Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.

net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

Sosyal Medyada Rekabet Analizi in Karlatrma Grevine Ynelik Fikir Madencilii Modeli
idem Aytekin, Marmara niversitesi, Endstri Mhendislii Blm, stanbul, Trkiye cigdem.aytekin@marmara.edu.tr slam Mayda, Marmara niversitesi, Bilgisayar Mhendislii Blm, stanbul, Trkiye islam.mayda@stu.khas.edu.tr +905388259530 Kabul tarihi 14 Aralk 2013 ZET Gnmz internet kullanclar bir yandan yeni nesil teknolojilerin getirdii kolaylklar sayesinde a zerinde sosyalleirken, dier yandan da birok i alannda dnmlere neden olmaktadr. Artk iletmelerin sosyal medya olarak adlandrdmz bu ortamlara eilmeleri bir zorunluluk halini almtr. Zira bu ortamlar kullancy pasif konumdan ierik reten aktif kullanc haline getirmi ve bnyesinde rn ve hizmetlere ilikin barndrd milyonlarca yorum ile iletmelere rekabet analizi, itibar yneti mi, kriz ynetimi, halkla ilikiler gibi alanlarda yeni rekabet yntemlerine olanak salamtr. Bu dorultuda almada sosyal medyada rekabet analizi iin karlatrma grevine ynelik bir fikir madencilii modeli gelitirilmitir. Bu amala karlatrma siteleri, YouTube ve teknoloji forumlarndan iz srme teknii ile karlatrma ifadesi ieren 100 yorum manuel olarak derlenmi ve bu yolla bir test veri taban oluturulmutur. Elde edilen bulgular aratrmann snrll kapsamnda ele alnm ve modelin baarsna ilikin lmlemeler duyarllk lt ile deerlendirilmitir. Baar oranlar modelin gelecei ile ilgili mit vermekte olup sonu ksmnda nerilere de ayrca yer verilmitir. Anahtar kelimeler: Sosyal Medya; Rekabet Analizi; Fikir Madencilii; Karlatrma Grevi.

Competitive Analysis on Social Media Comparison Task Oriented: Opinion Mining Model
ABSTRACT Since social media environments can turn users from a passive position into active users who selfgenerate contents, in their millions of comments, relating to products and services thus providing enterprises the opportunities for new competition methods in areas such as competitive analysis, reputation management, crisis management, and public relations; an opinion mining model is used in the study for analysis of social media aimed at comparison purposes. One hundred comments containing comparison expressions were manually collected with the chasing technique from the comparison sites, YouTube and technology forums, and by this way a test database was created. The obtained findings were examined within the constraints of the study and computations relating to the performance of the model and were evaluated with the sensitivity criterion. Because the success rates of the model are promising for the future, suggestions are provided in the concluding part of the study. Keywords: Social Media; Competition Analysis; Opinion Mining; Comparison Task. ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

Aytekin, Mayda GR

415

Gnmz bilgi ve iletiim teknolojileri birok alanda gnlk hayat ve i aklarn dntrmekte, birok yeni eilimin ortaya kmasna neden olmaktadr. Bu eilimler iletmelerin iini belli ynlerde kolaylatrrken, belli ynlerde de onlar zorlamakta ve kreselleen dnyaya uyum salamak zorunda brakmaktadr. Artk rakipler ile rekabet edebilmenin yollar da dnm srecine girmitir. Deiim hznn artt ve niteliinin deitii yeni rekabet koullarnda, mteriler de bu deiimden etkilenmektedirler. Mteri ihtiyalar ve ncelikleri tm sektrlerde ok hzl ve ok dinamik bir ekilde srekli deimektedir. Deiim hznn yksek olduu gnmzde iletmelerin rn merkezli stratejilerle ayakta kalabilmeleri artk mmkn ol amamaktadr. nk yeni rekabet koullar, artk rn performansna dayal stratejilerin geerliliini byk lde yitirmi olduu bir dnemdir ve mteri merkezli dnmeyi gerektirmektedir (Krm, 2003: 74, 78). Bu dorultuda kresel rekabetin getirdii mteri merkezli yaklam iletmelerin ynetim anlaylarn deitirmi ve onlar mterileriyle uzun mrl ilikiler salamaya ve gelitirmeye zorlamtr. Artk iletmeler, deien mteri gereksinimlerini karlama k, onlarn nceliklerini belirlemek ve sorunlara onlarn bak as ile bakmak durumundadrlar. Ancak bunlar salayabilmek ve verimliliklerini arttrabilmek iin onlar hakknda daha fazla bilgiye sahip olunmas gerekmektedir. Bu da d dnyadaki alglann takibi ile mmkn olabilir. Sosyal medya bu noktada iletmelere geni bir veri ak salar ve bir dinleme arac olarak karmza kar. Zira grece zgr olarak kabul edilen bu ortamlarda mteriler rn ve hizmetler hakknda grlerini paylaabilmekte, tavsiyelerde veya ikyetlerde bulunabilmekte ve deneyimlerini aktarabilmektedirler. Kullanc grlerinin takip edil mesi yoluyla bu ortamlardan elde edilen bilgiler, rekabet ortamnda iletmelerin ilgili kararlarna k tutacaktr. Bylece verimliliklerini arttrabilir ve rakipleri karsnda avantajl duruma geebilirler, ilgili stratejileri belirlemede ve karar srelerinde referans olarak kullanabilirler. Gnmzde sosyal medyada rekabet analizi hizmeti Dijital Ajans, Dijital Medya Ajans veya Sosyal Medya Ajans olarak tanmlanan kurulularca yaplmaktadr. Zira artk markalarn karsnda sosyal alarda etkileim halinde olan yeni bir hedef kitle bulunmaktadr. Kullanclar markann kendisine, rnlerine, hizmetlerine olan yaklamlarn bu ortamlarda karsndaki ile konuur gibi informel bir dille ortaya koymaktadrlar. Ajanslar ise bir yandan markalara sosyal alarda doru bir ekilde konumlanmann yollarn sunarken, dier yandan da rakipleri ile nasl mcadele edebilecekleri konusunda onlara zel uygulamalar gelitirmektedirler. Baz ajanslar tarafndan rakip analizi adyla da anlan bu uygulamalar, daha ok frsatlarn ve tehditlerin belirlenmesine ynelik olarak gelitirilen swot analizlerine dayanmaktadr. Yani, markann potansiyel rakipleri karsndaki gl ve zayf ynleri ortaya konmakta, analizler bu dorultuda yaplmaktadr. Bu almada sosyal medyada yer alan verilerin rekabet analizi asndan ok nemli olduu ngrsnden hareketle, bu verileri analiz eden bir model gelitirilmitir. Modelin veri mimarisi, bu ortamlarda yer alan marka stnl bildiren yorum temeli zerine kuruludur. Ancak belirtmek gerekir ki, bu almada gelitirilen model Trkiyedeki sosyal medya ajanslarnn rekabet analizi kapsamnda verdii hizmetlerden farkl bir yaklama sahiptir. Modelde
ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

