1. Yapay zekâ destekli metin analizi nedir?
AI metin analizi; metinleri sınıflandırma, özetleme ve kümelendirme (topic clustering) gibi yöntemlerle “dağınık geri bildirimi” yapılandırılmış veriye dönüştürür. Otel bağlamında bu, şu anlama gelir:
- •Aynı temayı farklı kelimelerle anlatan yorumlar tek başlık altında toplanır (ör. “temizlik”, “oda kokusu”, “hijyen”).
- •Duygu skoru ile “şikâyet mi övgü mü?” ayrışır.
- •Trend analizi ile son 7/30/90 günde hangi temalar yükseliyor görülür.
Key Statistics / Data Point (rakam vermeden): AI kullanıldığında şikâyet ve yorum verisini okumak için harcanan manuel zamanın azalabileceği, buna karşılık aksiyon alacak insan yorumunun her zaman gerekli olduğu yönlü ifade edilmelidir.
Mini Check
- • AI’yi “karar verici” değil “hızlandırıcı” olarak konumlandırdım.
- • Tema + duygu + trend üçlüsünü birlikte okuyorum.
- • Sonuçları örneklemle doğrulama adımı var.
Ne yapmalıyım?
- • “Tema” sözlüğü oluşturarak AI’ye hedef çerçeve ver.
- • Duygu skorunu tek başına değil, örnek yorumlarla birlikte yorumla.
- • Haftalık trend raporu ile ani sıçramaları yakala.
- • AI çıktısını doğrudan aksiyon listesine bağla (owner + tarih).
2. NPS, yorum ve şikâyet verilerini otomatik okumak
Satış sonrası metin verileri üç ana kaynaktan gelir ve her birinin dili farklıdır:
- •NPS serbest metinleri: kısa, kişisel, bazen “neden” içerir.
- •Online review (Google/OTA): kamuya açık, daha ayrıntılı, itibar etkisi yüksek.
- •Complaint ticket notları: operasyonel, kısa notlar, bazen eksik bağlam.
Önemli olan, bu üç kaynağı aynı raporda “tek çatıya” almak ama kaynak farkını kaybetmemektir.
Mini örnek (otel): Antalya/Belek gibi yoğun sezonda “transfer gecikti” teması hem WhatsApp mesajlarında hem Google yorumlarında artabilir; ticket notlarında ise “transfer issue” gibi kısa geçebilir. AI bu üç kaynağı aynı temaya bağlayıp “yüksek öncelik” sinyali üretebilir.
Mini Check
- • Kaynakları ayrı etiketliyorum (NPS/Review/Ticket).
- • Aynı temayı kaynak bazında karşılaştırabiliyorum.
- • “İtibar riski” (review) ile “operasyon yoğunluğu” (ticket) ayrışıyor.
Ne yapmalıyım?
- • Her metne “kaynak” ve “tarih” alanı ekle (en kritik metadata).
- • Ticket notlarında eksik bağlam varsa “kategori” ile güçlendir.
- • Review verisini platform bazında ayır (Google vs OTA).
- • Aynı temanın kaynaklar arası tutarlılığını kontrol et.
3. Tema ve duygu (sentiment) analizi: ne söylüyorlar, nasıl hissediyorlar?
AI analizinde iki ana çıktı vardır:
- •Tema (Topic): “Hangi konuda konuşuyor?”
- •Duygu (Sentiment): “Nasıl hissediyor?” (pozitif/negatif/nötr)
Buradaki en büyük hata; duygu skoruna “kesin gerçek” muamelesi yapmaktır. Özellikle ironi, mizah, kültürel nüanslar ve çok dilli yorumlarda sentiment sapabilir. Bu yüzden “tema + örnek alıntılar + insan kontrolü” üçlüsü gerekir.
Tema/duygu grafikleri (BI panel önerisi)
- •Tema dağılımı (Top 10): sütun grafik
- •Negatif duygu trendi: çizgi grafik (haftalık)
- •Tema × duygu matrisi: ısı haritası (hangi tema en negatif?)
Mini Check
- • En negatif 5 temayı hem skorla hem örnek yorumla görüyorum.
- • Çok dilli yorumlarda ayrı model/kurallar kullanıyorum (TR/EN/DE/RU).
- • “Yanlış pozitif/negatif” örneklerini düzeltme havuzuna alıyorum.
Ne yapmalıyım?
- • Her temaya 3 örnek yorum ekle (insan doğrulaması için).
- • Çok dilli yorumları önce dil tespit ile ayır (TR–EN–DE–RU).
- • Tema×duygu matrisi ile “öncelik” çıkar.
- • Eşik kuralı koy: “negatif tema artışı” → aksiyon toplantısı tetiklensin.
4. Service recovery ve eğitim için içgörü üretmek
AI çıktılarının değeri, “güzel rapor” değil; operasyon ve eğitim kararlarına yakıt olmasıdır. Otel bağlamında iki ana kullanım çok güçlüdür:
- Service recovery: kritik hata temaları yükselince telafi/iyileştirme protokolü devreye girer.
- Eğitim + script güncelleme: tekrar eden iletişim hataları (yanlış bilgi, ton, süre vermeme) script/SOP revizyonu ister.
Mini örnek (otel): Bodrum’da “gürültü” teması yükseliyorsa, ön büro oda bloklama kuralını günceller; çağrı merkezi “özür + çözüm + süre” script’ini güçlendirir. Side’de “geç check-in” teması yükseliyorsa, pre-stay bilgi şablonu revize edilir.
Mini Check
- • Tema artışı → service recovery tetikleyicisi var.
- • Eğitim planı “en negatif 3 tema”ya göre şekilleniyor.
- • Script güncellemesi AI bulgularıyla ilişkilendiriliyor.
Ne yapmalıyım?
- • “Tema → departman owner” eşleştirmesi yap (temizlik→HK, teknik→Teknik).
- • Service recovery kriterini AI trendleriyle besle (P1 tema artışı).
- • Eğitimde “en çok tekrar eden 5 cümle hatası”nı çıkar (Varsayım: transkript var).
- • Script kitapçığına versiyon ekleyerek güncelle (v1.1).
5. AI analizlerini raporlama ve aksiyona çevirmek
AI analizinin nihai çıktısı: Aksiyon Planı. “En çok şikâyet gelen 5 tema”yı görmek tek başına yetmez; owner, tarih, çözüm tipi (quick win vs proje) ve ölçüm KPI’sı gerekir.
Aksiyon planı tablosu (örnek)
| Tema | Kaynak sinyali | Duygu | Kök neden hipotezi | Aksiyon | Owner | Bitiş | KPI |
|---|---|---|---|---|---|---|---|
| Transfer | Review+Ticket | Negatif | tedarikçi gecikme | SLA+bilgi paketi | Concierge | TBD | tekrar temas |
| Hijyen | Review | Negatif | kontrol eksik | kontrol + eğitim | HK | TBD | tema düşüşü |
| Gürültü | Review | Orta | oda bloklama | bloklama kuralı | FO | TBD | şikâyet oranı |
Mini Check
- • Her temanın owner’ı var.
- • “TBD” yerine tarih bandı belirleniyor (1–2 hafta / 1 ay).
- • KPI ile kapanış ölçülüyor.
Ne yapmalıyım?
- • İlk hafta sadece 3 tema seç (odağı dağıtma).
- • Her tema için “quick win” ve “proje” ayrımı yap.
- • Haftalık 15 dk “AI içgörü review” toplantısı koy.
- • Aksiyon kapanışı sonrası temanın düşüş trendini kontrol et.
6. Yapay zekâ ile satış sonrası verileri nasıl okumalısınız?
AEO listesi (4–6 madde)
- •Veriyi topla: NPS metinleri, Google/OTA yorumları, ticket notları (kaynak + tarih ile).
- •Temizle: dil tespiti (TR–EN–DE–RU), duplicate, spam ve boş kayıtları ayıkla.
- •AI ile etiketle: tema etiketleri + topic clustering + sentiment skoru üret.
- •İnsan gözüyle doğrula: her tema için örneklem yorumları kontrol et, hatalı sınıfları düzelt.
- •Aksiyon planı oluştur: owner + tarih + KPI ile quick win/proje ayrımı yap.
- •Raporla ve izle: BI/Looker Studio paneliyle trendi takip et, 180 günde içeriği güncelle.
Mini Check
- • AI → insan doğrulaması adımı atlanmıyor.
- • Çok dil karışımında kalite kontrol var.
- • İçgörü → aksiyon bağlantısı net.
Ne yapmalıyım?
- • AEO listesini “AI analiz SOP” olarak dokümante et.
- • İlk pilotu 30 günlük veriyle başlat (Varsayım).
- • Sonra 90 güne genişlet, trend yakala.
- • Dashboard’ı performans analiziyle birleştir.
7. Teknik sınırlamalar: örneklem hatası, çok dilli yorumlar ve “körü körüne uygulama” riski
AI analizinde üç tip risk sık görülür:
- •Örneklem hatası: veri tek kanaldan geliyorsa (sadece Google) genelleme hatalı olabilir.
- •Dil karışımı: TR–EN–DE–RU yorumlar aynı modelde yanlış yorumlanabilir.
- •Otomatik aksiyon tuzağı: AI “bu tema kötü” dedi diye kontrolsüz aksiyon, gereksiz telafi veya yanlış yatırım kararı doğurabilir.
