AI Yorum Analizi & İtibar Panosu

AI Yorum Analizi & İtibar Panosu, dijital platformlardaki müşteri geri bildirimini sistematik şekilde yönetmek isteyen restoran işletmecileri için geliştirilmiştir. Bir yorumun değeri yalnızca o yorumu okumakta değil; yüzlerce yorum arasındaki örüntüleri görmek ve sorunları büyümeden önce tespit etmektedir.

• Zincir ve çok şubeli işletmeler: Her şubenin yorum performansını ayrı ayrı takip etmek yerine karşılaştırmalı tek panel yeterlidir. Kadıköy şubesi için servis şikâyetleri artıyorken Beşiktaş şubesi için atmosfer yorumları güçleniyorsa bu fark yönetim kararlarına yansıtılabilir. Şube bazlı kök neden analizi—aynı zincirde neden bir şube daha kötü değerlendiriliyor?—en değerli çıktılardan biridir ve ancak karşılaştırmalı veriye sahipken mümkündür.
• Yüksek yorum hacmiyle karşılaşanlar: Tatil dönemleri, açılış kampanyaları veya viral bir içerik sonrasında patlayan yorum sayısını elle okumak imkânsız hale gelir. Sistem bu yükü otomatize eder ve işletmeciye yalnızca kritik alarm ve haftalık özet gönderir. Yüzlerce yorumu saatlerce okumak yerine dakikalar içinde yönetim kararı için gereken bilgiye ulaşılır.
• İtibarını aktif yönetmek isteyen tek şubeli mekanlar: Rakiplerle puan karşılaştırması, kategori bazlı (yemek kalitesi, servis hızı, fiyat dengesi, temizlik, atmosfer, otopark) trend takibi ve hazır yanıt önerileri küçük işletme için de büyük değer taşır. Özellikle rakibinin güçlü ve zayıf yönlerini sistematik biçimde izlemek, konumlandırma kararlarını somutlaştırır.
• Pazarlama ve PR kararlarını veriye dayandırmak isteyenler: Hangi ürünün övüldüğü, hangi konunun şikâyet ürettiği bilinmeden yapılan kampanya bütçesi yanlış hedefe gidebilir. Yemek kalitesini öven yorumlar çoğunluktayken servis hızı kampanyası yapmak kaynakları israf eder. Sistem hangi konunun öne çıktığını nesnel olarak gösterir ve kampanya yatırımını daha iyi hedefe yönlendirmeye yardımcı olur.
• Sezon ve etkinlik sonrası analiz ihtiyacı olanlar: Yaz sezonunun yoğun döneminde biriken yorumlar sezon bitiminde toplu analiz edilebilir. Hangi ürün bu dönemde övüldü, hangi şikâyet tekrarlandı? Bu analiz bir sonraki sezon hazırlığı için stratejik girdi sağlar.

Sistem algoritmik duygu analizi yapar; ince nüans, ironi veya diyalekt içeren yorumlarda yanılabilir. Önemli kararlar için elle doğrulama önerilir. Yapay zekâ bir analiz asistanıdır, kararın kendisi işletmeciye aittir.

Online yorumlar restoranların en güçlü pazarlama aracı olmakla birlikte en çok ihmal edilen veri kaynağıdır. Neden okunmaz? Çünkü okumak zaman alır, öncelik sıralamasında her zaman geride kalır ve küçük sorunlar büyüyene kadar görünmez.

• Yorum yükü aşılmaz hâle gelir: Aylık yüzlerce yorum gelen bir zincir işletmesinde yorumları elle okumak saatlerce sürer. Yöneticinin buna ayıracak sürekli zamanı yoktur; en iyi ihtimalle haftada bir kez göz atılır, çoğunlukla hiç okunmaz. Bu boşlukta sorunlar büyür.
• Sorun geç fark edilir, itibar hasarı oluşur: Kadıköy şubesinin servis hızı şikâyetleri haftalardır artıyorsa, bu ancak derecelendirme düşmeye başlayınca fark edilir. O noktaya geldiğinde müşteri kaybı yaşanmış, kötü yorum birikmiş ve Google puanı düşmüştür. Erken uyarı sistemi olmadan tepki geç gelir ve hasar büyümüş olur.
• Toplu ortalama sorunları gizler: Genel ortalama 4,2 gösteriyor ama bu puanın içinde yemek kalitesi 4,8, otopark deneyimi 2,3, servis hızı 3,1 olabilir. Toplam ortalama bu ayrımı gizler. Neyi geliştireceğinizi bilmeden kaynak ayırmanız, hedefsiz atış yapmak gibidir. Kategori bazlı analiz bu ayrımı görünür kılar ve yatırım önceliğini somutlaştırır.
• Yanıt eksik veya geç kalır, hasarı büyütür: Yanıtsız kalan negatif yorum, yeni ziyaretçilerin gözünde o sorunun kabul edildiği ya da işletmenin ilgisizliği sinyali verir. Hazır yanıt önerileri personelin bu adımı atlamasını önler; özellikle yoğun dönemlerde yanıt kalitesini ve hızını korur.
• Şube bazlı kök neden analizi yapılamaz: Aynı zincirin iki şubesi arasında neden puan farkı var? Bu soruyu cevaplamak için her şubenin yorumlarını ayrı ayrı okumak, kategorilere ayırmak ve karşılaştırmak gerekir. Elle yapıldığında bu haftalarca sürer; sistem bunu günlük olarak yapar.