416

Journal Academic Marketing Mysticism Online

analitik lmlemeler yerine yorumlar zerine odaklanlm ve bu erevede fikir madencilii yaklam sz konusu edilmitir. Bu erevede nce fikir madencilii, grevleri ve zellikle karlatrma grevi ele alnacak ve ardndan modelin detaylar aklanacaktr. FKR MADENCL VE KARILATIRMA GREVNE YNELK ALIMALAR Fikir Madencilii, sosyal medyada yer alan verinin katlanarak oalmas ile birlikte, bu verilerin analiz ihtiyac erevesinde Metin Madenciliinin bir uygulama alan olarak ortaya km bir kavramdr. Falcona gre fikir madencilii, verilen bir konu zerine gr sahibinin fikrinin snflandrlmas veya tanmlanmas iin istatistiksel model ve yazlmlarn kullanlmasdr (Falcon, 2010). Fikir madencilii ile yaplabilecek iler literatrde fikir madencilii grevleri olarak tanmlanmaktadr. Bu erevede farkl yazarlar tarafndan farkl grevlerden sz edilmektedir. Esuli ve Sebastiani (Esuli ve Sebastiani, 2006: 417), Liu (Liu, 2007: 411), Abbasi ve dierleri (Abbasi ve dierleri, 2008: 14), almalarnda metnin pozitif-negatif kutbunu belirleme grevinden sz ederler. Bu grev, fikir ifade eden bir metnin pozitif-negatif kutuplardan hangisine dahil olacan belirlemeye ynelik olarak gelitirilir. Ayrca zerinde en ok uygulama gelitirilen grev nvanna sahi ptir. Esuli ve Sebastiani ayn almalarnda metnin pozitifnegatif kutup iddetini belirleme grevinden de bahsederler. Bu grevde, pozitif-negatif kutuplara atanm metin tabanl fikir verileri belli seviyelerde derecelendirilir. Levene (Levene, 2010: 416), Verbeke ve Eynde (Verbeke ve Eynde, 2013: 9), Qiu ve dierleri (Qiu ve dierleri, 2010: 2) ise ilgili almalarnda baka bir grev olan zellik tabanl madencilik grevine yer vermilerdir. Bu grevde rn veya hizmetin herhangi bir zellii veya baz zelliklerinin nasl alglandna ilikin bir deerlendirme yaplr. Yine Verbeke ve Eynde ayn almalarnda snflandrma problemi olarak sorun konu etme grevinden sz etmilerdir. Burada da fikir madenciliine serbest olarak istendik ynde bir problem konu etmek esastr. Fikir madenciliine ilikin bir dier grev ise bu almaya konu olan karlatrmal cmle grevidir. Bu grevde, iki rn veya hizmetin karlatrlmasna ilikin fikir ifadelerinden otomatik olarak bilgi karm esastr. Bir markann dier markaya stnl bu grevle tespit edilebilir. Fikir madenciliinin karlatrma grevine ynelik literatr incelendiinde almalarn son yedi yla yayld grlmektedir. Bugne kadar bu greve ilikin olarak ngilizce, Korece, Arapa ve ince dillerinde almalar yapld gzlenmitir. Aada bu almalardan baz rnekler verilmitir. Jindal ve Liu 2006 ylnda yaymladklar almalarnda, o tarihe kadar karlatrma grevine ynelik herhangi bir alma bulamadklarn belirtmilerdir. Onlar bu almada forum, blog ve haber sitelerindeki yorumlarn iinde geen karlatrma cmlelerini tespit etmeye ve bu cmlelerdeki karlatrma ilikilerini snflandrmaya almlardr. lk admda , ngilizce dilindeki karlatrma cmlelerinde geen 83 son ek ve anahtar kelimeyi kullanarak tm karlatrma cmlelerinin %81ini %82lik bir doruluk oranyla tespit edebilmilerdir. kinci admda ise, bu cmleleri karlatrma ilikilerine gre eitsizlik, eitlik ve en stnlk olmak zere ayr kategoride snflandrmlardr. Jindal ve Liu bu almalarnda karlatrma cmleleri zerinde
ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

