Tecof • 15 Eylül 2026 • 12 dk
AI ile Müşteri Yorumu Analizi: Sentiment Analysis
Kısaca
Müşteri yorumu analizi, ürün ve hizmetinize dair serbest metinleri makineyle okuyup hem duyguyu hem de konuyu etiketleyerek ölçülebilir hale getirme işidir. Sentiment analysis bu işin yalnızca bir parçasıdır: bir cümlenin olumlu mu olumsuz mu olduğunu söyler, ama neden olumsuz olduğunu söylemez. İşe yarayan kurulum, duyguyu konuyla birlikte etiketleyen, yani "kargo hızlı ama kumaş ince" cümlesinden iki ayrı sinyal çıkaran kurulumdur. 2026 itibarıyla soru yorumları yapay zekayla okutabilir miyiz değil, okuttuğumuz sonuca güvenip hangi kararı değiştireceğiz sorusudur.
Salı sabahı 09.20. Kadın giyim kategorisinde çalışan bir markanın haftalık toplantısı. Ekranda Trendyol mağaza puanı 4,6; kendi sitelerindeki ortalama 4,4. İkisi de geçen aya göre neredeyse aynı. Aynı ekranda iade oranı üç ayda yüzde 18'den yüzde 26'ya çıkmış. Son 90 günde toplam 7.400 yorum birikmiş; müşteri hizmetleri ekibi bunların tahminen 300 tanesini okumuş, o da şikayet geldiği için. O gün öğleden sonra 2.100 yorum konu etiketiyle geçirildiğinde tablo netleşiyor: olumsuz yorumların yüzde 41'i beden ve kalıpla ilgili, bunların da dörtte üçü tek bir tedarikçiden gelen üç üründe toplanıyor. Ortalama puan bunu hiç göstermemişti, çünkü aynı ürünlere gelen "kumaşı çok güzel" yorumları ortalamayı ayakta tutuyordu.
Sorun yorum sayısında değil, yorumun tek bir sayıya sıkıştırılmasında. Yıldız ortalaması bir ürünün toplam izlenimini verir; hangi ekibin ne yapması gerektiğini vermez. Beş yıldız veren müşteri de "kargo üç gün geç geldi" yazabilir, iki yıldız veren müşteri de "ürün çok iyi ama beden küçük" diyebilir. Yorum metni içinde zaten operasyonel bir yol haritası vardır, yalnızca okunmamıştır.
Sentiment Analysis Nedir, Ne Değildir
Polarite ile konu birbirinden ayrı iki şeydir
Klasik sentiment analysis metne bir polarite verir: olumlu, olumsuz, nötr. Bu tek başına raporlanabilir bir sayı üretir ama eylem üretmez. "Olumsuz yorum oranı yüzde 22" cümlesi kimseye ne yapacağını söylemez. Konu etiketi, yani aspect, metnin neden bahsettiğini söyler: kalite, beden, kargo, paketleme, fiyat, açıklama uyumu, iade süreci. İkisini birlikte kullandığınızda "beden konusunda olumsuz oran yüzde 41" gibi bir sayı elde edersiniz; bu sayı bir ekibin önüne konabilecek bir iştir. Sahada gördüğümüz en yaygın hata, projeye polarite ile başlayıp konu etiketini "sonra ekleriz" diye ertelemek oluyor; o hâlde pano kurulmuş ama kimse bakmıyor durumuna geliyorsunuz.
Temel terimler
- Polarite: Metnin ya da metindeki bir parçanın duygu yönü. Olumlu, olumsuz, nötr olarak üç sınıf yeterlidir; beş kademeli ölçekler doğruluğu düşürür.
- Aspect (konu): Yorumun hangi ürün veya hizmet boyutundan söz ettiği. Kapalı bir listeden seçilir, serbest metin olarak bırakılmaz.
- Aspect-based sentiment: Aynı yorum içindeki her konuya ayrı polarite atama. Tek yorumdan birden çok satır çıkar.
- Etiket şeması: Kullanacağınız konu listesinin ve her konunun tanımının yazılı hâli. Şema yoksa ölçüm tekrar edilemez.
- Doğrulama seti: İnsan eliyle etiketlenmiş, modelin hiç görmediği örnek yorum kümesi. Doğruluğun tek dürüst ölçüsü budur.
