Günümüzde, teknolojinin gelişmesiyle bir işletmenin günlük cirosu veya toplam satışları, telefonlardaki ilgili uygulama aracılığıyla bile anlık olarak belirlenebilir. Bir mağazaya gün içinde kaç kişinin girip çıktığı, gelen kişilerin kaç tanesinin alışveriş yaptığı, hangi ürünü satın aldığı da kolaylıkla elde edilebilir. Bunun yanında bir saha satış ekibinin, aracını saat kaçta çalıştırıp evden çıktığı, hangi müşteriyi ziyaret ettiği, ziyaret saatinin süresi, izlediği yol güzergahı, hatta aracını hızlı ya da yavaş kullanmasının yanında trafik ihlali yapıp yapmaması bile ilgili işletme birimlerince anlık olarak takip edilebilecek durumdadır. Şüphesiz tüm bu gelişmeler, işletmeler için farklı platformlarda önemli kazanımlar sağlamaktadır. İşletmelerin müşterileri, çalışanları, rakipleri ile ilgili bilgileri toplaması ve bu bilgileri işletmenin stratejik kararlarına yön vermek amacıyla kullanması, verinin niteliğini bilgiye dönüştürebilmesine bağlıdır.
En sık kullandığımız kavramlardan biri haline gelen “bilgiye ulaşmak”, günümüzde bireyler veya işletmeler için yeterli değildir. Bilgiye olan mesafenin ne kadar kısa olduğu da rekabette zaman kazanmak açısından değerlidir.
Veri üretimi, erişim hızı ve veri saklama yöntemleri artmakta dolayısıyla “büyük veri” olarak adlandırdığımız, mevcut teknolojilerle yönetilemeyen geniş ve karmaşık veri kümeleri ortaya çıkmaktadır. Büyük veri, işletmeler için birikim
kaynağı olarak değerlendirilebileceği gibi, büyük bir çöp yığını olarak da nitelendirilebilir. İşletmeler için önemli olan, büyük veriyi çözümleyebilmek ve ondan anlamlı çıkarımlar yapabilmek yani veriyi bilgiye dönüştürmektir.
Büyük veriyi çözümlemek, “iş zekası” olarak adlandırılan yeni analiz araçları ve platformları ile mümkün olmaktadır. İş zekası teknikleri, işletmelerin dağınık yapıda ve farklı teknolojiler üzerinde bulunan verilerinin konsolide edilmesini sağlayan bütünleştirilmiş tekniklerdir (Arslan ve Yılmaz, 2010). VM, son yıllarda en yaygın kullanılan ve sürekli gelişim gösteren iş zekası yöntemlerinden biri olarak görülmektedir.
VM çalışmalarının konusu sayısal veriler olabileceği gibi, sayısal olmayan metinler de olabilmektedir. Yapısal olmayan metin verilerinin analiz edilmesi, “metin madenciliği” olarak adlandırılmaktadır. Metin madenciliği; metinlerin sınıflandırılması, kümelenmesi (bölümlenmesi), metinden konu çıkarılması, sınıf taneciklerinin üretilmesi, özetlenmesi, duygusal analiz, varlık ilişki modellemesi gibi çeşitli konularda uygulama alanı bulmuştur (Şeker, 2013: 23).
Yapılan çalışmalarda ortak amaç, verilerden daha kolay yararlanmaktır. Bunun için de veri madenciliğinin, sınıflandırma, bölümlendirme ve benzerlikleri tespit ederek ilişki kurma özelliklerinden yararlanılmaktadır Terabyte’larla ifade edilen büyük metin verilerini analiz etmek için kullanılan metin madenciliği, işletmelerin hem karar sürecini hem de iş akışlarını hızlandıran önemli bir analiz yöntemidir.
İşletmeler için satış ve maliyet rakamları kadar önem arz eden diğer önemli veriler; müşteri bilgileri, deneyimleri, yorum ve şikayetleridir. Çalışanların işlerinde gösterdiği başarı, nasıl deneyimleriyle yakından ilişkili ise işletmeler için de benzer durum söz konusudur. Buradan hareketle veritabanlarının, işletmelerin deneyimleri olduğu söyleyebilir.
