Duygu analiziyle müşteri profili oluşturma ve şikayet önceliklendirme

Basit Öğe Kaydı
dc.contributor.advisorBoyacı, Ali
dc.contributor.authorAkgümüş, Muhammed Mehmet
dc.date.accessioned2024-10-10T18:25:22Z
dc.date.available2024-10-10T18:25:22Z
dc.date.issued2023
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.descriptionFen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, Bilgisayar Mühendisliği Bilim Dalıen_US
dc.description.abstractMüşteri şikayetlerini yönetmek için veriler NLP (Doğal Dil İşleme) yöntemleri kullanılarak sınıflandırılabilir. Bu çalışmada banka müşterilerinin talep, istek ve sorularının öncelikli olarak sınıflandırılması amaçlanmıştır. Böylece müşteri talep, istek ve sorularına en hızlı şekilde cevap vermeyi hedefleyerek müşteri memnuniyeti sağlanmaya çalışıldı. Çalışmamız literatür taramasında incelenen çalışmalarda en yüksek doğruluk değerlerinin elde edildiği Lojistik Regresyon, LSTM, Multinominal Naive Bayes ve SVM algoritmalarına odaklanılmıştır. Veri setini sınıflandırmak için detaylı olarak incelendi ve altı sınıfa ayrılması gerektiğine karar verildi. Yüzde Elli dokuz bandında doğruluk sağlayan bu sonuçlar, iki tahminden neredeyse birinin başarısız olduğu düşünüldüğünde başarısız oldu. Bu çalışmada geliştirilen yöntemle iki aşamalı yaklaşımla elde edilen test sonuçlarının, tek aşamalı yaklaşımla elde edilen sonuçlara kıyasla uygulamanın performansını yaklaşık yüzde on artırdığı gözlemlendi. Bu yaklaşımla sınıflandırma, doğruluğu artıracak şekilde iki adımda gerçekleştirilir. Sınırlı sayıda veri seti ile çalışarak bu sonuca ulaşılmıştır.en_US
dc.description.abstractData can be classified using NLP (Natural Language Processing) methods to manage customer complaints. This study is aimed to classify the demands, requests, and questions of bank customers as a priority. Thus, we tried to ensure customer satisfaction by aiming to respond to customer demands, requests, and questions as quickly as possible. Our study focused on Logistic Regression, LSTM, Multinominal Naive Bayes, and SVM algorithms, where the highest accuracy values were obtained in the studies examined in the literature review. In order to classify the dataset, we examined it in detail and decided that we should divide it into six classes. These results, which achieved accuracy in the percent of fifty nine band, were unsuccessful, considering that almost one of the two predictions was unsuccessful. We observed that the test results obtained with the two-step approach with the method we developed in this study increased the performance of the application by about ten percent compared to the results obtained with the onestep approach. With this approach, the classification is performed in two steps, increasing the accuracy. Working with a limited number of data sets, we achieved this result.en_US
dc.identifier.endpage56en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=a0OMTmEd_3mfOBxT8SiBTMKyHpoiUhD0JuYVDpKYAxY0UT9Q-f1O1LS0QAbLiUOQ
dc.identifier.urihttps://hdl.handle.net/11467/7578
dc.identifier.yoktezid812535en_US
dc.language.isotren_US
dc.publisherİstanbul Ticaret Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmz2024_Tezen_US
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleDuygu analiziyle müşteri profili oluşturma ve şikayet önceliklendirmeen_US
dc.title.alternativeCustomer profile creation and complaint prioritization with sentiment analysisen_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu