KaydedilenlerDerginizi ekleyin

Dergiler / Ege Akademik Bakış Dergisi / 2026 / Cilt: 26 Sayı: 2

A STUDY ON ELECTRIC CARS USING BERTOPIC TOPIC MODELING TECHNIQUE

Gizem Şebnem Beydoğan(KIRŞEHİR AHİ EVRAN ÜNİVERSİTESİ)0000-0001-6940-9486
Metehan Tolon(ANKARA HACI BAYRAM VELİ ÜNİVERSİTESİ)0000-0003-0832-3632
Semiha Güngör(ANKARA HACI BAYRAM VELİ ÜNİVERSİTESİ)0000-0002-8862-1340
Sayfa
237–248
Yayın Tarihi
2025-12-25
🏛️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)

Elde edilen bulgular, işletmelerin elektrikli otomobillere yönelik müşteri beklentilerini daha iyi karşılamalarına ve satın alma davranışlarını olumlu yönde etkilemelerine katkı sağlayabilir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde teknolojinin hızla gelişmesiyle birlikte çevre dostu ve yenilikçi otomobillerin kullanımı artmaya devam etmektedir.
📊
Temel Bulgular & Veri:Potansiyel müşteri sayısındaki hızlı artış, üretilen veri hacminin büyük ölçüde genişlemesine neden olmakta ve bu verilerin etkin bir şekilde işlenmesi için ileri analitik tekniklerin kullanımını zorunlu hale getirmektedir.
💡
Sonuç & Katkı:Elde edilen bulgular, işletmelerin elektrikli otomobillere yönelik müşteri beklentilerini daha iyi karşılamalarına ve satın alma davranışlarını olumlu yönde etkilemelerine katkı sağlayabilir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2024 Verileri
⚙️Değişkenler:Müşteri Şikayetlerinin Sınıflandırma · Konu Modelleme · BERTopic

Özet

Günümüzde teknolojinin hızla gelişmesiyle birlikte çevre dostu ve yenilikçi otomobillerin kullanımı artmaya devam etmektedir. Bu otomobiller arasında özellikle elektrikli araçlara yönelik ilgi giderek artmakta, ancak tüketicilerin yetersiz bulduğu hususların hızlı bir şekilde çözülmesi, bu araçların kabulü açısından büyük önem taşımaktadır. Potansiyel müşteri sayısındaki hızlı artış, üretilen veri hacminin büyük ölçüde genişlemesine neden olmakta ve bu verilerin etkin bir şekilde işlenmesi için ileri analitik tekniklerin kullanımını zorunlu hale getirmektedir. Bu bağlamda, yapay zekâ ve doğal dil işleme (NLP) yöntemleri, müşteri verilerinin anlamlandırılması, sınıflandırılması ve tahmin edilmesi süreçlerinde önemli bir rol oynamaktadır. Yenilikçi yöntem ve uygulamalar, sorunların çözümünde işletmelere ekonomik yönden önemli avantajlar sağlamaktadır. Bu çalışmanın amacı, tüketicilerin elektrikli otomobillere yönelik beklentilerini, kaygılarını, eleştirilerini ve şikayetlerini belirleyerek, üreticilere ve pazarlamacılara çözüm geliştirme konusunda öneriler sunmaktır. Çalışmada, müşteri şikayetlerinin hangi konular etrafında yoğunlaştığını belirlemek amacıyla BERTopic konu modelleme tekniği kullanılmıştır. Veri seti olarak, 1.01.2024- 1.01. 2025 tarihleri arasında bir elektrikli otomobil şirketine yapılan şikayetler sınıflandırılarak analiz edilmiştir. Elde edilen bulgular, işletmelerin elektrikli otomobillere yönelik müşteri beklentilerini daha iyi karşılamalarına ve satın alma davranışlarını olumlu yönde etkilemelerine katkı sağlayabilir.

Abstract

Today, with the rapid development of technology, the use of environmentally friendly and innovative automobiles continues to increase. Among these automobiles, there is a growing interest in electric vehicles, but it is of great importance for the acceptance of these vehicles to quickly resolve the issues that consumers find inadequate. The rapid increase in the number of potential customers leads to a significant expansion in the volume of data generated and necessitates the use of advanced analytical techniques to process this data effectively. In this context, artificial intelligence and natural language processing (NLP) methods play an important role in the processes of interpreting, classifying and predicting customer data. Innovative methods and applications provide significant economic advantages to businesses in solving problems. The aim of this study is to determine the expectations, concerns, criticisms and complaints of consumers towards electric cars and to provide suggestions to manufacturers and marketers to develop solutions. In the study, BERTopic topic modelling technique was used to determine around which topics customer complaints are concentrated. As a data set, the complaints made to a electric car company between 1 January 2024 and 1 January 2025 were classified and analysed. The findings obtained can contribute to businesses to better meet customer expectations for electric cars and positively influence their purchasing behaviour.