Tek yorumda iki duygu olabilir
"Kargo çok hızlı geldi ama kumaş beklediğimden ince" cümlesi tek bir yorum, iki ayrı sinyaldir. Bu cümleye tek bir polarite verirseniz ya lojistik ekibi hak etmediği bir olumsuzu ya da satın alma ekibi görmesi gereken bir uyarıyı kaybeder. Aspect-based kurulumda bu yorum iki satır üretir: kargo/olumlu ve kalite/olumsuz. Sahada gördüğümüz oran, yorumların yaklaşık üçte birinin birden fazla konu içermesi yönünde; moda ve ev tekstilinde bu oran daha da yükseliyor. Modele "bu yorum ne hakkında" diye açık uçlu sorarsanız her hafta farklı isimler üretir ve trend çizemezsiniz; konu listesini sabitleyin, listeye girmeyenler için tek bir "diğer" kovası bırakın ve ayda bir bu kovayı elle okuyup yeni etiket eklemeniz gerekip gerekmediğine karar verin. Yedi ile on iki arası etiket çoğu e-ticaret kataloğu için yeterli olur.
Elle okumakla makineyle okumak
Elle okuma daha doğru sonuç verir, ama kapsamı küçüktür ve tekrarlanamaz: aynı 200 yorumu iki kişi okuduğunda etiketlerin bir kısmı tutmaz. Makineyle okuma biraz daha hatalıdır, ama her yorumu her hafta aynı ölçütle geçer. Doğru kurgu ikisinin birleşimidir: makine her şeyi etiketler, insan haftada bir örneklem üzerinden makineyi denetler.
| Ölçüt | Elle okuma | AI ile analiz | Karma (önerilen) |
|---|---|---|---|
| Aylık kapsanan yorum | 200-400 | Tamamı (10.000+) | Tamamı + 200 denetim |
| Harcanan süre | 14-20 saat | 1-2 saat (kurulum sonrası) | 3-4 saat |
| Aylık maliyet aralığı | 6.000-12.000 TL iş gücü | 800-2.500 TL model ve altyapı | 3.000-5.000 TL |
| Konu etiketi doğruluğu | %95 üzeri | %82-92 | %90-95 |
| Tekrarlanabilirlik | Düşük, okuyana göre değişir | Yüksek | Yüksek |
Türkçe Yorumun Kendine Özgü Zorlukları
Olumsuzluk ekleri ve ironi
Türkçede olumsuzluk ayrı bir kelime değil, ekle taşınır: "beğendim" ile "beğenmedim" arasındaki fark iki harftir. Kelime temelli eski yöntemler burada sistematik olarak yanılır. Daha zor olanı ironi: "harika, üç haftada geldi" cümlesindeki "harika" kelimesi olumlu, cümlenin tamamı olumsuzdur. Güncel dil modelleri bu iki durumu büyük ölçüde doğru okur, ama doğrulama setinizde mutlaka ironi içeren örnekler bulundurun; sahada gördüğümüz aralıkta ironi, model hatalarının en büyük tek kalemi oluyor.
Kısaltma, emoji ve yazım hataları
Yorumlar sohbet diliyle yazılır: "urun güzl ama kargo rezalet", "tşk", "bdn kücük geldi". Türkçe karakterlerin İngilizce klavyeyle yazılması, noktalama eksikliği ve emoji kullanımı normaldir. Ön işlemede metni aşırı temizlemeyin; küçük harfe indirmek ve tekrar eden karakterleri kırpmak yeterlidir. Emojiyi silmek yerine metinde bırakın, çoğu model emojiyi doğru okur ve özellikle üç beş kelimelik yorumlarda tek duygu işareti o olabilir.
Marka, ürün adı ve model karışması
Yorumda geçen "X marka daha iyiydi" cümlesi sizin ürününüz hakkında olumsuz, adı geçen marka hakkında olumlu görünebilir. Ürün adları da sorun çıkarır: "Bebe yaka bluz çok dar" cümlesindeki ürün adını model bazen konu sanır. Prompta hangi ürün hakkında karar verildiğini yazın ve SKU bilgisini metinle verin. Model seçiminde tek ölçüt Türkçe performansıdır: aynı doğrulama setini iki üç modele aynı promptla geçirip doğruluğu karşılaştırın, İngilizce kıyaslama tablolarına bakarak karar vermeyin. Prompt yazımının pratiği için e-ticarette prompt engineering üzerine yazdığımız rehber işe yarar.
