📄 Lisans Tezi

Decathlon Ürün Yorumlarında Duygu Analizi: Makine Öğrenmesi Algoritmaları ve SHAP Tabanlı Özellik Önemi

Selin Pir — Pamukkale Üniversitesi, Yönetim Bilişim Sistemleri

Danışman: Prof. Dr. Selçuk Burak Haşıloğlu

0Yorum

0Spor Dalı

0Model

Araştırma Sorusu

Neden Bu Konu?

🎯

Motivasyon

E-ticaret platformlarında biriken binlerce müşteri yorumu, işletmeler için değerli içgörüler barındırır. Ancak bu yorumların manuel analizi pratik değildir. Literatür taraması kapsamında Decathlon Türkiye özelinde Türkçe müşteri yorumlarını ele alan sistematik bir duygu analizi çalışmasına ulaşılamamıştır.

🔬

Araştırma Sorusu & Hedefler

Decathlon Türkiye'deki 12.463 Türkçe müşteri yorumu üzerinde yapısal öznitelikler (yorum uzunluğu, yıldız, fiyat, marka, kullanım süresi) duygu sınıfını ne ölçüde belirler? Hangi makine öğrenmesi modeli en yüksek performansı sunar ve en güçlü belirleyici değişken hangisidir?

Metodoloji

Araştırma Pipeline

Veri toplama aşamasından açıklanabilir yapay zekâ analizine kadar 7 adımlı süreç.

🔍

Veri Toplama

Selenium WebDriver, 214 ürün, 12.497 yorum

🏷️

Duygu Etiketleme

XLM-RoBERTa(incidelen), Google Colab, 3 sınıf

🧹

Veri Ön İşleme

URL/HTML temizliği, 34 emoji-only yorum elendi

🔢

Kodlama

Label & ordinal encoding, 16 spor dalı, 18 marka

🤖

Sınıflandırma Modellerinin Karşılaştırılması

Orange DM, 9 algoritma, 10-katlı CV

📊

Değerlendirme

AUC, CA, F1, Precision, Recall, MCC

🔎

XAI / SHAP

Permütasyon tabanlı özellik önem analizi

Orange Data Mining

Analiz Akış Diyagramı

Düğümleri sürükleyerek akışı keşfedin. Her renk farklı bir widget kategorisini temsil eder.

Sürükle · Çift tıkla = çıktı

Veri

Ön İşleme

Model

Değerlendirme

Açıklama

Görüntüleme

Veri Seti

12.463 Türkçe Müşteri Yorumu

Decathlon Türkiye platformundan toplanan yorumların duygu dağılımı ve spor dalı analizi.

Duygu Dağılımı

12.463Yorum

Pozitif %53,26

Nötr %25,72

Negatif %21,01

En Fazla Yorum Alan Spor Dalları

Outdoor Sporlar

5.006

Koşu

1.906

Paten

1.159

Futbol

955

Avcılık

949

Performans

Model Karşılaştırması

9 makine öğrenmesi algoritmasının 10-katlı stratified çapraz doğrulama sonuçları.

Model	AUC	CA	F1	Precision	Recall
Gradient Boosting	0,773	0,688	0,658	0,695	0,688
Neural Network	0,769	0,686	0,655	0,691	0,686
Random Forest	0,738	0,649	0,632	0,635	0,649
Naive Bayes	0,736	0,651	0,635	0,636	0,651
Logistic Regression	0,732	0,592	0,525	0,587	0,592
Decision Tree	0,719	0,623	0,614	0,611	0,623
kNN	0,700	0,592	0,583	0,579	0,592
AdaBoost	0,681	0,599	0,591	0,587	0,599
Stochastic Gradient Descent	0,569	0,563	0,463	0,618	0,563

Açıklanabilir Yapay Zekâ

SHAP Özellik Önem Analizi

Gradient Boosting modeli üzerinde permütasyon tabanlı özellik önem analizi sonuçları.

🔴

Negatif Sınıf

Yüksek kelime_sayisi → negatif olasılık artar. Uzun yorumlar memnuniyetsizlik sinyali taşır.

🟢

Pozitif Sınıf

Yüksek YORUM_YILDIZ + düşük kelime_sayisi → pozitif. Kısa ve yüksek puanlı = memnun müşteri.

⚪

Nötr Sınıf

Değişkenler dengeli etki gösterir. Kısa yorumlar nötre kayma eğilimindedir.

Özellik Önem Sıralaması

kelime_sayisi

∆AUC: 0,19

YORUM_YILDIZ

~0,07

MARKA_KOD

~0,04

FIYAT

~0,03

KULLANIM_SURESI_KOD

~0,02

TUM_YILDIZ

~0,01

Sonuç

Temel Bulgular & Katkılar

🏆

En Başarılı Model

Gradient Boosting en yüksek AUC değerine (0,773) ulaşarak yapısal özniteliklerle duygu sınıflandırmasında öne çıkmıştır.

📏

En Güçlü Belirleyici

Yorum uzunluğu (kelime_sayisi) — ∆AUC 0,19 ile en etkili değişkendir. Çıkarıldığında model performansı ciddi düşer.

💡

Pratik Çıkarım

Uzun yorumlar öncelikli incelenmeli — memnuniyetsizlik göstergesidir. Bu bulgu, müşteri ilişkileri yönetiminde önceliklendirme stratejisi sunar.