Müşteri yorumlarını ve iade nedenlerini yapay zekâ ile analiz etmek; bu metinleri sizin belirlediğiniz bir etiket şemasına göre sınıflandırtmak, sonucu örneklemle doğrulamak ve çıkan tabloyu ürün ve tedarik kararlarına çevirmektir. Yapay zekâ burada okuma yükünü alır. Neyin sayılacağına ve hangi kararın verileceğine siz karar verirsiniz.
Yorumların güven ve dönüşüm üzerindeki etkisini müşteri yorumlarının önemi yazımızda anlattık. Bu yazı yorumların mağazanın içine dönük kullanımıyla ilgilidir: hangi ürünün neden geri geldiğini, hangi şikâyetin tekrar ettiğini görmek.
Hangi veriler analiz edilmeli?
Dört kaynağı birlikte analiz edin: sitenizdeki ürün yorumları, pazaryeri mağazanıza gelen yorumlar ve sorular, iade formundaki nedenler ve destek kayıtları. Tek kaynak yanıltır. Sitedeki yorumlar yalnız yorum bırakmayı seçen müşterilerin sesidir; iade eden bir müşteri ise sebebini hiç yorum yazmadan iade formuna veya WhatsApp destek hattına bildirebilir.
Dikkat: İade nedenini toplarken bir sınırı bilin. Mesafeli Sözleşmeler Yönetmeliği'ne göre tüketici cayma hakkını gerekçe göstermeden kullanabilir. [2] Bu yüzden neden alanını iadenin şartı yapmayın; seçenekli ve isteğe bağlı tutun, boş kalan kayıtları da ayrı bir grup olarak sayın. Seçenekleri sade tutun: beden veya ölçü, renk farkı, kusurlu ürün, geç teslim, fikir değişikliği, diğer.
İpucu: Pazaryeri soruları ayrı bir değer taşır. Satın almadan önce sorulan "kaç santim", "kalıbı nasıl" gibi sorular, ürün sayfasında eksik olan bilgiyi iade gelmeden önce gösterir. Bu soruları da aynı şemayla etiketleyin; eksik ürün bilgisinin en erken işareti çoğu zaman buradan gelir.
Kişisel veriler analizden önce nasıl temizlenir?
Analize yalnız yorum veya neden metni, ürün kodu, kategori ve tarih gönderin; ad, telefon, e-posta, adres ve sipariş numarası çıkarılmalıdır. Sınıflandırma bu alanlara ihtiyaç duymaz. Serbest metinde müşterinin kendi yazdığı telefon numarası veya adres de çıkabilir; bunları basit bir kural ya da arama ile maskeleyin.
KVKK'nın üretken yapay zekâ rehberi, gerçekten anonim hâle getirilmiş verinin Kanun kapsamı dışında kaldığını, ancak anonimliğin teknik yöntemlerle gösterilebilmesi gerektiğini belirtir. [3] Maskeleme riski azaltır ama her zaman anonimlik sağlamaz. Müşteri verisini hangi araçta hangi hukuki çerçeveyle işleyebileceğinizi müşteri verisi ve KVKK yazımızda ayrıca ele aldık.
Etiket şeması nasıl kurulur?
Etiket şeması, kararlarınıza karşılık gelen 8 ile 12 arasında etiketten oluşmalıdır. Her etiketin bir tanımı, iki örnek cümlesi ve o etiketle ilgilenecek bir sorumlusu olmalı. "Olumsuz" gibi tek başına hiçbir kararı tetiklemeyen etiketler yerine "beden küçük kalıyor" gibi işlem gerektiren etiketler kullanın.
| Etiket | Örnek ifade | Karar sahibi |
|---|---|---|
| Beden veya ölçü uyumsuz | "Bir beden küçük geldi" | Kategori sorumlusu: beden tablosu ve açıklama |
| Görsel ile ürün farklı | "Renk fotoğraftakinden koyu" | İçerik sorumlusu: görsel ve renk adı |
| Kusurlu veya hasarlı ürün | "Fermuar ilk gün bozuldu" | Satın alma: tedarikçi ve kalite kontrol |
| Paketleme ve kargo | "Kutu ezik geldi" | Operasyon: paketleme ve kargo anlaşması |
| Eksik ürün bilgisi | "Yıkama talimatı yazmıyor" | İçerik sorumlusu: ürün açıklaması |
Bir yorum birden fazla etiket alabilir. Yapay zekâya etiket listesini tanımlarıyla birlikte verin ve listede olmayan etiket üretmemesini, emin olmadığı yorumu "belirsiz" olarak işaretlemesini isteyin. Belirsiz kümesi büyüyorsa şemanızda bir eksik vardır.
Yapay zekânın etiketleri nasıl doğrulanır?
Rastgele seçilen bir örneklemi bir ekip üyesi elle etiketlemeli ve yapay zekânın sonucuyla karşılaştırmalıdır. İlk turda 100 kayıt yeterlidir. Uyuşmayan kayıtlara bakın; uyuşmazlığın kaynağı çoğu zaman birbirine yakın iki etiketin belirsiz tanımıdır.
KVKK rehberi, şikâyet özetleri çıkaran bir modelin bazı metinleri bağlamından kopuk biçimde aktardığı ve müşteri bilgilerini eksik ya da hatalı yansıttığı bir örneği anlatır; çıktıların düzenli gözden geçirilmesini önerir. [3] Aynı risk sınıflandırmada da vardır. Doğrulamayı her ay küçük bir örneklemle tekrarlayın; özellikle yeni bir ürün grubu eklendiğinde.