🔖

Bu Makaleye Atıf Yap

Beydoğan, G. Ş., Tolon, M., Güngör, S. (2025). A STUDY ON ELECTRIC CARS USING BERTOPIC TOPIC MODELING TECHNIQUE. Ege Akademik Bakış Dergisi, Cilt: 26 Sayı: 2, 237–248. https://doi.org/10.21121/eab.20260206

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (40)

  1. Alam, M.S., & Krishnamurthy, M. (2021). Electric vehicle ıntegration in a smart microgrid environment. Taylor & Francis, 382.
  2. Alkan, N., & Koksal, C, D. (2024). Identifying consumer preferences for new generation vehicles using multidimensional preference. Marketing and Management of Innovations, 15(2), 38-54.
  3. 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.
  4. Aşkun, O. (2015). Şikâyet iletilerinin örgütsel öğrenme üzerine etkisi. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 24(1), 221–243
  5. Bosch, V.G., & Enriquez, F.T. (2005). TQM and QFD: exploiting a customer complaint management system. International Journal of Quality & Reliability Management, 22 (1),30-37.
  6. Brescia, V., Degregori, G., Maggi, D., & Hadro, D. (2023). An integrated vision of electric vehicles’consumer behaviour: Mapping the practitioners to consolidate the research agenda. Journalof Cleaner Production, 410, 137210.
  7. Cerruti, G., Chiola, M., Bianco, V., & Scarpa, F. (2023). Impact of electric cars deployment on the Italian energy system. Energy and Climate Change, 4, 100095.
  8. Christou, I. T., Kefalakis, N., Soldatos, J. K., & Despotopoulou, A. (2022). End-to-end industrial IoT platform for quality 4.0 applications. Computers in Industry, 137, 103591.
  9. Corradi, C., Sica, E., & Morone, P. (2023). What drives electric vehicle adoption? Insights from a systematic review on European transport actors and behaviours. Energy Research & Social Science, 95, 102908.
  10. Dagoula, C. (2019). Mapping political discussions on Twitter: Where the elites remain elites. Media and Communication,7, 225-234.
  11. Darmawan, A., & Sheu, D. D. (2021). Preventive maintenance scheduling: A simulation-optimization approach. Production and Manufacturing Research, 9(1), 281–298.
  12. Değirmenci, K., & Breitner, M. H. (2017). Consumer purchase intentions for electric vehicles: Is green more important than price and range? Transportation Research Part D: Transport and Environment, 51, 250-260.
  13. Dwivedi, M., Shibu, T. P., & Venkatesh, U. (2007). Social software practices on the internet. International Journal of Contemporary Hospitality Management, 19(5).
  14. Featherman, M., (Jasper) Jia S., Califf, C. B., & Hajli, N. (2021). The impact of new technologies on consumers beliefs: Reducing the perceived risks of electric vehicle adoption. Technological Forecasting & Social Change, 169, 120847.
  15. Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure (arXiv: 2203. 05794). arXiv.
  16. Grootendorst, M. (2020). BERTopic: Neural Topic Modeling with a Transformer-Based Embedding. arXiv.
  17. Heinisch, V., Goransson, L., Erlandsson, R., Hodel, H., Johnsson, F. Odenberger, M. (2021). Smart electric vehicle charging strategies for sectoral coupling in a city energy system. Applied Energy,288, 1-18.
  18. Hu, X., Wang, S., Zhou, R., Gao, L., & Zhu, Z. (2023). Policy driven or consumer trait driven? Unpacking the EVs purchase intention of consumers from the policy and consumer trait perspective. Energy Policy, 177, 113559.
  19. Khanbhai, M., Anyadi, P., Symons, J., Flott, K., Darzi, A., & Mayer, E. (2021). Applying natural language processing and machine learning techniques to patient experience feedback: A systematic review. BMJ Health and Care Informatics, 28(1), 1-12.
  20. Koruyan, K. (2022). BERTopic konu modelleme tekniği kullanılarak müşteri şikayetlerinin sınıflandırılması. İzmir Sosyal Bilimler Dergisi, 4(2), 66–79.
  21. Kotler, P., & Armstrong, G. (2018). Principles of Marketing. 17th edn. Toronto: Prentice Hall.