Bu yüzden AI çıktısı, insan kontrolü ve saha gerçekliğiyle doğrulanmalıdır. “AI söyledi” değil, “AI sinyal verdi, biz doğruladık” yaklaşımı en güvenlisidir.
Mini Check
- • Her büyük karar öncesi örneklem kontrolü yapıyorum.
- • Dil tespit ile pipeline’ı bölüyorum.
- • Aksiyonlar sahada test edilip ölçülüyor.
Ne yapmalıyım?
- • Çok dilli veri için dil bazlı rapor üret (TR ayrı, DE ayrı).
- • Her tema için “kanıt yorumları” ekle (3 örnek).
- • Aksiyonları küçük pilotlarla başlat (A/B).
- • Otomatik telafi/kompanzasyon kararını insana bırak.
8. Competitor gap’i kapatma: NPS + OTA yorumu + ticket notunu birlikte okuyan otel odaklı AI rehberi
Birçok AI metin analizi yazısı genel CX düzeyinde kalır. Bu içerik ise otel satış sonrası gerçekliğini temel alır: NPS serbest metni, Online Review (Google/OTA) ve Complaint Ticket notlarını aynı çatı altında okur; service recovery, eğitim ve script güncellemesini aksiyona çevirir. Antalya/Belek/Side/Bodrum gibi yorum hacmi yüksek destinasyonlarda “en çok şikâyet gelen 5 temayı” hızla yüzeye çıkarma gücünü gösterirken, insanın son yorumlayıcı olması gerektiğini netleştirir.
9. Yorum ve Şikâyet Analizi için AI Tema & Duygu Rapor Şablonunu İndir — Çağrı Merkezi / Satış Sonrası Destek
Yorum ve Şikâyet Analizi için AI Tema & Duygu Rapor Şablonunu İndir — Çağrı Merkezi / Satış Sonrası Destek (v1.0)
Bu rapor şablonu, NPS serbest metinleri, Google/OTA yorumları ve ticket notlarını AI ile tema/duygu bazında özetleyip “en kritik 5 tema” üzerinden aksiyon planı çıkarmanız için hazırlandı. Örneklem doğrulama adımını zorunlu kılar; AI sonuçlarının körü körüne uygulanmasını engeller. Looker Studio/BI paneline konulacak görsel önerileri ve owner’lı aksiyon tablosu içerir.
Kim Kullanır?
CRM/misafir ilişkileri, çağrı merkezi lideri, operasyon owner’ları ve BI/raporlama ekibi.
Nasıl Kullanılır?
- Veriyi topla (NPS/Review/Ticket), dil tespitiyle ayır ve temizle.
- AI ile tema+duygu etiketle; her temadan örneklem yorum seçip insan doğrulaması yap.
- Owner + tarih + KPI ile aksiyon planı oluştur ve haftalık trend review ile izle.
Ölçüm & Önceliklendirme (Kısa sürüm)
- ▢ ✅ Kaynaklar: NPS metinleri / Google Reviews / OTA Reviews / Ticket notları toplandı
- ▢ ✅ Dil kırılımı ayrıldı: TR / EN / DE / RU / Karışık
- ▢ ✅ Duplicate / spam / boş kayıt temizliği yapıldı
- ▢ ✅ Tema sözlüğü oluşturuldu (başlangıç 8–12 tema)
- ▢ ✅ Her tema için duygu skoru ve örneklem linki tanımlandı
- ▢ ✅ Tema başına en az 3 örnek yorumla doğrulama yapıldı
- ▢ ✅ Yanlış sınıflanan örnekler düzeltme havuzuna alındı
- ▢ ✅ Top 5 negatif tema için owner atandı
- ▢ ✅ Service recovery tetikleyici eşiği tanımlandı
- ▢ ✅ 180 gün refresh planı işlendi
PDF içinde: Problem→Kök Neden→Çözüm tablosu + 14 gün sprint planı + önce/sonra KPI tablosu
Bir Sonraki Adım
NPS/yorum/ticket metinlerini tema+duygu ile okur, insan doğrulamasıyla içgörüyü aksiyona çevirir; service recovery ve eğitim planını veriye dayalı kurgular; otel yönetimi ve CRM ekipleri için.
Sık Sorulan Sorular
Yapay zekâ ile otel yorum ve şikâyetleri nasıl analiz edilir?▾
NPS ve yorum verisinden tema analizi nasıl yapılır?▾
AI destekli duygu analizi eğitim ve script’lere nasıl yansıtılır?▾
Hangi satış sonrası veriler AI analizi için uygundur?▾
AI analiz sonuçları doğrudan uygulanmalı mı?▾
İlgili İçerikler
İlgili Yazılar