. (2024). Excitements and concerns in the post-ChatGPT era: Deciphering public perception of AI through social media analysis. Telematics and Informatics, 92, 102158. https://doi.org/10.1016/j.tele.2024.102158
  38. Saidi, F., Trabelsi, Z., & Thangaraj, E. (2022). A novel framework for semantic classification of cyber terrorist communities on Twitter. Engineering Applications of Artificial Intelligence, 115, 105271. https://doi.org/10.1016/j.engappai.2022.105271
  39. Shou, M., Bao, X., & Yu, J. (2023). Predictions on usefulness and popularity of online reviews. Information Technology & People, 36(7), 2633–2660. https://doi.org/10.1108/ITP-12-2021-0930
  40. Soysal, A. N. (2015). Müşteri odaklı anlayışta müşteri memnuniyeti ve hizmet kalite algısı: Bir hastane örneği (Yüksek Lisans Tezi). Marmara Üniversitesi.
  41. Sugathan, P., Rossmann, A., & Ranjan, K. R. (2018). Toward a conceptualization of perceived complaint handling quality in social media and traditional service channels. European Journal of Marketing, 52(5/6), 973–1006. https://doi.org/10.1108/EJM-04-2016-0228
  42. Teichert, T., Rezaei, S., & Correa, J. C. (2020). Customers’ experiences of fast food delivery services: Uncovering the semantic core benefits, actual and augmented product by text mining. British Food Journal, 122(11), 3513–3528. https://doi.org/10.1108/BFJ-12-2019-0909
  43. Uyar, A. (2019). Müşteri memnuniyeti ile müşteri sadakati arasındaki ilişkinin yapısal eşitlik modeli ile incelenmesi: Otomobil kullanıcıları üzerine bir uygulama. Elektronik Sosyal Bilimler Dergisi, 18(69), 41-57.
  44. Winarko, H. B., Pratiwi, D. I., & Herkenhoff, L. M. (2023). The Halodoc’s social media data analysis amidst COVID-19 pandemic: An evidence from Indonesia. Jurnal Sosial Humaniora, 16(1), 51. https://doi.org/10.12962/j24433527.v16i1.17917
  45. Yang, H., He, Q., Liu, Z., & Zhang, Q. (2021). Malicious encryption traffic detection based on NLP. Security and Communication Networks, 2021, 1–10. https://doi.org/10.1155/2021/9960822
  46. Yapraklı, Ş., & Mutlu, M. (2022). Müşteri şikâyetlerinin müşteri sadakati üzerinde etkisinde şikâyet yönetiminin ve müşteri ilişkileri yönetiminin aracı rolü. Abant Sosyal Bilimler Dergisi, 22(3), 967-981. https://doi.org/10.11616/asbi.1092983
  47. Zhang, Y., Fu, L., Guo, X., & Li, M. (2024). Dynamic insights: Unraveling public demand evolution in health emergencies through integrated language models and spatial-temporal analysis. Risk Management and Healthcare Policy, 17, 2443–2455. https://doi.org/10.2147/RMHP.S472247