Veri Kaynakları ve Tek Pano
Kendi siteniz ve pazaryerleri
Kendi sitenizdeki yorumlar en temiz kaynaktır: sipariş, SKU ve müşteri kaydıyla eşleşir, dolayısıyla "hangi üründe, hangi bedende, hangi kargo firmasıyla" sorularına cevap verebilirsiniz. Trendyol ve Hepsiburada yorumları hacim olarak daha büyüktür ama eşleşme zayıftır ve oradaki kargo şikayetleri sizin operasyonunuzu yansıtmayabilir. İkisini aynı panoda, kaynak alanıyla ayırarak tutun; oranları kaynak kırılımında okumadan karşılaştırmayın.
Yorum dışı kaynaklar çoğu zaman daha keskindir
İade sebepleri, destek talepleri ve kargo firmasından gelen teslimat geri bildirimleri aynı etiket şemasıyla etiketlenir. İade sebebi kısa ve doğrudandır, model doğruluğu burada daha yüksek çıkar. Yurtiçi ve Aras tarafından dönen teslim edilemedi kayıtları da kargo etiketinin doğrulayıcısıdır: yorumdaki şikayet ile taşıyıcı kaydı aynı bölgeyi işaret ediyorsa karar netleşir. Depo ve sevkiyat tarafındaki karşılıkları görmek için lojistik ve depo yönetimi tarafında kurduğumuz yapıya bakabilirsiniz.
Birleştirme ve tek pano
Kaynakları tek tabloda toplayın: kayıt kimliği, kaynak, tarih, SKU, kategori, konu etiketi, polarite, model güveni, metin. Aktarımı elle CSV ile başlatmak sorun değildir; hacim büyüdüğünde entegrasyon tarafını kurup otomatik akışa geçersiniz.
Kurulum: Etiketten Doğruluk Eşiğine
Yorumları çekmek
Kendi sitenizdeki yorumlar için veritabanı dışa aktarımı ya da API yeterlidir. Pazaryeri tarafında satıcı panelinden dışa aktarmayla başlayın, API erişiminiz varsa günlük çekim kurun. İlk turda 90 günle sınırlı kalın; eski veri trend için işe yarar ama kurulumu yavaşlatır.
Etiket şeması ve prompt
Şemayı tek sayfada yazın: etiket adı, tanımı, örnek iki cümle, sınır durumları. "Kargo geç geldi ama kurye çok kibardı" cümlesinin nereye gideceği şemada yazılı olsun. Promptu bu şemanın üstüne kurun; modelden her yorum için konu-polarite çiftlerinden oluşan yapılandırılmış bir çıktı ve her çift için bir güven değeri isteyin. Serbest metin açıklaması istemeyin, tablo hâline getiremezsiniz.
200 yorumluk doğrulama seti
Rastgele seçilmiş 200 yorumu iki kişi bağımsız olarak elle etiketlesin, farklılıkları konuşup karara bağlayın. Bu küme modelin hiç görmediği referansınızdır. Konu etiketi doğruluğunu ve polarite doğruluğunu bu kümeye karşı ayrı ölçün; tek bir toplam sayı yanıltır, çünkü polarite konudan daha yüksek çıkar ve ortalama gerçek zayıflığı gizler.
Eşik ve karar
Eşiğin altındaki bir kurulumu panoya bağlamak, yanlış sayıya dayanarak tedarikçi değiştirmenize yol açar. Yüzde 85 altını üretime almayın; bu eşiği baştan yazılı kural hâline getirin ki proje geciktiğinde pazarlık konusu olmasın.
| Doğruluk aralığı | Güvenilirlik | Karar | Sonraki adım |
|---|---|---|---|
| %60 altı | Rastgeleye yakın | Üretime alınmaz | Etiket şeması yeniden yazılır, etiketler birleştirilir |
| %60-75 | Yön verir, sayı vermez | Yalnızca keşif amaçlı | Prompt örneklendirilir, model değiştirilir |
| %75-85 | Trend okunur, oran okunmaz | Sınırlı kullanım | Sık karışan iki etiket ayrıştırılır |
| %85-92 | Haftalık karar için yeterli | Üretime alınır | Aylık 200 yorumluk denetim sürdürülür |
| %92 üzeri | Yüksek | Otomatik uyarı kurulabilir | Eşik aşımında ilgili ekibe bildirim |
Sonuçtan Eyleme: Yorumdan Ürün Sayfasına
Her etiketi bir sorumluya bağlayın
Bir etiketin sahibi yoksa ölçüm rapor olarak kalır, karar olmaz. Her etiketin karşısına hangi ekibin baktığını ve tipik aksiyonu yazın. Aşağıdaki tablo moda ve ev kategorilerinde kullandığımız başlangıç şemasıdır; kataloğunuza göre etiket ekleyip çıkarın, sütun yapısını koruyun.
