Duygu Analizi (Sentiment Analysis) Nedir, Nasıl Yapılır?
Duygu analizi (sentiment analysis), metinlerdeki olumlu, olumsuz veya nötr tutumu belirlemek için kullanılan bir doğal dil işleme (NLP) tekniğidir. Müşteri yorumlarını, sosyal medya mesajlarını ve açık uçlu anket yanıtlarını sınıflandırır. Böylece işletmeler, tekrarlayan şikayetleri ve beğenilen ürün özelliklerini daha kolay fark edebilir.
Analiz için önce amaca uygun metinler toplanır, ardından uygun bir sözlük, makine öğrenimi modeli veya dil modeli seçilir. Sonuçlar örnekler üzerinde kontrol edilir ve raporlanır. Tek bir pozitif ya da negatif etiket, müşterinin neden böyle düşündüğünü her zaman açıklamaz; bunun için özellik bazlı analiz de gerekebilir.

Duygu Analizi Nedir?
Duygu analizi nedir? Bir kişinin metinle ifade ettiği değerlendirmeyi olumlu, olumsuz veya nötr olarak sınıflandırma işlemidir. İngilizce sentiment sözcüğü burada metnin taşıdığı tutumu ifade eder. Örneğin “Kargo hızlı geldi ama paket hasarlıydı” cümlesi tek başına olumlu ya da olumsuz sayılmaktan çok, iki farklı görüş içerir.
Duygu analizi ile duygu tespiti aynı şey değildir. İlki genellikle görüşün yönünü inceler. İkincisi ise öfke, sevinç veya hayal kırıklığı gibi daha belirli duyguları sınıflandırmayı hedefler. Kullanılacak yöntem, işletmenin hangi soruya yanıt aradığına göre seçilmelidir.
E-ticarette bu yaklaşım, yorumların yanı sıra müşteri memnuniyet anketlerindeki açık uçlu yanıtların değerlendirilmesine yardımcı olur. Amaç yalnızca olumlu yorum oranını artırmak değil; teslimat, ürün kalitesi veya destek süreçlerinde hangi sorunun tekrarlandığını görmektir.
Duygu Analizi Nasıl İşler?
Sistem önce metni işler, ardından seçilen modele göre bir duygu etiketi veya puanı üretir. Bu çıktıyı yorumlamak için cümlenin bağlamı ve veri kaynağı da dikkate alınır. Örneğin ürün yorumu ile çağrı merkezi şikayetinin dili aynı olmayabilir.
- Veri toplama: Ürün yorumları, anket yanıtları ve izin verilen diğer metinler amaç ve kaynak bilgisiyle birlikte toplanır.
- Ön işleme: Gereksiz teknik işaretler temizlenebilir; ancak “beğenmedim”, “iyi değil” gibi olumsuzluk ifadeleri korunur. Her model için stop-word temizlemek veya kelime kökü bulmak zorunlu değildir.
- Sınıflandırma: Kural/sözlük tabanlı yöntemler, Naive Bayes ve SVM gibi geleneksel modeller veya Transformer tabanlı dil modelleri kullanılabilir.
- Doğrulama: İnsanların etiketlediği bir örneklemle yanlış pozitif ve yanlış negatif sonuçlar incelenir.
- Raporlama: Görüşler ürün, konu, dönem veya müşteri temas noktası bazında karşılaştırılır; gerekirse ilgili ekibe aksiyon açılır.
Türkçe için kritik kontrol: “Ürün iyi değil” cümlesindeki “değil” sözcüğünü silmek anlamı tersine çevirebilir. Ön işleme adımlarını kullanılan model ve gerçek örnekler üzerinde test edin.
