Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÇalışmanın temel katkısı, müşteri geri bildirimlerinde gizli kalan ilişkileri sistematik biçimde ortaya koyarak, çağrı temsilcilerinin sübjektif değerlendirmelerinden kaynaklanabilecek hataları en aza indiren ve yüksek doğruluk oranıyla çalışan otomatik bir çağrı atama mekanizması sunmasıdır.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, mobilya sektöründe faaliyet gösteren çağrı merkezleri operasyonlarının verimliliğini ve objektifliğini artırmayı hedeflemektedir. Araştırmada, Türkiye’deki üç büyük mobilya firmasına ait müşteri geri bildirimleri, Metin Madenciliği ve Makine Öğrenmesi teknikleri kullanılarak kapsamlı analiz edilmiştir. Manuel atama süreçlerindeki sübjektifliği gidermek amacıyla, müşteri geri bildirimleri öncelikle Latent Dirichlet Allocation (LDA) yöntemiyle analiz edilmiş; elde edilen konu dağılımları, Terim Frekansı-Ters Doküman Frekansı (TF-IDF) özellikleri ile birleştirilerek sınıflandırma için geliştirilmiş bir veri seti oluşturulmuştur (Model-2). Uygulanan sınıflandırma algoritmaları arasında, Destek Vektör Makinesi (SVM), Model-2'de %89,1 doğruluk ile yüksek başarı sağlamıştır. Çalışmanın güncel literatür ile bağını kurmak ve performansın üst sınırını belirlemek amacıyla, Transformer tabanlı Sentence-BERT (S-BERT) modeli ile SVM birleştirilerek bir üçüncü model (Model-3) geliştirilmiştir. Model-3, %90,8'lik doğruluk oranı ile en yüksek performansı göstermiş ve çağrı merkezleri operasyonlarında en yüksek verimlilik potansiyelini sunmuştur. Bu sonuçlar, LDA temelli yöntemin klasik yöntemler arasında sübjektifliği gidermedeki başarısını kanıtlarken, bağlamsal gömülmelerin üstünlüğünü de ortaya koymaktadır. Çalışmanın temel katkısı, müşteri geri bildirimlerinde gizli kalan ilişkileri sistematik biçimde ortaya koyarak, çağrı temsilcilerinin sübjektif değerlendirmelerinden kaynaklanabilecek hataları en aza indiren ve yüksek doğruluk oranıyla çalışan otomatik bir çağrı atama mekanizması sunmasıdır.
Abstract
This study aims to enhance the efficiency and objectivity of call center operations in the furniture industry. Customer feedback collected from three major furniture companies in Türkiye was comprehensively analyzed using Text Mining and Machine Learning techniques. To eliminate subjectivity in manual call-type assignment, the feedback was first examined using the Latent Dirichlet Allocation (LDA) method, and the resulting topic distributions were combined with Term Frequency–Inverse Document Frequency (TF-IDF) features to construct an improved dataset for classification (Model-2). Among the utilized classification algorithms, Support Vector Machine (SVM) algorithm achieved strong performance on this model with an accuracy of 89,1%. To align the study with contemporary literature and determine the upper performance boundary, a third model (Model-3) integrating a Transformer-based Sentence-BERT (S-BERT) architecture with SVM was evaluated. Model-3 demonstrated the highest performance, reaching an accuracy of 90,8%, and thus presented the greatest potential for operational efficiency in call center environments. These results confirm the effectiveness of LDA-based method in reducing subjectivity within classical approaches, while also highlighting the superiority of contextual embeddings. The primary contribution of this study is the development of a high-accuracy, automated call assignment mechanism that systematically uncovers latent relationships within customer feedback, thereby minimizing errors arising from subjective assessments made by call center agents.