| Konu etiketi | Tipik ifade | Sorumlu ekip | Tipik aksiyon |
|---|---|---|---|
| Beden / kalıp | "Bir beden büyük almalıydım" | Ürün / kategori | Beden tablosu ve görselde model ölçüsü güncelleme |
| Kalite | "Kumaş ince, ilk yıkamada çekti" | Satın alma | Tedarikçi numunesi ve yıkama testi tekrarı |
| Kargo | "Dört günde geldi, kurye aramadı" | Operasyon | Bölge bazlı kargo firması dağılımını değiştirme |
| Paketleme | "Kutu ezilmişti, poşetle gelmiş" | Depo | Kırılgan kategorilerde koli tipi değişimi |
| Açıklama uyumu | "Görseldeki renk bu değil" | İçerik | Ürün fotoğrafı ve renk adı düzeltmesi |
| İade süreci | "İade kargosu için üç gün bekledim" | Müşteri hizmetleri | İade kodu otomasyonu ve süre taahhüdü |
Ürün sayfası düzeltmeleri
Beden ve kalıp etiketinde olumsuzun yoğunlaştığı ürünlerde ilk iş beden tablosudur: ürünün gerçek ölçülerini santimetre cinsinden yazın, modelin üzerindeki bedeni belirtin, gerekiyorsa "bir beden büyük alınması önerilir" notunu ekleyin. Sahada gördüğümüz aralıkta bu düzeltme, ilgili üründe iade oranını birkaç hafta içinde birkaç puan aşağı çekiyor. Açıklama uyumu etiketi ise doğrudan metne işaret eder; ürün açıklamalarını yapay zekayla yazarken yorumlardan çıkan itirazları girdi olarak kullanmak en hızlı kazançlardan biridir.
Paketleme ve kargo kararları
Paketleme etiketindeki olumsuzları kategori ve koli tipi kırılımında okuyun; genellikle tek bir kategori ve tek bir koli boyu sorumlu çıkar. Kargo etiketini firma ve bölge kırılımında okuyun. Yurtiçi ile Aras arasındaki fark çoğu zaman Türkiye genelinde değil belirli illerde belirginleşiyor; kararı bölge bazında vermek hem daha iyi sonuç veriyor hem de pazarlık payı bırakıyor.
Kategori bazlı iade oranı ve dönüşüm
Konu etiketlerini iade sebepleriyle eşleştirdiğinizde hangi kategoride iadenin içerikten, hangisinde üründen kaynaklandığını görürsünüz. İçerik kaynaklı iadeler ürün sayfası düzeltmesiyle düşer ve aynı düzeltme dönüşüm oranını da yukarı taşır; dönüşüm oranını artırma çalışmalarının en ucuz girdisi çoğu zaman kendi yorum arşivinizdir.
Yorum Yanıtlama: Taslak Makineden, Onay İnsandan
Yetki sınırını önceden yazın
Yanıt taslağı üreten bir kurulum, ne söyleyebileceğini ve ne söyleyemeyeceğini bilmelidir. İade kabulü, kargo ücreti üstlenme, indirim kodu verme gibi maliyet doğuran vaatler taslakta yer almamalı; bunlar insan kararıdır. Tecof'ta yanıt taslağı üretimi tanımlı yetki sınırlarıyla ve onay adımıyla birlikte kurulabiliyor, ayrıntısı için yapay zeka ajanları tarafına bakabilirsiniz.
Kriz yorumları insana gider
Sağlık, güvenlik, alerji, çocuk ürünü, hukuki tehdit ve basın ifadesi içeren yorumlar otomatik akıştan çıkarılıp doğrudan sorumlu kişiye yönlendirilmelidir. Bu ayrımı model güvenine bırakmayın; anahtar kelime listesi ve konu etiketi birlikte tetiklesin, şüpheli durumda insana gitsin. Yanlış tarafta hata yapmanın maliyeti asimetriktir.
Yanıtın kalitesini de ölçün
Taslakların kaçının düzeltilmeden gönderildiğini haftalık takip edin. Bu oran yüzde 70'in altındaysa promptunuz ya da yetki sınırınız yanlıştır. Yanıt süresi ve yanıt sonrası puan değişimi de ölçülebilir; ikisi olmadan "AI yanıt yazıyor" bir sonuç değil, durum tespitidir.