İnternet ortamındaki online şikayet siteleri sayesinde tüketiciler kendini ifade etme ve bilgi paylaşımı konusunda geleneksel şikayet yönetimi sürecine göre
daha rahat davranmaktadır (Argan, 2014: 51-53). Tüketiciler için ürün veya hizmet sağlayıcıya gitmek yerine, üçüncü parti işletmeler olarak ifade edilen online şikayet sitelerine başvurma daha kolay bir yol olarak görülmektedir (Tyrell ve Woods, 2004: 189).
Online şikayet sitelerinin oluşturduğu endekse göre; bankacılık sektöründe online müşteri şikayetlerinin %29,7’si çağrı merkezlerinden, % 23,9’u kart işlemlerinden, % 21,9’u faiz ve/veya komisyon ücretlerinden, % 20,8’i şubelerden ve %2,4’ü ise ATM’lerden kaynaklanmaktadır. Görüldüğü gibi müşteri şikayetlerine çözüm bulmak için oluşturulan ve işletmelerin oldukça yüksek miktarlarda kaynak ayırdıkları çağrı merkezleri en fazla şikayet alanlarından biridir.
Bu araştırmada; online müşteri şikayetleri konusu incelenerek veri madenciliğinin bilinmeyenin öngörülmesi yani bilginin keşfi sağlanmaya çalışılmıştır. Online müşteri şikayetlerinin değerlendirilmesinde, VM analizi kullanılarak farklı bir bakış açısı sağlamak amaçlanmaktadır. Müşterilerin kendi kelimeleriyle ifade ettikleri şikayet metinlerinden oluşturulan veritabanı, metin madenciliği algoritmaları kullanılarak gruplandırılmış ve benzer veya birlikte kullanılan kelimeler belirlenerek şikayetlerden kapsam çıkarsaması yapılmıştır.
Online müşteri şikayetlerinin metin madenciliği ile analiz edilmesi, işletmelerin faaliyetlerini hızlandıracak ve şikayetleri fırsata çevirme imkanı sağlayacaktır. Klasik veri madenciliği örneği olan bebek bezi ile bira arasındaki ilişkinin tespiti ile marketlerin, bebek bezi reyonunun yanına bira koyarak satışlarını arttırması gibi metin madenciliği yardımı ile metinlerdeki gizli örüntüler tespit edilecek ve böylece şikayetlerin kaynağının doğru bir şekilde belirlenmesi sağlanacaktır.
Bu araştırmanın ana amacı; marka sadakatinin azaldığı bir ortamda, müşteri memnuniyetini yükseltmek amacıyla analizi zor bir yapıya sahip, serbest dilde yazılmış (yapılandırılmamış) metin halindeki müşteri şikayetlerinin, metin madenciliği yöntemleri ile analiz edilerek işletmelerin yeni ve stratejik kararlar almasına destek sağlayan bir model önerisi oluşturmaktır.
Metin verilerinde, standart kurallar olmadığı için metin dili ve içerdiği anlam nedeniyle algı farklılıkları mevcuttur. Bu ve buna benzer nedenler, metinlerin analizini zorlaştırmaktadır. Metin madenciliği yöntemleri ile müşteri şikayetleri, bilgisayar sistemlerinin anlayacağı bir yapıya çevrilmesi hedeflenmektedir.
Yapılan çalışmalarda, müşteri şikayetlerinin tek tek değerlendirilmesi nedeniyle işletmelerin kısıtlı zamanlarını verimli kullanamamasının önemli bir problem olduğu belirtilmektedir. Bu araştırma ile müşteri şikayetlerinin analiz edilmesinde kullanılan zamanın azaltılması da hedeflenmektedir.
İşletmelerin, müşteri ilişkileri departmanları tarafından, müşteri şikayetlerindeki önceliklerin kolay saptanamaması ve önemli şikayet konularının kolay tespit edilememesi nedeni ile oluşan maliyetlerin azaltılması ve ekonomik bir değer ortaya koymak da araştırmanın bir diğer amacını oluşturmaktadır.
Milyonlarca müşterisi olan bankaların, sayısı binleri bulan müşteri şikayetlerinin içinde var olan gizli bilgileri keşfetmek, şikayetleri gruplandırmak ve bankaların şikayet yönetimi politikalarına belli bir standart getirebilmelerini sağlamak da araştırmanın bir diğer hedefidir.