Aytekin, Mayda fikir madencilii yapmamlardr. Bu alma, karlatrma cmleleri zerinde yaplan ilk dorudan alma olmas nedeniyle sonraki aratrmalara temel tekil etmesi bakmndan nemlidir (Jindal ve Liu, 2006: 1331, 1334, 1336).

417

Benzer bir almay 2009da Yang ve Ko Kore dili iin yapmlardr. Bu almada da sadece karlatrma cmleleri tespit edilmeye allm, yine bu cmleler zerinde fikir madencilii yaplmamtr. Onlar Kore dilinin yapsnn ngilizceden farkl olduunu, bu nedenle Kore dilinde yazlm yorumlardaki karlatrma cmlelerini tespit edebilmenin ngilizce dilinde yazlan yorumlara gre daha zor olduunu belirtmilerdir. almada ilk admda, Kore dilinde karlatrma cmlelerinde kullanlan anahtar kelimeler kullanlarak yorumlar zerinde bir tespit yaplm, daha sonra Nave Bayes ve Maksimum Entropi Modelleri ile bu yorumlarda karlatrma cmlesi olarak yer almayan yorumlar elenmitir. Yang ve Ko, nerdikleri metot ile %88,5 orannda karlatrma cmlelerini doru olarak tespit edebilmilerdir. Bu alma, Kore dilinde karlatrma grevine ynelik ilk fikir madencilii almas olma zelliine sahiptir (Yang ve Ko, 2009: 153-156). Arapa dilinde karlatrma cmlelerini tespit zerine ilk alma ise , 2012 ylnda El-Halees tarafndan yaplmtr. Halees almasnn banda Arapann ekilsel bakmdan ngilizceye gre ok daha kompleks bir dil olduunu ifade etmitir. Bu almada eitim, teknoloji ve spor olmak zere farkl alanda internet kullanclar tarafndan yaplan 1048 yorum toplanm, bunlarn 435inin karlatrma ifadesi ierdii manuel olarak belirlenmitir. Karlatrma ifadeleri ieren bu yorumlarn tespit edilebilmesi iin farkl yaklamlar ortaya konmutur. lk yaklam olarak, sfat ve zarf szck trleri zerinden tespitler yaplm ve %63,7 orannda bir baar elde edilmitir. Daha sonra farkl makine renmesi metodu denenmitir. Nave Bayes, K-En Yakn Komu ve Destek Vektr Makinesi ile yaplan tespit almasnda en yksek baar oran K-En Yakn Komu metodu ile %86,6 olarak elde edilmitir. Son olarak szck trleri ve makine renmesi metotlar bir arada kullanlarak bir test yaplmtr. Bu alma sonucunda Destek Vektr Makinesi ve szck makineleri birlikte kullanldnda %88 ,8 ile en yksek baar oranna ulalmtr. El-Halees bu almasnda sadece karlatrma cmlelerini tespit etmeyi salayan bir yaklam ortaya koymu, ancak bu cmleler zerinde fikir madencilii uygulamas gerekletirmemi, sonraki almalarna brakmtr (El-Halees, 2012: 265, 266, 268, 269). Ganapathibhotla ve Liu 2008de yaymladklar almalarnda, karlatrma cmleleri zerinde yaplan ilk fikir madencilii almasn sunmulardr. Onlar karlatrma cmlelerinde hangi rn veya hizmetin dierine gre tercih edildiini bulmaya almlar ve baar oran yksek bir metot ortaya koymulardr. ncelikle sfat ve zarflar manuel olarak pozitif veya negatif snfta kategorize etmiler ve cmle iinde geen bu sfat ve zarflara gre o cmleyi p ozitif veya negatif bir cmle olarak tanmlamlardr. rnek veri seti olarak Jindal ve Liunun 2006 ylnda kullandklar yorumlara ilave olarak e-ticaret ve teknoloji forumlarndaki laptop, kamera ve cep telefonlar hakkndaki yorumlar da kullanmlardr. Binlerce yorum ve forum gnderisi iinden sadece 837 tanesinin (418 tanesi Jindal ve Liunun almasndan, 419 tanesi dier e -ticaret ve teknoloji forumlarndan) bu almada kullanlabilir veri olduunu grmler ve sosyal medyada yer alan yorumlarn sadece %10unun karlatrma ifadesi ierdiini tespit etmilerdir. Deerlendirme sonunda cmlede ilk geen rn veya hizmetin %84 orannda ikinci rn veya hizmete gre tercih edildii eklinde ilgin bir asimetrik dalm gzlemlenmitir. Yani, verilerin %84nde ilk geen rn veya hizmet hakknda pozitif bir yorum yaplmaktadr. Dolaysyla,
ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

