Twitter üzerinde makine öğrenimi kullanarak otomobil marka algısı analizine yönelik müşteri duyarlılığının nicellenmesi

Otomobil Üreticileri İçin Sosyal Medya Duygularının Önemi

Her gün milyonlarca insan sosyal medyada markalardan bahsediyor; çoğu zaman resmi bir ankette söyleyeceklerinden daha dürüstçe. Otomobil şirketleri için bu samimi paylaşımlar, sürücülerin araçları ve hizmetleri hakkında gerçekte ne düşündüklerini ortaya koyuyor. Bu makale, beş büyük otomobil markası hakkında atılan tweetlerin halkın havasının olumlu mu yoksa olumsuz mu eğilim gösterdiğini ve bu havanın zaman içinde nasıl değiştiğini gösteren, tek ve okunması kolay bir puana nasıl dönüştürülebileceğini inceliyor.

Çevrimiçi Sohbetten Ölçülebilir Ruha

Araştırmacılar basit bir fikirle başlıyor: insanlara yavaş ve pahalı anketlerle ne düşündüklerini sormak yerine, çevrimiçi olarak zaten söylediklerini dinleyin. BMW, Mercedes-Benz, Porsche, Tesla veya Toyota'dan söz eden yaklaşık 16.000 İngilizce tweet topluyorlar ve sıradan kullanıcıları odağa almak için markaların kendi hesaplarından gelen paylaşımları titizlikle hariç tutuyorlar. Tweetlere özel olarak eğitilmiş gelişmiş bir dil modelini kullanarak her mesaj olumlu ya da olumsuz olarak etiketleniyor. Nötr, tamamen bilgilendirici paylaşımlar ise insanların nasıl hissettiğini net göstermediği için bir kenara bırakılıyor.

Marka İyi Niyetine Tek Bir Puan

Olumlu ve olumsuz tweetlerle ekip bir Marka Polarite Puanı (Brand Polarity Score, BPS) oluşturuyor. Bu sayı -1 ile +1 arasında değişiyor ve bir markanın aldığı olumlu bahsedenlerin sayısını şikayetlerin sayısıyla karşılaştırıyor. Sıfırın üzerindeki bir değer övgünün eleştiriden fazla olduğunu; sıfırın altındaki bir değer ise markanın sıkıntıda olduğunu gösterir. İncelenen ay için beş otomobil üreticisinin hepsi pozitif bölgede yer aldı; Porsche ve BMW önde, Tesla ise en karışık havayı gösteriyordu. Ham olumlu tweet sayılarının aksine BPS, övgü ve eleştiriyi birlikte tartar ve genel iyi niyet hakkında daha net bir resim sunar.

Zaman İçinde Ruh Hallerini İzlemek

Kamuoyu nadiren düz bir çizgi halinde hareket eder. Viral bir övgü paylaşımı, bir geri çağırma bildirimi veya büyük bir ürün duyurusu birkaç gün içinde duyarlılığı hızla değiştirebilir. Bu dalgalanmaları yakalamak için yazarlar her otomobil üreticisi için Marka Polarite Puanı'nı günlük olarak izliyor. Ardından bir ikinci ölçüt olan Marka Polarite Konum Göstergesi (Brand Polarity Position Indicator, BPPI) sunuluyor; bu gösterge koşan ortalama gibi çalışır: geçmiş günleri biriktirir ve gürültüyü yumuşatır. Günlük puanda görülen ani sıçramalar BPPI eğrisinde daha yumuşak kıvrımlara dönüşür ve kısa ömürlü patlamalar yerine daha yavaş, anlamlı itibar değişimlerini öne çıkarır.

Hangi Sesler Daha Fazla Sayılır?

Tüm tweetler eşit etkiye sahip değildir. Çok takipçisi olan bir hesaptan gelen olumlu bir yorum ya da geniş çapta paylaşılan bir şikayet, etkileşimsiz tek bir yorumdan çok daha fazla insanı etkileyebilir. Bunu yansıtmak için çalışma Etki-ağırlıklı Marka Polarite Puanı (Influence-weighted Brand Polarity Score, IwBPS) oluşturuyor. Her tweete aldığı dikkat ve yazarının belirginliği temelinde, tweetin ve hesabın yaşı dikkate alınarak bir ağırlık veriliyor. Araştırmacılar ayrıca etkili seslerin daha uzun vadeli etkisini izlemek için bu puanın bir kümülatif versiyonunu, IwBPPI'yi tanımlıyor. Bu ölçütler, hangi markaların aslında platform boyunca geniş şekilde yayılan paylaşımlar tarafından yükseltildiğini ya da düşürüldüğünü vurguluyor.

Sayılara Sınama Yapmak

Ölçütlerinin güvenilir olduğunu kontrol etmek için yazarlar birkaç gerçeklik kontrolü çalıştırıyor. Favori tweet modelini diğer popüler araçlarla karşılaştırıyor ve büyük, etiketlenmiş bir veri setinde en doğru olduğunu buluyorlar. Puanlarındaki ani sıçramaların güvenlik skandalları veya yeni teknoloji duyuruları gibi gerçek haber olaylarıyla örtüştüğünü gösteriyorlar. Ayrıca seçilen modellerinin sonuçlarını büyük bir bulut sağlayıcısının ticari sistemiyle karşılaştırıyor ve desenlerin güçlü biçimde uyumlu olduğunu tespit ediyorlar. Son olarak, örnekleme tuhaflıklarına ve rastgele hatalara karşı puanların ne kadar hassas olduğunu test ediyorlar; bazı etiketler kasıtlı olarak karıştırıldığında bile günlük ve kümülatif göstergelerin kararlı kaldığını gösteriyorlar.

Gündelik Anlayış İçin Anlamı

Basitçe söylemek gerekirse, çalışma dağınık ve hızlı değişen sosyal medya sohbetlerini, insanların otomobil markaları hakkındaki duygularını izleyen küçük bir dizi net ve güvenilir sayıya dönüştürmenin mümkün olduğunu gösteriyor. Temel puan konuşmanın çoğunlukla iyimser mi yoksa kötümser mi olduğunu söylüyor, kümülatif göstergeler daha uzun vadeli itibar eğilimlerini ortaya koyuyor ve etki-ağırlıklı versiyonlar büyük değişimlerin yüksek sesli, geniş yankı bulan paylaşımlar tarafından mı yönlendirildiğini gösteriyor. Uzman olmayanlar için çıkarım şu: markalar artık çevrimiçi kitlenin nasıl hissettiğini tahmin etmek zorunda değil veya anket sonuçları için aylarca beklemek zorunda değil; modern dil araçlarıyla kamuya açık tweetleri dikkatle okuyarak neredeyse gerçek zamanlı olarak konumlarını izleyebilir ve küçük homurtular kalıcı zarara dönüşmeden önce yanıt verebilirler.

Atıf: Mathew, S.S., Hayawi, K., Venugopal, N. et al. Quantifying customer sentiment for automobile brand perception analysis using machine learning on Twitter. Sci Rep 16, 5703 (2026). https://doi.org/10.1038/s41598-026-35637-9

Anahtar kelimeler: sosyal medya duyarlılığı, otomobil markaları, Twitter analizi, marka itibarı, makine öğrenimi