BERT gibi bağlamı kullanan modeller bazı karmaşık ifadeleri sözlük tabanlı yaklaşımlardan daha iyi işleyebilir. Yine de hiçbir modelin her dilde ve sektörde otomatik olarak yüksek doğruluk sağlayacağı varsayılmamalıdır. İroni, argo, yazım hatası ve alan terimleri nedeniyle sonuçlar değişebilir.
| Yöntem | Ne zaman düşünülebilir? | Temel sınırlama |
|---|---|---|
| Sözlük / kural tabanlı | Hızlı, açıklanabilir bir ilk sınıflandırma isteniyorsa. | İroni, bağlam ve Türkçeye özgü ifadelerde zorlanabilir. |
| Geleneksel makine öğrenimi | Etiketlenmiş alan verisiyle tekrarlanabilir model eğitilecekse. | Etiketleme ve özellik çıkarımı kalitesi sonucu etkiler. |
| Transformer / dil modeli | Karışık, uzun veya bağlama duyarlı yorumlar ele alınacaksa. | Doğruluk testine, hesaplama maliyetine ve model denetimine ihtiyaç duyar. |

Sentiment Analysis Kullanım Alanları
Sentiment analysis; e-ticaret, müşteri hizmetleri, pazarlama ve araştırmada yorumların yönünü anlamak için kullanılır. Sentiment ne demek? Bu bağlamda bir mesajın konuya karşı taşıdığı olumlu, olumsuz veya nötr tutum demektir. Analiz sonuçları müşteri memnuniyetinin tek başına kesin ölçüsü değil, ek bir geri bildirim kaynağıdır.
- E-ticaret ve ürün yönetimi: Kamera, pil ömrü, beden uyumu veya paketleme gibi özelliklere dair yorumları ayırarak ürün sayfası ve tedarik kararlarına girdi sağlar.
- Müşteri hizmetleri: İade, teslimat ve destek görüşmelerindeki olumsuz geri bildirim kümelerini belirlemeye yardımcı olur.
- Sosyal medya ve marka itibarı: Kampanya sonrasında paylaşılan yorumların genel eğilimini izlemek için kullanılır. Her platformun veri erişim şartlarına uyulmalıdır.
- Çalışan ve eğitim anketleri: Açık uçlu yanıtları temalara ayırabilir; ancak bireylerin psikolojik durumuna ilişkin kesin tanı üretmez.
- Sağlık ve kamu araştırmaları: Hizmet deneyimine dair yorumların temalarını ortaya çıkarabilir. Temsil sorunu ve mahremiyet riski nedeniyle ek kontrol gerekir.
- Finansal haber analizi: Haberlerdeki ton takip edilebilir; ancak olumsuz haber tek başına bir varlığın fiyatının düşeceğini kanıtlamaz.
Örneğin bir kampanya sonrasında olumsuz yorumların artması, kampanyanın başarısız olduğu anlamına tek başına gelmez. Yorum sayısı, geri bildirimlerin temsil gücü, şikayetlerin konusu ve satış sonrası deneyim birlikte incelenmelidir.
Duygu Analizi Yapmanın Avantajları
Doğru kurulan bir duygu analizi, geniş yorum havuzlarında insanın tek tek okumakta zorlanacağı tekrarları fark etmeyi kolaylaştırır. En çok fayda, sonuçlar ilgili ekibin çözebileceği somut sorulara dönüştürüldüğünde ortaya çıkar.
- Tekrarlayan sorunları saptama: “Geç teslimat” ve “eksik parça” gibi farklı şikayet türlerini birbirinden ayırabilir.
- Değişimi izleme: Ürün veya hizmet güncellemesinden önce ve sonra aynı yöntemle etiketlenen yorumlar karşılaştırılabilir.
- Destek önceliklendirmesi: Öfke ve aciliyet işaretleri taşıyan geri bildirimler insan incelemesine yönlendirilebilir.
- Ürün geliştirme: Olumlu değerlendirme alan özelliklerle iyileştirilmesi gereken özellikler birlikte görülebilir.