418

Journal Academic Marketing Mysticism Online

hibir deerlendirme yaplmadan cmlede ilk geen rn veya hizmet hakknda pozitif bir yoru m yapld varsaylrsa, %84 orannda bir doruluk sz konusu olabilecektir. Ancak, Ganapathibhotla ve Liu sunduklar metot ile %94,4 orannda bir doruluk oran elde etmeyi baarmlardr. Dier ilgin bir tespit de, cmlede geen ikinci rn veya hizmetin tercih edildii yorumlarn, cmlede geen ilk rn veya hizmetin tercih edildii yorumlara gre genelde ok daha kompleks olmasdr (Ganapathibhotla ve Liu, 2008: 241, 245, 247, 248). Grld gibi, karlatrma grevine ynelik fikir madencilii almalar nicelik, kapsam ve uyguland dil bakmndan henz ok snrl bir dzeydedir. Kald ki, mevcut almalarn bir ksm da fikir madenciliinde karlatrma yapmak zere veri toplamaya ynelik olarak gelitirilmitir. Bu almada ise detaylar aada ayrntl olarak belirtilecei gibi veri toplamaya ynelik herhangi bir uygulama gelitirilmemi, model zerine younlalmtr. ARATIRMANIN AMACI VE NEM Bu almada sosyal medyada rekabet analizi iin karlatrma grevine ynelik bir fikir madencilii modeli gelitirilmitir. Sosyal medyada yer alan kullanc grleri iletmeler iin paha biilmez bir deerdedir. Zira bu ortamlar tketime sunulan rn ve hizmetler e ilikin nemli lde kullanc yorumlarn iermektedir. Kullanclar bu ortamlarda kendi istekleriyle yer aldklarndan baka yollarla zor elde edilebilecek grlere bu yolla kolayca ulalabilmektedir. Benzer konularda ilgisi olan bireyleri de bir araya getiren sosyal medya, ilgili konularda milyonlarca sayda yorum iermekte ve bu say her geen gn katlanarak oalmaktadr. Bu nedenle sosyal medyada yer alan metin ynlar ok nemli veriler barndrmaktadr. Dolaysyla iletmeler, sunduklar rn ve hizmetlerin tketiciler tarafndan nasl karlandn renmek amacyla bu ortamlar takip etmeli ve rekabet analizi asndan etkin bir deerlendirme yapabilecekleri mecralar olarak grmelidirler. VERNN HAZIRLANMASI Sosyal medya zelinde karlatrma siteleri, YouTube ve teknoloji haber sitelerinin forum sayfalar incelenmi ve tercih dorultusunda belirlenen cep telefonu rnne ynelik karlatrma metinleri aratrmaya konu edilmitir. Karlatrma siteleri gnmzde e-ticaret alannda mterilere salad kolaylklar asndan n plana kmlardr. zellikle en iyi teknoloji rnlerini en ucuza nerede bulabilecei araynda olan tketiciler ounlukla bu tr sitelere bavurmaktadrlar. Site yaps bir karlatrma motoru mimarisine dayanr ve kullanc dostu bir arayze sahiptir. Karlatrlmak istenen rnler karlatrma motoruna girilerek veya popler karlatrma alternatiflerinden seilerek incelenebilir ve eer istenirse yorumlanabilir. YouTube 2005 ylnda kurulmu kullanclara video ierikleri sunan bir web sitesidir. Kullanclarn arama motoru vastasyla girdikleri konuya ilikin videolar izleyiciye sunulur ve eer istenirse hemen altnda yorumlara frsat tannr. Teknoloji haber siteleri ise, kullanclara belli kategorilerdeki teknolojilere ilikin haberleri sunar ve forum sayfalar ile kullanclara etkileim imkn salar. Forumlar ou zaman yelik
ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

Aytekin, Mayda gerektirmekle birlikte ziyareti olarak mesaj girilmesine de olanak verilmektedir.

419

Nitel aratrma yntemlerinden iz srme yntemi (tracer), aratrmalarda veri toplamay ve rneklemeyi daha sistematik yapan etkili anahtar bilgi kaynaklarna ulamaya yardm eder (Altunk ve dierleri, 2010: 305). Aratrma kapsamnda yukardaki web sitelerinden elde edilen kullanc yorumlar, iz srme yntemi ile elde edilmi ve bu yolla karlatrma veri taban oluturulmutur. yle ki; Web sitelerindeki yorumlarda yaplan incelemede, iki rn birbirleri ile karlatrlrken zarf/sfat/edat tabanl u ifadelerin younlukla kullanld tespit edilmitir: Daha, gibi, farkl (olarak), gre, den/dan, oranla, kadar, da/de, benzer olarak, biraz daha, en az, ise, fazla, fazlaca, azck, epey, oka, ok (ok), pek ok, ok az, gayet, aa yukar, yle byle, olduka, baya, bile. Yorumlarda bu temel ifadelere ek olarak sfat kkenli u kelimelere de byk lde yer verilmitir: Hzl, dayankl, iyi, gl, stn, uzun, stabil, byk, pahal, nde, gvenli, gelimi, gzel, performansl, salam, ucuz, kt, ar, dk, zor, farksz, zayf, berbat, kalitesiz.