  22. Lin, J., & Chen, K. (2024). A novel decision support system based on computational intelligence and machine learning: Towards zero-defect manufacturing in injection molding. Journal of Industrial Information Integration, 40, 100621.
  23. Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5, 1093-1113.
  24. Mehak, G., Muneer, I., & Nawab, R. M. A. (2023). Urdu Text reuse detection at phrasal level using sentence transformer-based approach. Expert Systems with Applications, 234, 121063.
  25. Meng, F., Lu, Z., Li, X., Han, W., Peng, J., Liu, X., & Niu, Z. (2024). Demand-side energy management reimagined: A comprehensive literature analysis leveraging large language models. Energy, 291, 130303.
  26. Olsen, S. O., Khoi, N. H., & Tuu, H. H. (2021). The “well-being” and “ill-being” of online impulsive and compulsive buying on life satisfaction: The role of self-esteem and harmony in life. Journal of Macromarketing, 42(1), 128–145.
  27. Ray, A., Bala, P.K., & Dasgupta, S.A., (2019). Role of authenticity and perceived benefits of online courses on technology based career choice in India: a modified technology adoption model based on career theory. Int. J. Inf. Manage., 47, 140–151.
  28. Sala, R., Pirola, F., Pezzotta, G., & Cavalieri, S. (2023). Improvement of maintenance-based product-service system offering through field data: A case study. Production and Manufacturing Research, 11(1), 2278313.
  29. Schiffman, L., & Kanuk, L., (2014). Consumer behavior. Global Edition. Pearson Higher Ed.
  30. Stauss, B.& Schoeler, A. (2004). Complaint management profitability: What do complaint managers know? Managing Service Quality, 14(2), 147-56.
  31. Supriyono, A., Prasetya W.A., & Suyono, F.K. (2024). Advancements in natural language processing: Implications, challenges, and future directions Telematics and Informatics Reports, 100173
  32. Tuertmann, R., Ruessmann, M., Schroeder, M., Linder, A., & Schmidt, A. (2016). Challenges and design of a data-oriented complaint and failure management. Total Quality Management and Business Excellence, 27(7–8),885–896.
  33. Ulhe, P. P., Dhepe, A. D., Shevale, V. D., Warghane, Y. S., Jadhav, P. S., & Babhare, S. L. (2024). Flexibility management and decision making in cyber-physical systems utilizing digital lean principles with brain-inspired computing pattern recognition in Industry 4.0. International Journal of Computer Integrated Manufacturing, 37(6), 708–725.
  34. Urso, D. D., Chiacchio, F.,Cavalieri, S., Gambadoro, S.,& Khodayee, S. M. (2024). Predictive Maintenance of standalone steel industrial components powered by a dynamic reliability digital twin model with artificial intelligence. Reliability Engineering and System Safety, 243,109859.https://doi.org/10.1016/j.ress.2023.109859
  35. Vermulst, L., Analytics, B., Daniels, H., Schilpzand, M., Machine, S., Company, L., Reader, S., & Dobre, C. (2024). Detecting Emerging Trends in Customer Satisfaction through Topic Modeling and Mathematical Optimization. 2041129
  36. Wang, C.L., Li, D., Barnes, B.R., & Ahn, J. (2012). Country image product image and consumer purchase intention: Evidence from an emerging economy. Int. Bus. Rev., 21, 1041–1051.
  37. Wang, X., Yue, C., & Lv, T. (2023). Fuel vehicles or new energy vehicles? A study on the differentiation of vehicle consumer demand based on online reviews, Marketing Intelligence & Planning, 41(7).
  38. Yang, Y., Xu, D. L., Yang, J. B., & Chen, Y.W. (2018). An evidential reasoning-based decision support system for handling customer complaints in mobile telecommunications. Knowledge-Based Systems, 162, 202–210.
  39. Yigin, B., & Celik, M. (2024). A prescriptive model for failure analysis in ship machinery monitoring using generative adversarial networks. Journal of Marine Science and Engineering, 12(3), 1–22.
  40. Zhu, L.J., Wang, J.Z., Farnoosh, A., & Pan, X.Z. (2022). A game-theory analysis of electric vehicle adoption in Beijing under license plate control policy. Energy, 244, 122628.