Destek ekibiniz her gün onlarca, belki yüzlerce benzer talep alıyor ve bunları manuel olarak kategorize etmek hem zaman kaybı hem de hata riski demek. Yapay zekâ ile sık gelen destek taleplerini etiketleme sistemi kurduğunuzda, bu yükün büyük kısmını otomatikleştirip ekibinizi gerçekten çözüm gerektiren işlere yönlendirebilirsiniz. Peki nereden başlamalı, hangi kategorileri oluşturmalı ve yapay zekâyı bu işe nasıl entegre etmeli?
Kilit Çıkarım: Doğru kurgulanmış bir AI etiketleme sistemi, destek taleplerinin %60-80’ini otomatik sınıflandırabilir ve ortalama yanıt süresini yarıya indirebilir.
Başlamadan Önce
Yapay zekâ destekli bir etiketleme sistemi kurmak, rastgele bir chatbot entegrasyonundan çok daha stratejik bir iş. Önce elinizde ne var, neye ihtiyacınız var—bunu netleştirmeniz gerekiyor.
Gerekenler:
- Mevcut destek taleplerinizin dışa aktarılmış verisi (en az 500-1000 örnek ideal)
- Helpdesk veya CRM yazılımınızın API erişimi (Zendesk, Freshdesk, Jira Service Management vb.)
- Temel düzeyde veri analizi yapabilecek bir ekip üyesi
- AI sınıflandırma aracı veya NLP API’si (OpenAI, Google Cloud NLP, AWS Comprehend)
Ön Koşullar:
- Son 6 ayın destek verilerine erişim
- Mevcut kategori yapınızın (varsa) dokümantasyonu
- Ekip içinde “hangi talepler en çok zaman alıyor” konusunda fikir birliği
- KVKK/GDPR uyumluluğu için veri anonimleştirme planı
Süre: Temel kurulum 2-4 hafta | Maliyet: Aylık 50-500$ (ölçeğe göre) | Risk Seviyesi: Düşük-Orta
Kategori Yapısını Tasarlama
Yapay zekâ ne kadar güçlü olursa olsun, ona net bir çerçeve vermezseniz işe yaramaz. Önce insan mantığıyla kategori ağacınızı oluşturmalısınız.
Ana Kategori Önerileri
| Kategori | Alt Kategoriler | Örnek Talep |
|---|---|---|
| Teknik Sorun | Giriş yapamıyorum, Hata mesajı, Performans | “Şifre sıfırlama maili gelmiyor” |
| Fatura/Ödeme | Fatura talebi, İade, Ödeme hatası | “Çift çekim yapılmış” |
| Ürün Bilgisi | Özellik sorusu, Fiyat, Stok durumu | “Pro pakette kaç kullanıcı var?” |
| Hesap İşlemleri | İptal, Yükseltme, Bilgi güncelleme | “Aboneliğimi durdurmak istiyorum” |
| Şikayet/Geri Bildirim | Hizmet şikayeti, Öneri, Teşekkür | “Kargo çok geç geldi” |
Pro İpucu: Kategori sayısını 5-8 ana başlıkla sınırlı tut. Çok fazla kategori, AI’ın doğruluk oranını düşürür ve ekibin kafasını karıştırır.
Öncelik Etiketleri
Kategori tek başına yetmez. Her talebin aciliyetini belirleyen bir öncelik sistemi de şart:
- Kritik: Sistem tamamen çalışmıyor, güvenlik açığı, veri kaybı riski
- Yüksek: İş akışını engelleyen sorunlar, ödeme problemleri
- Normal: Standart sorular, bilgi talepleri
- Düşük: Öneriler, genel geri bildirimler
AI Etiketleme Sistemini Kurma Adımları
Şimdi işin pratik kısmına geçelim. Aşağıdaki adımları sırayla takip ettiğinde, çalışan bir sistem elde edeceksin.
- Veri Toplama ve Temizleme: Mevcut destek taleplerini dışa aktar. Kişisel bilgileri (isim, e-posta, telefon) anonimleştir. Her talep için “konu” ve “açıklama” alanlarını birleştirerek tek bir metin bloğu oluştur.
- Manuel Etiketleme (Eğitim Seti): En az 200-300 talebi manuel olarak kategorize et. Bu, AI’ın öğreneceği “altın standart” olacak. Ekipten 2-3 kişinin aynı talepleri bağımsız etiketlemesi tutarlılığı artırır.
- AI Modelini Seçme: Hazır çözümler (Zendesk AI, Freshdesk Freddy) veya özel API entegrasyonları (OpenAI GPT-4, Claude) arasında seçim yap. Küçük ekipler için hazır çözümler daha pratik; büyük hacimli operasyonlar için özel model eğitimi daha verimli.