Bu dorultuda yaplan incelemelerde, anlamsal bakmdan karlatrma ifade eden en etkili anlatm biiminin yukardaki listede yer alan den/dan tabanl ifadeler olduuna karar verilmi ve dier karlatrma biimleri alma kapsam dnda tutulmutur. Bu durum almann bir snrll olarak deerlendirilebilir. Tablo 1de bu erevede ele alnabilecek olumlu ve olumsuz yorum tiplerine rnekler verilmitir. Olumlu yorumlar 1. markann (X) stnln ortaya koyarken, olumsuz yorumlarda durum tam tersidir. Yorumlarda deiebilir ifadeler parantez iinde verilmitir. Tablo 1: Kategorilere likin Yorum Tipleri
Kategori (Olumlu/Olumsuz) Yorum Tipi X, Yden (ok) daha (hzl) X, Yden olduka (iyi) X, Yden bile daha (stn) Olumlu X, Yden iki kat (gl) X, Yden baya (stn) X, Yden (ucuz) X, Yden bir adm nde X, Yden daha (kt) Olumsuz X, Yden daha (iyi) deil X, Yden (kt) X, Yden (ok) daha (kt)

rnlerin karlatrma srasnda kullanclar tarafndan esas alnan kriterleri ise Tablo 2de verilmi olup bu kriterler genel ereveyi temsil etmektedir.
ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

420

Journal Academic Marketing Mysticism Online

Tablo 2: Yorumlarda Yer Alan Karlatrma fadelerinin Kategori ve Kriterleri

Karlatrma Kategorisi Kriterler Hz performans Pil mr Kamera zellikleri rnn Kendisine Ynelik Karlatrmalar Hafza bykl lemci zellikleri Ekran boyutu Salamlk rnn letim Sistemine Ynelik Karlatrmalar rnn Fiyatna Ynelik Karlatrmalar iOS Android Ucuz Pahal

Yukarda aklanan iz srme yntemi sayesinde anahtar bilgilere aklanan biimde ulalm ve yorumlar bir nitel aratrma teknii olan ierik analizinin analiz niteleri olarak deerlendirilmitir. Bu dorultuda karlatrma veri taban adn verdiimiz bir test veri taban oluturulmutur. Karlatrma siteleri, YouTube ve teknoloji haber sitelerinin forum sayfalarndaki karlatrma ifadelerinden elde edilen b u veri taban 100 adet yorumun oluturduu rneklem grubudur. Bu veri tabannda sadece cep telefonu rn ile ilgili yorumlara yer verilmi, ancak belli iki markay karlatrma snrlamasna gidilmemitir. Karlatrma Modeli Sosyal Medya zelinde karlatrma siteleri, YouTube ve teknoloji haber sitelerinin forum sayfalarnda yer alan kullanc yorumlarnn otomatik analizi iin Aytekin (Aytekin, 2013: 184) tarafndan gelitirilen bir programdan yararlanlm ve yorumlar marka stnl esasna gre analiz edilmitir. Program 4745 adet sfat/zarf temelli kelimeden oluan bir szlk yapsna dayanmaktadr. Szlkteki her bir kelime ait olduu duygunun rengi erevesinde bir olumlu/ olumsuz olaslk deerine sahiptir. Yorumlar olumlu/olumsuz snflara ayrma, szlkte ye r alan kelimelerin olaslk deerleri lsnde Nave Bayes Bit Arlklandrma Algoritmas kurallarna gre gereklemektedir. Ayrca program yar denetimli renme tekniine gre almaktadr. Bu noktada unu da belirtmek gerekir ki, kullanc dostu, uzun mrl, renksiz, mat gibi cep telefonlarnn olumlu/olumsuz zelliklerini belirten birtakm kelimeler de tespit edilmi ve 4745 adetlik szle ngrlen olaslk deerleri ile eklenerek szlk geniletilmitir. ncelikle karlatrma veri tabannda yer alan 100 yorum manuel olarak olumlu/olumsuz yorum kapsamnda iaretlenmi ve bunun sonucunda 80 olumlu, 20 olumsuz yorum elde edilmitir. Dier yandan olumsuz snfta deerlendirilen yorum saysnn az olmas doaldr. Zira iki rnn karlatrmas yaplrken genellikle, birinin dierinden stn yanlarn ifade etme yoluna gidilir. Tablo 3de manuel olarak olumlu ve olumsuz snfta iaretlenen rnek iki yorumun program tarafndan hesaplanan deerleri verilmitir.
ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

Aytekin, Mayda Tablo 3: Olumlu ve Olumsuz rnek ki Yoruma likin Deerlendirmeler

Yorum X, Yden daha iyi Manuel Deerlendirme

421

Program Tarafndan Yaplan Deerlendirme Yorumun olumlu snfta olma olasl: %39,83 Yorumun olumsuz snfta olma olasl: %10,16 Yorumun olumlu snfta olma olasl: %0,0014 Yorumun olumsuz snfta olma olasl: %9,08 39,83>10,16 (Olumlu)