- Kampanya öğrenimi: Reklam mesajına verilen tepkiler, erişim ve dönüşüm verileriyle birlikte değerlendirilebilir.
Bu avantajların sınırı verinin kalitesidir. Yalnızca yorum bırakmayı tercih eden müşterilerin görüşlerinden bütün müşteriler adına kesin sonuç çıkarılmaz. Duygu analizi, müşteri güvenini geliştirme çalışmalarında tek başına karar verici değil, destekleyici sinyal olmalıdır.

Sentiment Analysis Türleri
İhtiyaç duyulan çıktı, kullanılacak sentiment analysis türünü belirler. Bir ürünün genel olarak beğenilip beğenilmediği ile hangi özelliğinin eleştirildiği farklı sorulardır. Başlıca türler; genel polarite, derecelendirilmiş analiz, özellik bazlı analiz ve duygu tespitidir.
Derecelendirilmiş Analiz
Derecelendirilmiş duygu analizi, yalnızca olumlu veya olumsuz demek yerine tutumun seviyesini ayırır. Örneğin bir yorum “çok olumsuz”, “olumsuz”, “nötr”, “olumlu” veya “çok olumlu” olarak etiketlenebilir. Bu kategoriler metnin anlamından tahmin edilir; müşterinin anket formunda seçtiği 1–5 yıldız puanıyla aynı veri değildir.
Yıldız puanları karşılaştırma için yararlı bir ek veri olabilir. Ancak “Beş yıldız verdim ama kargo çok yavaştı” yorumunu yalnızca yıldız sayısına bakarak yorumlamak, teslimat sorununu kaçırabilir.
Özellik Bazlı (Aspect-Based) Duygu Analizi
Özellik bazlı duygu analizi (ABSA), yorumun hangi ürün veya hizmet özelliğine yöneldiğini belirler. “Ekran harika ama batarya çabuk bitiyor” cümlesinde ekran olumlu, batarya olumsuz değerlendirilir. Böylece tek bir genel etiketin gizlediği farklı müşteri görüşleri görünür hale gelir.
Bu yaklaşım özellikle e-ticarette kullanışlıdır. Ürün kalitesi, teslimat, paketleme, fiyat ve müşteri desteği gibi başlıklar ayrı takip edilebilir. Microsoft’un opinion mining açıklaması da görüşleri ilgili ürün veya hizmet özelliğiyle eşleştirmeyi örnekler.
Duygu Tespit Analizi
Duygu tespiti (emotion detection), olumlu/olumsuz yönün ötesinde sevinç, öfke, korku, üzüntü veya şaşkınlık gibi kategorileri tahmin etmeye çalışır. “Paketim yine gecikti, çok öfkeliyim” ifadesinde olumsuz tutum ile öfke birlikte görülebilir. Her sentiment aracı duygu kategorilerini ayrıca üretmez.
Ses tonu veya yüz ifadesinden çıkarım yapmak, metin temelli duygu analizinden farklı veri türleri ve ayrı doğrulamalar gerektirir. Özellikle kişilere yönelik kararlar yalnızca otomatik duygu tahminine dayandırılmamalıdır.

Ürün Temelli Duygu Analizi Örnekleri
Ürün temelli duygu analizi, müşteri yorumlarındaki beğeni ve şikayetleri ürünün belirli özellikleriyle ilişkilendirir. Telefonun kamera kalitesi olumlu bulunurken pil ömrü olumsuz değerlendirilebilir. Böyle bir ayrım, ürün bilgisini düzeltmek veya tedarikçiyle görüşmek için genel yıldız ortalamasından daha uygulanabilir bir girdi sağlar.
