Şikayetler Yığılıyor, Ekip Tükeniyor mu?
Müşteri şikayetini türlerine ayıran AI ajanı iş akışı, destek ekiplerinin en büyük baş ağrısına çözüm getiriyor: Gelen yüzlerce mesajı manuel olarak kategorize etmek. Bir e-ticaret şirketinde günde 500 şikayet düşünün; iade, kargo, ürün kalitesi, fatura… Her birini doğru departmana yönlendirmek saatler alıyor. İşte tam bu noktada yapay zeka destekli sınıflandırma sistemleri devreye giriyor.
Kilit Çıkarım: Doğru kurgulanmış bir AI ajanı, şikayet sınıflandırma süresini %80’e varan oranlarda kısaltabiliyor. Üstelik insan hatasını minimize ederek müşteri memnuniyetini doğrudan etkiliyor.
Başlamadan Önce
Bu iş akışını kurmadan önce elinizde olması gerekenler ve karşılamanız gereken ön koşullar var. Eksik bir parçayla başlamak, ileride ciddi zaman kaybına yol açar.
Gerekenler
- Otomasyon platformu (n8n, Make veya Zapier)
- LLM API erişimi (OpenAI, Claude veya yerel model)
- Şikayet verilerinin geldiği kaynak (CRM, e-posta, form sistemi)
- Hedef sistem (Helpdesk yazılımı, Slack, veritabanı)
- En az 50-100 örnek şikayet metni (eğitim/test için)
Ön Koşullar
- Şikayet kategorileriniz net tanımlanmış olmalı
- API anahtarlarınız hazır ve test edilmiş olmalı
- Veri gizliliği politikanız KVKK uyumlu olmalı
- Temel JSON ve webhook bilgisi (karmaşık değil, endişelenmeyin)
AI Şikayet Sınıflandırma Ajanı Nasıl Çalışır?
Sistemin mantığı aslında oldukça sade: Gelen metin → Analiz → Kategori ataması → Yönlendirme. Ancak bu basit akışın arkasında güçlü bir prompt mühendisliği yatıyor.
Yapay zeka ajanı şu adımları otomatik gerçekleştiriyor:
- Şikayet metnini alır ve ön işlemden geçirir
- Önceden tanımlı kategorilerle eşleştirir
- Güven skoru (confidence score) hesaplar
- Düşük güvenli vakaları insan onayına yönlendirir
- Yüksek güvenli vakaları otomatik işler
Maliyet: OpenAI GPT-4o-mini kullanıldığında, 1000 şikayet sınıflandırması yaklaşık 0.50-1.00 USD arasında. Yerel modeller (Llama, Mistral) ile bu maliyet sıfıra yaklaşıyor.
Süre: Tek bir şikayetin sınıflandırılması 1-3 saniye. Batch işlemlerle bu süre daha da düşüyor.
Adım Adım Kurulum Rehberi
1. Kategori Yapısını Belirle
Önce şikayet türlerini net bir şekilde tanımla. Örnek bir yapı:
| Kategori Kodu | Kategori Adı | Açıklama | Yönlendirme |
|---|---|---|---|
| IADE | İade/Değişim | Ürün iadesi, değişim talepleri | İade Ekibi |
| KARGO | Kargo Sorunları | Gecikme, hasar, kayıp | Lojistik |
| URUN | Ürün Kalitesi | Arıza, beklenti karşılamama | Kalite Kontrol |
| FATURA | Fatura/Ödeme | Yanlış fatura, ödeme sorunu | Muhasebe |
| DIGER | Diğer | Sınıflandırılamayan | Genel Destek |
2. Prompt Şablonunu Hazırla
AI ajanının doğru çalışması için sistem promptu kritik öneme sahip. İşte pratikte en iyi sonuç veren yapı:
Örnek Sistem Promptu:
“Sen bir müşteri şikayeti sınıflandırma uzmanısın. Gelen metni analiz et ve SADECE şu kategorilerden birini döndür: IADE, KARGO, URUN, FATURA, DIGER. Yanıtın JSON formatında olsun: {“kategori”: “XXX”, “guven”: 0.XX, “ozet”: “kısa açıklama”}”
3. Otomasyon Akışını Kur
- Tetikleyiciyi ayarla (yeni e-posta, form gönderimi, webhook)
- Gelen veriyi temizle (HTML etiketlerini kaldır, gereksiz karakterleri sil)
- LLM API’sine istek gönder (prompt + şikayet metni)
- JSON yanıtı parse et
- Güven skoruna göre dallan (örn: >0.85 otomatik, <0.85 manuel onay)
- Hedef sisteme yaz (ticket oluştur, Slack’e bildirim gönder)
Pro İpucu: Güven skoru eşiğini başlangıçta 0.90 gibi yüksek tut. Sistem olgunlaştıkça kademeli olarak düşürebilirsin. Bu yaklaşım, yanlış sınıflandırma riskini minimize eder.