- Prompt veya Model Eğitimi: GPT tabanlı sistemlerde, kategorilerinizi ve örnekleri içeren detaylı bir sistem prompt’u hazırla. AutoML kullanıyorsan, etiketli veri setini yükleyip modeli eğit.
- Test ve Kalibrasyon: Modeli 100 yeni talep üzerinde test et. Doğruluk oranı %80’in altındaysa, yanlış sınıflandırılan örnekleri analiz edip prompt’u veya eğitim setini güncelle.
- Entegrasyon ve Otomasyon: Helpdesk yazılımınızın webhook veya API’sini kullanarak yeni gelen her talebin otomatik olarak AI’a gönderilmesini sağla. Dönen etiketi talebe otomatik ata.
- İnsan Denetimi Katmanı: AI’ın “düşük güven” skoruyla etiketlediği talepleri manuel inceleme kuyruğuna yönlendir. Bu hibrit yaklaşım, hata oranını minimumda tutar.
Pro İpucu: İlk hafta AI’ın tüm etiketlemelerini bir insan gözüyle kontrol et. Sistematik hatalar varsa erken yakala.
Sık Karşılaşılan Tuzaklar
Pratikte en sık görülen hatalar şunlar—bunlardan kaçınırsan işin yarısı tamam:
- Çok granüler kategoriler: “Şifre unutma” ve “Şifre sıfırlama” ayrı kategoriler olmamalı. AI bu nüansı tutarlı ayırt edemez.
- Yetersiz eğitim verisi: Kategori başına en az 30-50 örnek olmadan model güvenilir çalışmaz.
- Statik sistem bırakma: Müşteri dili ve sorunları zamanla değişir. Üç ayda bir model performansını gözden geçir.
- Bağlam eksikliği: Sadece konu satırına bakarak etiketleme yapmak hata oranını artırır. Açıklama metnini de dahil et.
Başarı Metrikleri
Sistemi kurduktan sonra şu KPI’ları takip etmeniz gerekiyor:
| Metrik | Hedef | Ölçüm Yöntemi |
|---|---|---|
| Otomatik etiketleme doğruluğu | %85+ | Haftalık rastgele örnekleme |
| İlk yanıt süresi (FRT) | %30 azalma | Helpdesk raporları |
| Yanlış yönlendirme oranı | <%5 | Ekip geri bildirimi |
| Manuel müdahale gerektiren talep oranı | <%20 | Otomasyon logları |
Sıkça Sorulan Sorular
Küçük bir ekip için AI etiketleme mantıklı mı?
Günde 20+ talep alıyorsanız, evet. Altındaysa manuel sistem yeterli olabilir. Ancak büyüme planınız varsa, altyapıyı şimdiden kurmak uzun vadede avantaj sağlar.
Hangi AI aracını seçmeliyim?
Zendesk veya Freshdesk kullanıyorsanız, yerleşik AI özelliklerini deneyin—entegrasyon sıfır. Özel ihtiyaçlarınız varsa veya farklı bir helpdesk kullanıyorsanız, OpenAI API + Zapier/Make kombinasyonu esnek bir çözüm sunar.
AI yanlış etiketlerse ne olur?
Kritik kategorilerde (örneğin güvenlik, ödeme) AI’ın tek başına karar vermesine izin vermeyin. Bu kategorileri “insan onayı gerekli” olarak işaretleyin. Diğer kategorilerde yanlış etiketleme genellikle düzeltilebilir bir gecikmeye neden olur, felaket değil.
KVKK açısından dikkat etmem gereken ne var?
Destek taleplerini AI’a göndermeden önce kişisel verileri anonimleştirin veya maskeleme uygulayın. Özellikle bulut tabanlı AI servisleri kullanıyorsanız, veri işleme sözleşmelerini (DPA) inceleyin.
Özetle
Yapay zekâ destekli destek talebi etiketleme sistemi, doğru kurgulandığında ekibinizin verimliliğini ciddi şekilde artırır. Kritik adımları özetleyelim:
- Önce kategori yapınızı netleştirin—AI’dan önce insan mantığı gelir
- En az 200-300 manuel etiketli örnekle başlayın
- Hibrit yaklaşım benimseyin: AI etiketlesin, kritik kategorilerde insan onaylasın
- Sistemi statik bırakmayın; üç ayda bir performans değerlendirmesi yapın
- Başarıyı somut metriklerle ölçün: doğruluk oranı, yanıt süresi, yanlış yönlendirme
Bu sistemi bir kez kurduğunuzda, destek ekibiniz “bu talep hangi kategoriye girer” sorusuyla vakit kaybetmek yerine, gerçekten çözüm üretmeye odaklanabilir. Başlangıç için mükemmel olmak zorunda değilsiniz—önemli olan başlamak ve iteratif olarak iyileştirmek.