1. Platform keşfi ve bağlantı kurulumu (1–2 hafta): Hangi platformların (Google İşletme Profili, TripAdvisor, Yemeksepeti, Getir, sosyal medya) entegre edileceği belirlenir. Her platformun resmi API desteği, onaylı entegrasyon yöntemi ve erişim koşulları değerlendirilir. Geçmiş yorum arşivi mümkün olan en uzun döneme kadar aktarılır. Hangi şubelerin kapsama alınacağı da bu aşamada netleştirilir.
2. NLP model konfigürasyonu (2–3 hafta): Türkçe restoran yorumları için özelleştirilmiş duygu analizi (olumlu, olumsuz, nötr) ve kategori etiketleme (yemek kalitesi, servis hızı, fiyat dengesi, temizlik, atmosfer, otopark, bekleme süresi, personel tutumu) kurulur. Modelin restoran sektörü jargonunu tanıması için örnek yorum setleriyle ince ayar yapılır. Kısaltmalar, argo ve sık kullanılan emoji kalıpları da modele öğretilir. Model her yorumu hem duygu hem kategori boyutunda etiketler; bir yorum birden fazla kategoriye düşebilir.
3. İtibar panosu geliştirme (2–3 hafta): Şube bazlı puan trendi, kategori bazlı ısı haritası, haftalık özet ve rakip karşılaştırma ekranları tasarlanıp geliştirilir. Yanıt önerisi modülü oluşturulur; her yorum kategorisine göre hazır şablon eşleşir. Yönetici yalnızca haftalık özeti izleyebilir ya da kalem kalem yorum inceleyebilir; her iki kullanım senaryosu desteklenir.
4. Uyarı ve bildirim sistemi (1 hafta): Belirli eşiklerin altına düşen puan veya belirli sayının üzerinde negatif yorum geldiğinde yöneticiye e-posta veya SMS bildirimi gönderilir. Eşik değerleri işletmeci tarafından ayarlanır. Ani yorum dalgası da—viral olumsuz içerik gibi—ayrıca algılanır ve acil uyarı tetiklenir.
5. Test, ince ayar ve canlıya geçiş (1–2 hafta): Geçmiş yorumlar üzerinde model doğruluğu ölçülür; etiketleme hataları işletmecinin geri bildirimiyle düzeltilir. Pano tur yapılır, bildirim testleri tamamlanır ve sistem canlıya alınır. İlk ay model performansı yakından izlenir. Etiketleme hata oranı hedefe ulaşmadıysa örnek set genişletilir ve model yeniden kalibre edilir. Hedef oran işletmeciyle başta mutabık kalınan minimum doğruluk seviyesidir; bu seviye altında kalan kategoriler için manuel doğrulama zorunluluğu panelde uyarıyla işaretlenir.
6. Sürekli iyileştirme döngüsü: Canlıya geçişten sonra sistem statik kalmaz. Yeni platform entegrasyonu, model güncellemesi veya sektör jargonu değişimi gibi durumlarda periyodik güncelleme uygulanır. İsteğe bağlı bakım paketi bu güncellemeleri otomatikleştirir; bakım olmadan da sistem çalışmaya devam eder ancak uzun vadede model performansı kalibrasyonsuz kalabilir.

Yorum verisi kamuya açık platformlardan alınır; ancak analiz sonuçları, yönetici paneli ve itibar raporları güvenli şekilde korunmalıdır. Aynı zamanda yorum yazan kişilere ilişkin bazı bilgilerin toplanması gizlilik değerlendirmesi gerektirir.

• Kamuya açık veri ve kişisel veri sınırı: Platformlardaki yorumlar halihazırda herkese açıktır; bu nedenle KVKK kapsamında özel veri işleme sayılmaz. Bununla birlikte yorum sahibinin adı, profil fotoğrafı veya hesap kimliği gibi bilgiler sistem veritabanında saklanmaz. Yalnızca yorum metni, puanı, tarihi ve platform kaynağı işlenir; kişi bilgisi tutulmaz.
• Panel erişim güvenliği ve çok faktörlü doğrulama: İtibar panosu yalnızca yetkili yöneticilere açıktır. Güçlü parola politikası zorunlu tutulur; isteğe bağlı iki faktörlü kimlik doğrulama desteklenir. Her oturum açma tarih-saat damgasıyla loglanır. Yetkisiz erişim girişimleri otomatik olarak yöneticiye bildirilir.
• Veri depolama ve egemenlik: Analiz sonuçları ve raporlar işletmenizin kendi sunucusunda veya güvenli bulut altyapısında tutulur; üçüncü taraf reklam veya analitik servisiyle paylaşılmaz. Rakip analiz verileri de yalnızca işletmeciye açıktır.
• Platform koşulları uyumu: Her platform entegrasyonu ilgili platformun kullanım koşullarına uygun yöntemle kurulur. Resmi API kullanımı önceliklidir; API olmayan durumlarda platforma uygun onaylı yöntemler değerlendirilir. Platform koşullarına aykırı veri toplama yöntemi hiçbir koşulda kullanılmaz.
• Yanıt onayı ve insan denetimi: Platforma gönderilecek yanıtlar otomatik yayınlanmaz; her yanıt insan onayı gerektirir. Bu hem itibar yönetimi kalitesi hem de platform kullanım koşulları açısından doğru yaklaşımdır.
• Erişim günlüğü ve anomali tespiti: Panel erişimleri tarih, saat ve kullanıcı bazında loglanır. Olağandışı erişim örüntüleri (gece yarısı toplu veri indirme girişimi gibi) otomatik uyarı tetikler. Bu log kaydı hem güvenlik denetimi hem olası yetkisiz kullanım tespiti için değerlidir.