Olumlu

X, Yden daha ar

Olumsuz

9,08 > 0,0014 (Olumsuz)

Tablo 3e gre, manuel olarak olumlu snfta deerlendirilen X, Yden daha iyi yorumu program tarafndan da olumlu snfa atanm olup X markasnn Y markasna olan stnln ifade eder. Benzer ekilde, manuel olarak olumsuz snfta deerlendirilen X, Yden daha ar yorumu program tarafndan da olumsuz snfa atanm olup birini durumun tersine Y markasnn X markasna olan stnln ifade eder. Dier yandan, baz yorumlar program tarafndan olumlu veya olumsuz olarak snflandrlamamaktadr. rnein, bu durum X, Yden daha iyidir. yorumu iin geerlidir. nk bu yorumda geip de program szlnde yer alan herhangi bir szck veya szck grubu bulunmamaktadr. Dolays ile program olumlu veya olumsuz snflara ilikin olaslk deerlerini hesaplayamamakta, bu da algoritmann her iki snf iin %50 olaslk deerini ngrmesine sebep olmaktadr. Eer bu yorumda geen daha iyidir ifadesi daha iyi biiminde yer alm olsayd, sorun olmayacakt. Bu durumda bir metin madencilii grevi olan gvde analizi grevi sz konusu olmaktadr. Yani gvde analizi ile daha iyidir ifadesi -dir ekinden ayrlarak daha iyi biimine getirilebilir. Bununla birlikte, X, Yden daha iyidir. yorumu eylem bakmndan isim cmlesidir. Oysaki program sfat/zarf temelli szcklerle almaktadr. Bu nedenle daha iyidir ifadesinin gvde analizi ile ayrtrlmas yoluna gidilmemitir. BULGULAR VE DEERLENDRME Karlatrma modelinin baars, bir model baar lt olan duyarllk lt ile deerlendirilmitir. Bu amala, 80 olumlu ve 20 olumsuz rneklemden oluan karlatrma veri tabannn manuel olarak ve program tarafndan atanan deerleri karlatrlmtr. Buna gre; Olumlu Duyarllk lt=Doru Olarak Snflandrlm Olumlu rnek Says/Toplam Olumlu rnek Says Olumlu Duyarllk lt=61/80 = %76,25 Olumsuz Duyarllk lt=Doru Olarak Snflandrlm Olumsuz rnek Says/Toplam Olumsuz rnek Says Olumsuz Duyarllk lt=13/20 = %65,00 Baka bir deyile; ngrlen karlatrma modeli %76,25 oranla 1. markann 2. markaya gre stnln ve %65,00 oranla 2. markann 1. markaya gre stnln doru olarak hesaplayabilmektedir.
ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

422

Journal Academic Marketing Mysticism Online

Ayrca belirtmek gerekir ki, olumlu snfta program tarafndan snflandrlamayan yorum says 5, olumsuz snfta snflandrlamayan yorum says ise 1 olup, yukardaki deerler hesaplanrken bu yorumlar yanl snflandrlm yorum kapsamnda deerlendirilmitir. Yukardaki deerlendirmelere ilave olarak, literatr almalar ile benzerlik gsterdiinden aadaki tespitlerden de sz etmek yerinde olacaktr: zellikle YouTube ve teknoloji haber sitelerinin forum sayfalarnda yer alan yorumlarn iinde karlatrma ifadeleri daha az yer almtr. Karlatrma ifadelerinde 1. olarak sz edilen marka, dierine gre yaklak %75 orannda daha tercih edilebilirdir. fadede geen ilk marka hakkndaki olumsuz olan yorumlar, dierine gre daha karmak bir yapdadr. Bu durum, olumsuz duyarllk ltnn daha dk kmas sonucu ile paralellik gstermektedir.

Ayrca alma kapsamnda, olumlu ve olumsuz yorumlarn kelime saylar program veri tabanna kaydedildiinden doru/yanl/snflandrlamam yorum-kelime says ilikisi de incelenmi ve bu dorultuda Tablo 4 oluturulmutur. Tablo 4: Doru/Yanl/Snflandrlamam Yorum-Kelime Says likisi
Doru Olarak Snflandrlm Yorumlarn Ortalama Kelime Says Olumlu Olumsuz 34,54 35,15 Yanl Olarak Snflandrlm Yorumlarn Ortalama Kelime Says 39,92 35,33 Snflandrlamam Yorumlarn Ortalama Kelime Says 8,80 6,00