Doğrulama sonucunu bir sayıyla kaydedin. Varsayımsal örnek: 100 kaydın 86'sında ekip üyesi ile yapay zekâ aynı etiketi seçti, uyuşmayan 14 kaydın 9'u ise "kusurlu ürün" ile "görsel ile ürün farklı" arasında gidip geliyor. Bu iki etiketin tanımını netleştirip aynı kayıtları tekrar çalıştırın; uyum yükselmeden sonuçları karar toplantısına taşımayın.
100 elle etiketlenen rastgele örnek kayıt
86 yapay zekâyla aynı etiketi alan kayıt (varsayımsal)
9 / 14 uyuşmazlığın iki yakın etiketten çıktığı kayıt
Yorumlarla çalışırken hangi yasal sınırlar var?
Temel sınır şudur: analiz sonucuna göre olumsuz yorumları gizleyemez, sıralamayı onlar aleyhine değiştiremez ve gerçek olmayan yorum yayınlayamazsınız. Ticari Reklam ve Haksız Ticari Uygulamalar Yönetmeliği'ne göre tüketici değerlendirmeleri, gerekli incelemeden sonra olumlu ya da olumsuz ayrımı yapılmadan en az bir yıl, tarih veya puan gibi objektif bir ölçüte göre yayınlanır. [1]
Aynı madde 1 Temmuz 2026'da Resmî Gazete'de yayımlanan değişiklikle yeniden düzenlendi ve değişiklik 1 Ağustos 2026'da yürürlüğe girdi. Güncel metne göre satın alım doğrulaması yapılamayan mecralardan alınan değerlendirmeler yayınlanamaz, doğrulanmamış değerlendirmeler reklamlarda kullanılamaz ve doğru olmayan değerlendirme yazdırmak için anlaşma yapılamaz. [1] Bu yüzden yapay zekâyı yorum üretmek için değil, gelen yorumu anlamak için kullanın.
Analiz sonucu hangi kararlara dönüşmeli?
Her etiket kümesi bir sorumlunun masasına somut bir işle gitmelidir: beden tablosu güncellemesi, görsel yenileme, açıklamaya bilgi ekleme, paketleme değişikliği veya tedarikçiyle görüşme. Varsayımsal örnek: bir mont modelinde üç ayda gelen 180 iadenin 70'i "bir beden küçük" etiketini alıyorsa, ürün sayfasına "kalıp dar, bir beden büyük tercih edin" notu eklemek ve tedarikçiye kalıp ölçülerini sormak ilk iştir.
Kararın etkisini aynı etiketle ölçün. Not eklendikten sonraki üç ayda aynı modelde "beden küçük" oranı düşüyor mu, bakın. Ürün sayfasındaki metni nasıl güçlendireceğinizi ürün açıklamaları yazımızda, yapay zekânın mağazanızda hangi işlerde öncelikli olduğunu e-ticarette yapay zekâ danışmanlığı yazımızda bulabilirsiniz.
Son üç ayın iade nedenlerini ve ürün yorumlarını kişisel verilerden arındırılmış bir dosya olarak gönderin; etiket şemasını ve ilk analizi bu dosya üzerinden kuralım. WebAction, e-ticaret danışmanlığı kapsamında şemayı sizin karar sahiplerinize göre kurar ve ilk doğrulama turunu ekibinizle birlikte yürütür.
Sık sorulan sorular
Yorum analizi için kaç yorum gerekir?
Kesin bir alt sınır yoktur. Ürün bazında anlamlı bir sonuç için aynı ürün veya model grubunda en az birkaç düzine kayıt gerekir; az yorum alan ürünleri kategori düzeyinde birleştirerek inceleyin.
Pazaryeri yorumlarını kendi sitemde yayınlayabilir miyim?
Analizde kullanmak ayrı, yayınlamak ayrı bir konudur. Yönetmeliğin güncel metni, satın alım doğrulaması yapılamayan mecralardan alınan değerlendirmelerin yayınlanmasını yasaklar; yayından önce bu koşulu hukuk danışmanınızla değerlendirin. [1]
Yapay zekâ olumsuz yorumlara cevap yazabilir mi?
Taslak yazabilir. Gönderilmeden önce bir ekip üyesi okumalı, özellikle telafi, iade veya hukuki sorumluluk içeren cümleleri kontrol etmelidir. Aynı kalıpla yazılmış cevaplar müşteriye ilgisizlik izlenimi verir.
Analizi ne sıklıkla yapmalıyım?
Ayda bir yeterlidir. Kasım indirimleri gibi yoğun dönemlerden sonra iki hafta içinde ek bir tur yapın; kampanya dönemindeki kargo ve paketleme sorunları bu dönemde birikir.
Kaynaklar
- Mevzuat Bilgi Sistemi — Ticari Reklam ve Haksız Ticari Uygulamalar Yönetmeliği (madde 28/B) (18.10.2026)
- Mevzuat Bilgi Sistemi — Mesafeli Sözleşmeler Yönetmeliği (madde 9) (18.10.2026)
- Kişisel Verileri Koruma Kurumu — Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda), Kasım 2025 (18.10.2026)
İhtiyacınızı konuşalım, ilk adımı belirleyelim.
Talebinizi bırakın; ekibimiz ihtiyacınızı dinlesin ve uygun kapsamı paylaşsın.
- Ücretsiz ve yükümlülüksüz
- Çalışma saatlerinde geri arama