Aşağıdaki tablo temsili bir senaryodur; gerçek müşteri verisi, araştırma sonucu veya model çıktısı değildir. Aynı ürün hakkında yazılmış iki örnek cümlenin nasıl farklı aksiyonlar üretebildiğini gösterir.
| Örnek müşteri yorumu | Hedef özellik | Olası tutum | İşletme için kontrol |
|---|---|---|---|
| “Ürün kaliteli, ancak kutusu ezilmiş geldi.” | Ürün kalitesi / Paketleme | Olumlu / Olumsuz | Paketleme ve taşıma sürecini incele. |
| “Telefonun kamerası çok iyi ama şarjı çabuk bitiyor.” | Kamera / Pil | Olumlu / Olumsuz | Ürün açıklamasını ve pil performansı şikayetlerini kontrol et. |
| “Destek ekibi hızlı yanıt verdi, sorun çözülmedi.” | Yanıt hızı / Çözüm | Olumlu / Olumsuz | İlk yanıt süresi ile çözüm başarısını ayrı izle. |
Uygulamada yorumları ürün, özellik, tarih ve kanal ile ilişkilendirin. Benzer şikayetlerin farklı ürünlerde mi, yoksa belirli bir seride mi yoğunlaştığını inceleyin. Küçük örneklem ve otomatik etiketleme hataları nedeniyle tek bir yorumu genelleştirmeyin.
Örneğin 5.000 bilgisayar yorumu analiz edildiğini varsayalım. Hafif tasarım övgüleriyle fan gürültüsü şikayetleri ayrılabiliyorsa ürün geliştirme ekibi hangi konuyu inceleyeceğine karar verebilir. Buradaki 5.000 sayısı yalnızca örnek senaryo büyüklüğüdür; IdeaSoft verisi veya yayımlanmış bir araştırma değildir.
E-ticarete adım atmadan önce, ideasoft e-ticaret paketlerini ücretsiz deneyebilirsiniz.
Hemen Ücretsiz Deneyin!
Duygu Analizi Araçları Nelerdir?
Duygu analizi araçları iki ana kullanım biçimine ayrılır: hazır bulut hizmetleri ve geliştiricinin kurup uyarladığı açık kaynak kütüphaneler. Seçim yaparken Türkçe dil desteğini, fiyatlandırmayı, veri erişimini ve sınıflandırmanın doğruluğunu ayrı ayrı kontrol edin. Aynı aracın tüm modelleri veya özellikleri aynı dilleri desteklemeyebilir.
| Araç / yaklaşım | Ne sunar? | Seçerken dikkat edilmesi gereken |
|---|---|---|
| Google Cloud Natural Language | Metin için sentiment skoru ve yoğunluk bilgisi. | Türkçe sentiment desteği belgelenmiştir; özellik ve maliyet kapsamını kontrol edin. |
| Microsoft Azure AI Language | Sentiment sınıflandırması ve opinion mining (özellik bazlı görüş analizi). | Türkçe desteği bulunur; seçilen işlevi ve veri işleme şartlarını doğrulayın. |
| Hugging Face Transformers | Göreve uygun eğitilmiş modellerle metin sınıflandırması. | Seçilen modelin Türkçe ve e-ticaret diline uyumu ayrıca test edilmelidir. |
| spaCy | Eğitilebilir metin sınıflandırma bileşeni ve NLP altyapısı. | Tek başına hazır Türkçe sentiment modeli olduğu varsayılmamalıdır. |
| NLTK / TextBlob | Sözlük ve basit metin analizi için geliştirme araçları. | Sık kullanılan hazır sözlükler İngilizce odaklıdır; Türkçe için uyarlama gerekir. |
Google Cloud dil desteği ve Microsoft dil desteği sayfaları, Türkçe kullanılabilirliğini özellik bazında kontrol etmek için başlangıç noktasıdır. Hazır bir kütüphane ile yönetilen bulut hizmetinin veri saklama ve uygulama maliyetleri aynı değildir.
Eski araç listelerinde geçen IBM Watson Tone Analyzer hizmeti Şubat 2023’te sona erdi. MonkeyLearn de 2026 itibarıyla eski bağımsız ürün modeliyle sunulmuyor. Bu nedenle ikisini güncel araç önerisi olarak listelemiyoruz. Hizmetlerin erişilebilirliği zamanla değişebileceği için seçimden önce resmî ürün sayfalarına bakın.

