Yorum Zekası — Getir Fikir #058

Fikir

Problem → Çözüm

Problem

Uygulama puanları, sipariş sonrası yorumlar, App Store değerlendirmeleri ve destek notları ayrı yerlerde duruyor. Ürün ve operasyon ekipleri “müşteriler neden kızgın?” sorusuna haftalar sonra, elle okunmuş 200 yorumluk örneklemle cevap veriyor.

Çözüm

Yorum Zekası tüm geri bildirim kaynaklarını tek akışta toplar, her yorumu LLM ile konu, alt konu, duygu, depo ve SKU’ya ayırır. Ani artışları (ör. “ezik muz” şikâyetinde Kadıköy’de 3 kat) tespit edip ilgili ekibe kök neden özetiyle alarm atar.

Ürün

Temel özellikler

1Çok kaynaklı toplamaUygulama içi puan, App Store, Google Play, Ekşi/X mention’ları ve destek notları.

2Aspect-based duyguTek yorumda “kurye harika ama ekmek bayat” ayrı ayrı etiketlenir.

3Anomali alarmıDepo × konu bazında beklenmeyen artışlarda Slack alarmı.

4Soru sor“Geçen hafta Ankara’da en çok neden şikâyet edildi?” doğal dille sorulur.

AI katmanı

Yapay zeka nerede devreye giriyor?

Ucuz bir LLM her yorumu sabit taksonomiye structured output ile etiketler; embedding kümeleme yeni konuları keşfeder, büyük model haftalık yönetici özetini yazar.

Claude Haiku batch API ile aspect-based etiketleme: {konu, alt_konu, duygu, sku?, depo?} JSON; yorum başı ~0,004 TL, insan etiket uyumu %91
BERTopic + multilingual-e5 embedding ile taksonomi dışı yeni konuların keşfi (ör. “poşet ücreti”)
Prophet tabanlı beklenen hacim + z-skor anomali tespiti; Claude Sonnet ile kanıt yorumlarıyla kök neden özeti

Mimari

Nasıl çalışır?

Kaynak ToplayıcılarApp/Store/X/Zendesk • Airflow

EtiketlemeLLM batch • structured output

Konu KeşfiBERTopic + e5 embedding

Analitik DBClickHouse + OpenSearch

VoC PaneliNext.js • trend & alarm

Teknoloji

Stack

Arayüz

Next.jsTailwindECharts

Backend

Python 3.12FastAPIAirflow

AI / ML

Claude Haiku (batch)Claude SonnetBERTopicmultilingual-e5

Veri

ClickHouseOpenSearchS3

Altyapı & DevOps

AWS BatchKubernetes (EKS)Langfuse

Go-to-market

Pazarlama & lansman

Haftalık “Müşterinin Sesi” e-postasıC-level’a her pazartesi 5 maddelik AI özeti ve örnek yorumlar.

Kategori sahipliğiHer kategori yöneticisine kendi SKU’ları için otomatik yorum panosu.

“Kapattık” döngüsüÇözülen şikâyet konularında müşterilere “sizi dinledik” bildirimi.

Ölçüm

Başarı metrikleri (hedef)

%91insan etiketçiyle uyum

5 dkanomaliden alarma süre

-%19tekrarlayan şikâyet (çeyreklik)

Teslimat

MVP yol haritası

Hafta 1-2Taksonomi + etiketleme45 konuluk taksonomi, 2.000 yorumluk insan etiketli eval seti.

Hafta 3-4Pano + anomaliDepo × konu trendleri ve Slack alarmları.

Hafta 5-8Soru-cevap + keşifText-to-SQL ile doğal dil sorgu ve BERTopic ile yeni konu keşfi.

Fİ

Fatih İnci — Full Stack Software Engineer

Bir fikri production’a taşırken ilk sorum şu: ölçülebilir mi ve mevcut sistemi bozmadan nasıl açılır? Yaklaşık 4 yıl, ayda yüz milyonlarca CDN isteği alan bir embed script üzerinde çalıştım. Kademeli geçiş ve gerçek test kapsamı benim için vazgeçilmez. Remote çalışmaya hazırım.