KVKK, Anonimleştirme ve Sahte Yorum Meselesi
Yorum metni kişisel veri içerebilir
Müşteriler yorumlara ad, telefon, sipariş numarası, hatta adres yazar. Bu metinleri işlerken KVKK kapsamındasınız. Modele göndermeden önce telefon, e-posta, sipariş numarası ve TCKN kalıplarını maskeleyin; bu maskeleme basit bir düzenli ifade katmanıyla yapılabilir ve analiz doğruluğunu düşürmez. Aydınlatma metninizde yorumların hizmet iyileştirme amacıyla otomatik analiz edildiğini açıkça yazın.
Aktarım ve saklama
Model sağlayıcısı yurt dışındaysa yurt dışına aktarım rejimini gözetmeniz, sözleşmesel güvenceleri ve sağlayıcının veriyi eğitimde kullanmadığına dair taahhüdünü yazılı almanız gerekir. Ham metin için makul bir saklama süresi belirleyin; etiketlenmiş sayısal çıktıyı uzun süre saklamak, ham metni süresiz saklamaktan hem daha güvenli hem de analiz için yeterlidir.
Sahte yorum üretmeyin
Bunu açıkça söylemek gerekiyor: yapay zekayla sahte olumlu yorum üretmek ya da olumsuz yorumları sistemli biçimde bastırmak yapılmaması gereken bir iştir. Tüketiciyi yanıltıcı ticari uygulama kapsamına girer, pazaryerlerinin satıcı sözleşmelerini ihlal eder ve tespit edildiğinde mağaza kapatmaya kadar giden yaptırımlar doğurur. Bundan bağımsız olarak kendi ölçüm sisteminizi de zehirlersiniz: sahte yorumla dolu bir arşivden çıkan konu dağılımı hiçbir işe yaramaz. Bu sistemin tek değer kaynağı verinin gerçek olmasıdır.
30 Günde Yorum Analizi Kurulumu
1-7. gün: veriyi tek yerde toplayın
Kendi sitenizdeki son 90 günlük yorumları, pazaryeri yorumlarını, iade sebeplerini ve destek taleplerini tek tabloya alın. Alanlar: kayıt kimliği, kaynak, tarih, SKU, kategori, metin. Bu hafta hiçbir analiz yapmayın; hacmi, tekrarları ve boş kayıtları görün. Kaç yorumun SKU ile eşleştiğini not edin, eşleşme oranı düşükse önce onu düzeltin.
8-14. gün: etiket şeması ve doğrulama seti
Yedi ile on iki arası konu etiketi belirleyin, her birinin tanımını ve iki örneğini yazın. Rastgele 200 yorumu iki kişi bağımsız etiketlesin, uyuşmazlıkları çözün. Aynı hafta promptu yazın ve ilk model çıktısını alın. Doğruluğu konu ve polarite için ayrı ölçün, ilk sonucu olduğu gibi kaydedin; sonraki denemeleri bu sayıyla karşılaştıracaksınız.
15-21. gün: eşiği tutturun ve panoya bağlayın
Doğruluk yüzde 85'in altındaysa etiketleri sadeleştirin, sık karışan iki etiketi birleştirin, prompta sınır durumu örnekleri ekleyin. Eşiği geçince tüm arşivi işleyin ve panoyu kurun: konu bazlı olumsuz oranı, kategori, SKU ve kaynak kırılımı, haftalık trend.
22-30. gün: aksiyon döngüsünü çalıştırın
İlk üç konu etiketini sorumlu ekiplere dağıtın ve her biri için tek bir somut değişiklik yapın: bir beden tablosu güncellemesi, bir koli tipi değişimi, bir bölgede kargo firması denemesi. Değişiklik tarihini panoya işaretleyin ki sonraki haftalarda etkisini ayırt edebilesiniz. Ayın son günü 200 yorumluk yeni bir denetim örneklemi alıp doğruluğun düşüp düşmediğine bakın.
Yarın sabah yapabileceğiniz iş şu: son 90 günün yorumlarını tek bir tabloya aktarın, içinden rastgele 200 tanesini seçin ve iki kişiyle elle etiketleyin; bu 200 satır hem etiket şemanızın ilk hâlini hem de bundan sonra kuracağınız her modelin karşısına koyacağınız tek dürüst ölçütü verecek.
Sıkça Sorulan Sorular
Kaç yorumdan sonra bu işe girmek mantıklı olur?