Görsel notu: Yukarıdaki araç görseli eski yayından korunmuştur. Yazılı güncel karşılaştırma için bu bölümdeki tabloyu ve bağlantılı resmî dokümanları esas alın.
Veri setinin kapsamı en az araç seçimi kadar önemlidir. Film yorumları üzerinde eğitilmiş bir model, Türkçe ürün iadesi mesajlarında aynı başarıyı göstermeyebilir. Alanınıza ait etiketlenmiş örneklerle test yapmadan canlı müşteri kararlarını otomatikleştirmeyin.
Sentiment Analysis Nasıl Yapılır?
Sentiment analysis yapmak için önce hangi iş kararını desteklemek istediğinizi tanımlayın. Ardından veri toplayın, etiketleme yöntemini seçin, örnekleri test edin ve sonuçları ekiplerin kullanabileceği bir rapora dönüştürün. Aşağıdaki adımlar, basit bir e-ticaret yorum analizi için uygulanabilir bir başlangıçtır.
- Soruyu tanımlayın: “Teslimat yorumlarının olumsuzluğu artıyor mu?” gibi ölçülebilir bir soruyla başlayın.
- Veriyi hazırlayın: Yalnızca gerekli metinleri, uygun işleme şartlarıyla toplayın; tekrar eden kayıtları ve kişisel bilgileri kontrol edin.
- Etiketleri belirleyin: Genel olumlu/olumsuz/nötr sınıflandırma mı, yoksa kargo, ürün ve destek gibi özellik etiketleri mi gerekli karar verin.
- Örnekleri elle etiketleyin: Gerçek müşteri diliyle hazırlanmış bir kontrol kümesi oluşturun. İroni, olumsuzluk ve karışık görüşleri ekleyin.
- Yöntemi uygulayın: Uygun sözlük, sınıflandırma modeli veya hizmetle etiket ve gerekirse skor üretin.
- Başarıyı ölçün: Modelin tahminlerini insan etiketleriyle karşılaştırın; özellikle önemli şikayetleri kaçırıp kaçırmadığını inceleyin.
- Sonucu aksiyona bağlayın: Şikayet kümelerini ilgili operasyona aktarın, düzeltme sonrası aynı yöntemle yeniden ölçün.
Duygu Puanı Hesaplaması
Bazı sistemler -1 ile +1 arasında polarite skoru verir; bazıları ise olumlu, olumsuz ve nötr sınıflarının her biri için 0–1 arasında güven puanı üretir. Bu iki gösterim aynı anlama gelmez. Örneğin Google Cloud dokümanında negatif skor olumsuz tutuma, pozitif skor olumlu tutuma işaret eder; Microsoft yaklaşımında sınıf güven puanları ayrı gösterilir.
“Mükemmel bir deneyimdi” için +0,9 ve “Hayal kırıklığı yarattı” için -0,7 değerleri, yalnızca açıklayıcı örnek puanlardır. Gerçek bir model çalıştırılarak elde edilmemiştir. Bir sistemin +0,9 vermesi diğerinden kesin olarak daha başarılı olduğu anlamına gelmez; farklı ölçekler ve eşikler karşılaştırılmamalıdır.
Doğruluk Nasıl Ölçülür?
Doğruluğu görmek için sınıflandırılan metinlerin bir bölümünü insanlar önceden etiketlemelidir. Precision, olumlu ya da olumsuz diye işaretlenen sonuçların ne kadarının doğru olduğunu; Recall, o sınıfa ait gerçek yorumların ne kadarının yakalandığını gösterir. F1 bu iki ölçüyü birlikte değerlendirir. Sınıflar dengesizse yalnızca genel accuracy oranına bakmak yanıltıcı olabilir.