Grld gibi, her iki yorum tipinde de doru olarak snflandrlm yorumlarn ortalama kelime saysnn stnde olan yorumlar yanl olarak snflandrlmaktadr. Demek ki, karlatrma ifadeleri uzunluk bakmndan belli bir snr deerde olmaldr. Ayrca, her iki yorum tipinde de geerli olmak zere ortalama kelime saysnn altndaki yorumlar ise snflandrlamamakta, program olaslk deeri atayacak yeterlilikte szck bulamamaktadr. Bulgulara ilikin son deerlendirme ise yazm denetimi zerinedir: Toplumda iletiim sreci , kitle iletiimi, rgtsel dzey, gruplar aras dzey, kiileraras dzey ve kiisel dzey olmak zere be dzeyde incelenebilir (Lazar, 2001:13). Sosyal medyada drt dzey iletiim srecinden de sz etmek mmkndr. zellikle gruplar aras dzey, karlkl olarak birbirlerine mesajlar gnderen belirli saydaki kiilerin iletiimi olarak sosyal medyada nemli bir yere sahiptir. Kullanclar bu ortamlarda etkileim halindedirler ve bu esnada ilgili konulardaki f ikirlerini yazarken konuma dilini kullanrlar. Dolaysyla sosyal medya dilinin informel bir yapda olduu sylenebilir. Ancak bu yap, fikir madencilii almalarnda olumsuz bir faktr olarak karmza kar. Zira kullanc yorumlarnn yazm bakmndan denetimini gerektirir ki, bu ok zor bir itir
ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

Aytekin, Mayda ve literatrde metin madencilii almalar kapsamnda deerlendirilir.

423

Dnyada farkl diller zerinde yazm denetimi almalar yaplmaktadr. Ancak rnein, bir kelimenin yanl yazlabilmesinin birok alternatifi bulunabildii gibi, yanl yazmlar farkl anlamlara gelebilecek yeni kelimeler de oluturabilirler. Metin madencilii almalarnda bu durumda bazen yanl yazmlarn da szle eklenmesi yoluna gidilebilmektedir. rnein, gzel szcnn quzel, gzel, gzelll, biimleri program szlklerinde yerini alabilmektedir. Bu almada yazm denetimi byk lde, program tarafndan Microsoft Word programna ynlendirilerek yaplmtr. Ancak anlamsal birtakm denetimlerin manuel olarak yaplmas da gerekebilmitir. rnein, . telefonun yana donuk kullanimi da var .. yorumunu ele alalm. Bu yorum Trke karakter kullanl madan yazlmtr. Ama denetim srasnda donuk szc de ayr bir kelime olduundan alt izilmeyecek, doru olarak kabul edilerek atlanacaktr. Halbuki donuk szc gibi gerekte olmas gereken dnk szc de szlkte yer almaktadr. Dolays ile bu anlamsal denetim atlanrsa program dnk szc iin yanl bir olaslk deeri kullanacak ve bylece belki de yorum yanl snfa atanabilecektir. SONU VE NERLER Bu alma birtakm snrllklara sahip olmakla birlikte, sosyal medyadaki Trke yorumlarn rekabet analizi asndan fikir madencilii yntemleri ile deerlendirilmesi konusunda yaplan ilk alma olmas bakmndan nemlidir. Trk insannn sosyal a kullanm konusunda dnya listelerinin n sralarn zorlad dnldnde bu nem daha da anlaml hale gelmektedir. Ayrca gelitirilen modelin baarsnn tespitine ynelik bulgular modelin gelecei iin mit vermekte ve gelecek almalar iin bir balang noktas oluturabilecei dnlmektedir. Dier yandan yazm denetimi ve gvde analizi konularnn fikir madencilii almalarnn nnde nemli bir engel tekil ettii sylenebilir. Yazm denetimi ile benzer paralellikte karmza kan ve modelin baarsn olumsuz ynde etkileyebilen bir dier konu ise, yorumlarn ierdii kelime saysdr. Kelime says bakmndan fakir olan yorumlar snflandrma iin yeterli szck zenginliini salayamazken, fazla uzun yorumlar da baarsz snflandrmalara neden olabilmektedir. Bu konunun yorum yazan kullancnn hazr bulunuluk durumundan kaynakland sylenebilir. Bu almada kullanlan karlatrma ieriine sahip yorumlar sosyal medyadan manuel olarak kopyalanmtr. Halbuki otomatik bir veri toplama, btnsel bir fikir madencilii yaklam iin ok nemlidir. Bu erevede gelecek almalar iin bir veri toplama motoru konusundan sz edilebilir. Bu nedenle sosyal medyada yer alan karlatrma ifadeleri ok iyi analiz edilmeli ve yorumlar farkl kategorilerde indekslenmelidir. Ayrca her kategoriye ilikin farkl analiz modelleri gelitirilmelidir. Gelecek almalara ilikin bir dier ngr, analiz almalarnn online olarak gerekletirilmesi boyutunda ele alnabilir. Bylelikle iletmeler kendi rn ve hizmetlerinin karsnda yer alan rakipleri anlk olarak grebilecekleri gibi, belli periyodlarla dnemsel deerlendirme yapma ansna da sahip olabilirler.
ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