4. Test ve Kalibrasyon
Sistemi canlıya almadan önce mutlaka test et:
- 50 gerçek şikayetle manuel test yap
- Doğruluk oranını hesapla (hedef: %90+)
- Yanlış sınıflandırılan örnekleri analiz et
- Promptu gerekirse revize et
Yaygın Hatalar ve Kaçınılması Gerekenler
- Çok fazla kategori tanımlamak: 10’dan fazla kategori, AI’ın doğruluğunu düşürür. Başlangıçta 5-7 kategori ideal.
- Belirsiz kategori tanımları: “Genel Şikayet” gibi muğlak kategoriler karışıklık yaratır.
- Güven skorunu görmezden gelmek: Düşük güvenli sınıflandırmaları otomatik işlemek tehlikeli.
- Feedback döngüsü kurmamak: Yanlış sınıflandırmaları sisteme geri beslemezsen, AI öğrenemez.
Mini Senaryo: Şu Durumda Ne Yaparsın?
Durum: Bir müşteri hem kargo gecikmesinden hem de ürün hasarından şikayet ediyor. AI hangi kategoriyi seçmeli?
Çözüm: Promptuna “çoklu kategori” desteği ekle. Yanıt formatını şöyle güncelle: {“birincil_kategori”: “KARGO”, “ikincil_kategori”: “URUN”, “oncelik”: “birincil”}. Böylece her iki departman da bilgilendirilir, ancak öncelikli yönlendirme net kalır.
Risk Seviyesi ve Dikkat Edilmesi Gerekenler
Risk Seviyesi: Orta
AI sınıflandırma sistemleri genel olarak güvenli, ancak şu noktalara dikkat edin:
- Veri gizliliği: Müşteri verilerini üçüncü parti API’lere gönderirken KVKK uyumluluğunu kontrol edin
- Halüsinasyon riski: LLM’ler bazen olmayan kategoriler “uydurabilir”. Çıktıyı mutlaka valide edin
- Kritik şikayetler: Hukuki veya acil sağlık/güvenlik içeren şikayetleri otomatik işlemeyin
Sıkça Sorulan Sorular
Hangi LLM modeli en iyi sonucu veriyor?
Sınıflandırma görevleri için GPT-4o-mini veya Claude 3 Haiku gibi hızlı ve ekonomik modeller yeterli. Daha karmaşık analizler için GPT-4o veya Claude 3.5 Sonnet tercih edilebilir.
Türkçe şikayetlerde doğruluk oranı düşük mü?
Güncel LLM’ler Türkçe’yi gayet iyi anlıyor. Ancak sektöre özgü jargon varsa (örn: “sipariş düştü” = iptal edildi), promptta bu terimleri açıklamak doğruluğu artırır.
Mevcut CRM sistemimle entegre edebilir miyim?
Evet. Salesforce, HubSpot, Zendesk gibi popüler sistemlerin çoğu webhook veya API desteği sunuyor. n8n ve Make gibi platformlarda hazır entegrasyonlar mevcut.
İnsan müdahalesi tamamen ortadan kalkıyor mu?
Hayır ve kalkmamalı. En iyi pratik, “human-in-the-loop” yaklaşımı: AI sınıflandırır, düşük güvenli vakalar veya kritik şikayetler insan onayına düşer.
Sonuç
Müşteri şikayetlerini otomatik sınıflandıran bir AI ajanı kurmak, düşündüğünüz kadar karmaşık değil. Doğru kategori yapısı, iyi tasarlanmış bir prompt ve güvenilir bir otomasyon platformuyla birkaç saat içinde çalışan bir sistem elde edebilirsiniz.
Önemli çıkarımlar:
- Kategori sayısını başlangıçta sınırlı tutun (5-7 ideal)
- Güven skoru eşiğini yüksek başlatın, kademeli düşürün
- Feedback döngüsü kurmayı unutmayın
- Kritik şikayetleri her zaman insan onayına yönlendirin
Bu iş akışı bir kez kurulduktan sonra, destek ekibiniz rutin sınıflandırma işinden kurtulup gerçek problem çözmeye odaklanabilir. Hem müşteri memnuniyeti artar hem de operasyonel verimlilik yükselir.