Örneğin ciddi teslimat şikayetlerini kaçırmamak öncelikliyse olumsuz yorumlar için Recall ayrıca izlenebilir. Model değiştiğinde aynı kontrol kümesiyle yeniden test yapın. Sonuçları müşteri ilişkileri yönetimi sürecindeki aksiyonlarla birlikte değerlendirin.
Duygu Analizinde Dikkat Edilmesi Gerekenler
Verinin temsil gücünü ve modelin hata payını kontrol edin. Yalnızca memnun müşterilerin yorumlarıyla eğitilmiş bir model, olumsuz ifadeleri yeterince tanımayabilir. Kampanya dönemleri, yeni ürünler, dil değişiklikleri ve farklı platformlar nedeniyle sonuçlar zamanla değişebilir.
İroni ve yerel ifadeler özel risk taşır. “Bu telefon bomba gibi!” sözü bağlama göre övgü olabilir; “Çok güzel, ürün iki haftada geldi!” ifadesi ise alaycı bir şikayet olabilir. Karışık görüşleri tek etiketle özetlemek yerine gerektiğinde cümle veya özellik bazında analiz edin.
Kişisel Veri ve Etik Sınırlar
Yorumlarda isim, telefon, adres, sağlık bilgisi veya çalışanla ilgili ifadeler bulunabilir. Analizden önce KVKK’nın amaçla sınırlılık ve veri minimizasyonu ilkelerini kontrol edin. Gerekli olmayan kişisel bilgileri ayıklayın; uygun hukuki işleme şartı bulunmadan veriyi yeni bir amaç için kullanmayın.
Karar kuralı: Olumsuz etiketlenen tek bir yorum otomatik kriz anlamına gelmez. Önce yorumun bağlamını, benzer şikayetlerin sıklığını ve ilgili operasyon verilerini doğrulayın.
Duygu analizini insan denetimini kaldıran bir karar motoru gibi değil, tekrar eden müşteri sorunlarını gösteren bir yardımcı olarak kullanın. Özellikle iade, çalışan değerlendirmesi veya hizmet önceliği gibi kişileri etkileyen kararları tek bir otomatik duygu skoruna dayandırmayın.
Duygu analizi nedir?
Duygu analizi, metinlerin bir konuya yönelik olumlu, olumsuz veya nötr tutumunu doğal dil işleme yöntemleriyle belirler. Ürün yorumları ve müşteri geri bildirimlerinde sık kullanılır.
Duygu analizi nasıl yapılır?
Amaç belirlenir, uygun metinler toplanır, etiketleme yöntemi seçilir ve model uygulanır. Çıktılar insan etiketli örneklerle test edilip raporlanır.
Sentiment analysis hangi alanlarda kullanılır?
E-ticaret ürün yorumlarında, müşteri hizmetlerinde, sosyal medya analizinde, açık uçlu anketlerde ve pazar araştırmalarında kullanılabilir.
Duygu analizi yapmanın avantajları nelerdir?
Tekrarlayan şikayetleri, beğenilen özellikleri ve müşteri deneyimindeki değişimleri daha hızlı fark etmeyi sağlar. Sonuçların güvenilirliği veri kalitesi ve insan kontrolüne bağlıdır.
Duygu analizinde nelere dikkat edilmelidir?
Türkçe dil desteği, ironi, olumsuzluk ifadeleri, örneklem yanlılığı ve kişisel veri koruması kontrol edilmelidir. Sonuçlar tek başına kesin müşteri memnuniyeti ölçümü sayılmamalıdır.
Hangi araçlar duygu analizi yapabilir?
Google Cloud Natural Language ve Microsoft Azure AI Language hazır hizmet örnekleridir. Hugging Face Transformers ve spaCy, uygun model veya eğitimle özelleştirilmiş analiz için kullanılabilir.
İÇİNDEKİLER
Popüler Videolar