Aylık 300-500 yorumun altındaysanız elle okumak daha ucuz ve daha doğrudur; kurulumun getirisi maliyetini karşılamaz. Aylık 1.000 yorumu geçtiğinizde ya da yorumlarınız üç dörtten fazla kaynağa dağılmışsa makineyle etiketleme anlamlı olur.
Hazır bir araç mı kullanmalıyım yoksa kendim mi kurmalıyım?
Belirleyici olan etiket şemasının size ait olup olmadığıdır. Hazır araçların çoğu genel konu listeleriyle gelir ve sizin kategorinize özgü ayrımları yakalamaz. Kendi şemanızı yazıp bir dil modeline sınıflandırma yaptırmak çoğu e-ticaret ölçeğinde hem daha ucuz hem daha isabetli oluyor.
Yüzde 85 doğruluk yeterli mi, neden daha yükseğini hedeflemiyoruz?
Yüzde 85, haftalık oran karşılaştırması ve trend okuması için yeterlidir; çünkü hatalar genellikle rastgele dağılır ve oranlar arasındaki farkı bozmaz. Daha yükseğini hedeflemek etiket sayısını azaltmayı gerektirir ve bir noktadan sonra bilgi kaybedersiniz. Tek yorum düzeyinde otomatik karar verecekseniz, örneğin iade onayı, yüzde 85 yeterli değildir.
Pazaryeri yorumlarını kendi yorumlarımla aynı havuzda mı değerlendirmeliyim?
Aynı tabloda tutun ama kaynak alanını her zaman kırılımda okuyun. Oradaki kargo şikayetleri kontrolünüz dışındaki süreçlerden gelebilir; bunları kendi sitenizin oranlarıyla toplamak lojistik ekibinize haksız bir tablo çıkarır.
Emoji ve yazım hatalarını temizlemeli miyim?
Hayır, aşırı temizlemeyin. Küçük harfe indirme ve tekrarlayan karakterlerin kırpılması yeterlidir. Emoji kısa yorumlarda çoğu zaman tek duygu işaretidir. Yazım hatalarını düzeltmek de gereksiz; güncel modeller bozuk yazımı büyük ölçüde doğru okuyor.
İroniyi model gerçekten yakalıyor mu?
Kısmen. Açık ironi örneklerinde başarı oranı iyi, örtük olanlarda düşüyor. Doğrulama setinize bilinçli olarak ironi içeren örnekler koyun ve bu alt kümeyi ayrıca ölçün. Doğruluk genel ortalamanızın belirgin altındaysa, ironi yoğun kategorilerde sonucu temkinli okuyun.
Yorum metnini model sağlayıcısına göndermek KVKK açısından sorun mu?
Sorun değil, ama koşulları var. Kişisel veri kalıplarını maskeleyin, aydınlatma metninde otomatik analizden söz edin, sağlayıcıyla sözleşmesel güvenceyi kurun ve yurt dışına aktarım rejimini gözetin. Bu adımlar tamamlandığında hizmet iyileştirme amaçlı analiz yürütülebilir bir işlemdir.
Olumsuz yorumları silmek ya da gizlemek çözüm mü?
Değil. Kendi sitenizde yorumları seçerek yayınlamak tüketiciyi yanıltır ve zaten pazaryerlerindeki yorumları kontrol edemezsiniz. Ölçülebilir getiri, olumsuz yorumu kaynağında ortadan kaldıran operasyonel düzeltmeden gelir; bir şikayeti çözüp yorumu yanıtlamak, silmekten hem daha güvenli hem daha etkilidir.
Panoyu kim okuyacak ve hangi sıklıkta?
Haftalık okuma için ürün, operasyon ve müşteri hizmetlerinden birer kişi yeterlidir; toplantı 20 dakikayı geçmemelidir. Aylık okumada kategori bazlı iade oranı ve konu dağılımındaki kayma değerlendirilir. Panonun kimseye düşmediği durumda kurulum birkaç ay içinde terk ediliyor; sahada en sık gördüğümüz başarısızlık sebebi bu.
Model çıktısının zamanla bozulduğunu nasıl anlarım?
Aylık 200 yorumluk yeni denetim örneklemiyle. Doğruluk iki ölçüm üst üste beş puandan fazla düştüyse ya sağlayıcı model sürümünü değiştirmiştir ya da ürün gamınız değişip yorumların dili kaymıştır. İkisinde de çözüm aynı: doğrulama setine yeni örnekler ekleyip promptu güncelleyin.