424

Journal Academic Marketing Mysticism Online

KAYNAKLAR Abbasi, A., Chen, H. ve Salem, A. (2008). Sentiment Analysis in Multiple Languages: Feature Selection for Opinion Classification in Web Forums. ACM Trans. Information Systems. 26 (3), p12-34. http://ai.arizona.edu/intranet/papers/AhmedAbbasi_SentimentTOIS.pdf VIEW ITEM Altunk, R., Cokun, R., Bayraktarolu, S. ve Yldrm, E. (2010). Sosyal Bilimlerde Aratrma Yntemleri. Sakarya: Sakarya Yaynclk. http://www.idefix.com/kitap/sosyal-bilimlerde-arastirma-yontemleri-spss-uygulamali-enginyildirim/tanim.asp?sid=ICBYVJ1SDB0B4KABRME4 VIEW ITEM Aytekin, . (2013). An Opinion Mining Task in Turkish Language: A Model for Assigning Opinions in Turkish Blogs to the Polarities. Journalism and Mass Communication. 3 (3), p179198. http://www.davidpublishing.com/show.html?12556 VIEW ITEM http://mimoza.marmara.edu.tr/~cigdem.aytekin/ VIEW ITEM El-Halees, A. (2012). Opinion Mining From Arabic Comparative Sentences. The 13th International Arab Conference on Information Technology ACIT2012 . p265-271. http://www.acit2k.org/ACIT/2012Proceedings/6025.pdf VIEW ITEM Esuli, A. ve Sebastiani, F. (2006). Sentiwordnet: A Publicly Available Lexical Resource For Opinion Mining. Language Resources and Evaluation (LREC). p417-422. http://gandalf.aksis.uib.no/lrec2006/pdf/384_pdf.pdf VIEW ITEM Falcon, J. (2010). Opinion Mining in eDiscovery. Opinion Mining Blog. Retrieved December 8, 2013, from http://jadefalconit.com/opinion-mining/opinion-mining-in-ediscovery http://jadefalconit.com/opinion-mining/opinion-mining-in-ediscovery VIEW ITEM Ganapathibhotla, M. ve Liu, B. (2008). Mining Opinions in Comparative Sentences. Proceedings of the 22nd International Conference on Computational Linguistics (Coling, 2008). p241248. Manchester. http://delivery.acm.org/10.1145/1600000/1599112/p241ganapathibhotla.pdf?ip=78.173.245.224&id=1599112&acc=OPEN&key=BF13D071DEA4D3F3 B0AA4BA89B4BCA5B&CFID=393339847&CFTOKEN=85780157&__acm__=1388330283_8cf9 f44d44b43af521c87c11a96db32a VIEW ITEM Jindal, N. ve Liu, B. (2006). Mining Comparative Sentences and Relations. Proceedings of the 21st National Conference on Artificial Intelligence . 2, p1331-1336. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.80.1219&rep=rep1&type=pdf VIEW ITEM Krm, A. (2003). Strateji ve Bire-Bir Pazarlama CRM. stanbul: Sistem Yaynclk. http://www.sistem.com.tr/tanim.asp?sid=GZQTHFDRN73XCBEI0OJ4 VIEW ITEM

ISSN 2146-3328 2011-2014 JAMMO

Journal Academic Marketing Mysticism Online (JAMMO). Vol 7. Part 27. 414-425. Available Online at http://www.journalacademicmarketingmysticismonline.net ISSN 2146-3328 2011-2014

June-December 2013 JAMMO Issue 2 / 2013

Aytekin, Mayda

425

Lazar, J. (2001). letiim Bilimi. (ev: C. Ank). Ankara: Vadi Yaynlar. http://www.iku.edu.tr/EN/97-2-51674-64-1259-598-1-1-1/ders_detay VIEW ITEM http://books.google.com.tr/books/about/%C4%B0leti%C5%9Fim_bilimi.html?id=5V4cAAAACAA J&redir_esc=y GS SEARCH Levene, M. (2010). An Introduction to Search Engines and Web Navigation. 2nd ed. New Jersey: Wiley Publisher. p 416. http://books.google.com.tr/books?id=mDI72_9bw0C&printsec=frontcover#v=onepage&q&f=false GS SEARCH Liu, B. (2007). Web Data Mining. Chicago: Springer. http://neerci.ist.utl.pt/neerci_shelf/MERC/AEP_Gestao%20das%20Redes,%20da%20Informaca o%20e%20dos%20Servicos/2%20Semestre/Extracao%20e%20Analise%20de%20Dados%20 Web/Books/web_data_mining.pdf VIEW ITEM Qiu, G., Liu, B., Bu, J. ve Chen, C. (2010). Opinion Word Expansion and Target Extraction Through Double Propagation. Computational Linguistics. 37 (1), p9-27. https://dspace-prod-lib.cc.uic.edu/bitstream/handle/10027/8193/coli_a_00034.pdf?sequence=1 VIEW ITEM Verbeke, M. ve Eynde, W. V. (.). Opinion Mining. Retrieved December 8, 2013, from http://people.cs.kuleuven.be/~bettina.berendt/WebMining10/L3.pdf http://people.cs.kuleuven.be/~bettina.berendt/WebMining10/L3.pdf VIEW ITEM Yang, S. ve Ko, Y. (2009). Extracting Comparative Sentences from Korean Text Documents Using Comparative Lexical Patterns and Machine Learning Techniques. Proceedings of the ACL-IJCNLP 2009 Conference Short Papers. p153-156. Suntec, Singapore. 4 August 2009 http://wmmks.csie.ncku.edu.tw/ACL-IJCNLP-2009/Short/pdf/Short039.pdf VIEW ITEM

ISSN 2146-3328 2011-2014 JAMMO