AI İle Müşteri Mesajlarını Otomatik Sınıflandırma: 1 Haftalık Pilot Planı

Bir müşteri gece 23.40’ta “Kargom kayıp, iade istiyorum” diye yazıyor. Sabah destek ekibi geldiğinde aynı gelen kutusunda satış soruları, öfkeli şikâyetler, fatura talepleri ve teknik sorunlar birikmiş oluyor. Sorun yalnızca mesaj sayısı değildir; hangi mesajın acil olduğu, hangisinin satış fırsatı taşıdığı, hangisinin hukuki veya itibar riski yaratabileceği hızlı görülemiyordur.

Bu iş için yapay zekâyı müşterinin yerine karar veren bir bot gibi konumlandırmak gerekmez. Daha güvenli yaklaşım şudur: AI mesajı okur, sınıflandırır, özetler, öncelik verir ve ilgili ekibe yönlendirir. İnsan, para iadesi, sözleşme yorumu, fiyat taahhüdü veya hesap değişikliği gibi kritik adımları onaylar. Türkiye’de e-ticaret yapan KOBİ’ler, SaaS şirketleri ve ajanslar için bu senaryo bir haftada pilotlanabilecek kadar dar, etkisi ölçülebilecek kadar somuttur.

Senaryo: Mesajdan aksiyona

Temel akış şu şekilde kurulabilir: Gmail, WhatsApp Business Cloud API, Instagram DM, Zendesk, Freshdesk veya Intercom üzerinden gelen mesajlar Make, Zapier ya da açık kaynak tercih eden ekipler için n8n ile yakalanır. Ardından GPT-4o mini, Claude Haiku veya Gemini Flash gibi düşük maliyetli bir modelden yapılandırılmış çıktı istenir.

İstenen çıktı alanları net olmalıdır:

• Kategori: iade, kargo, ödeme, teknik destek, satış fırsatı, fatura, şikâyet
• Aciliyet: düşük, normal, yüksek, kritik
• Duygu tonu: sakin, kararsız, öfkeli, memnun
• Kısa özet: temsilcinin 10 saniyede anlayacağı 1-2 cümlelik not
• Önerilen aksiyon: ekip ataması, yanıt taslağı, yöneticiye eskalasyon, ek bilgi isteme
• Güven skoru: 0 ile 1 arasında sınıflandırma güveni

Örneğin “Ürün 5 gündür kargoda görünüyor, kimse cevap vermiyor, iade istiyorum” mesajı yüksek aciliyetli şikâyet olarak etiketlenebilir. Sistem bu kaydı Slack veya Microsoft Teams’de destek kanalına düşürür, CRM’de müşteri kaydına not ekler ve temsilciye kısa bir yanıt taslağı hazırlar. “Kurumsal paketinizde 20 kullanıcı için fiyat alabilir miyim?” mesajı ise destek kuyruğunda beklemek yerine HubSpot veya Pipedrive’da satış fırsatı olarak açılabilir.

Buradaki sınır net çizilmelidir: para iadesi, sözleşme yorumu, fiyat sözü, hesap kapatma veya kalıcı müşteri verisi değişikliği otomatik yapılmamalıdır. AI öneri üretmeli; aksiyon, insan onayından sonra alınmalıdır.

1 haftalık pilot planı

İlk hedef tüm destek operasyonunu dönüştürmek değil, tek bir darboğazı ölçmektir. İyi bir başlangıç hedefi şudur: “Gelen e-postaların doğru kategoriye ayrılması ve ilgili ekibe yönlendirilmesi.”

Uygulanabilir 7 günlük plan:

• Gün 1: Kapsamı belirleyin. Tek kanal seçin; örneğin yalnızca Gmail destek kutusu. 8-12 arası kategori tanımlayın. Daha fazla kategori, özellikle küçük veri setlerinde doğruluğu düşürür.
• Gün 2: Son 1-2 aydan anonimleştirilmiş 200 gerçek mesaj seçin. Ad, telefon, adres, sipariş numarası ve e-posta gibi alanları maskeleyin.
• Gün 3: Model çıktısını standartlaştırın. JSON formatında kategori, aciliyet, özet, önerilen aksiyon ve güven skoru isteyin.
• Gün 4: İlk testleri yapın. Yazım hatası, emoji, argo, eksik bilgi ve birden fazla talep içeren mesajları özellikle test setine ekleyin.
• Gün 5: Akışı canlıya almadan “gölge modda” çalıştırın. AI sınıflandırsın, fakat temsilciler mevcut süreçle yanıt vermeye devam etsin.
• Gün 6: Eşik değerleri belirleyin. Örneğin güven skoru 0,75’in altındaysa mesaj doğrudan insana düşsün; “kritik” etiketli tüm mesajlar ayrıca yöneticiye bildirilsin.
• Gün 7: Sonuçları raporlayın. Doğru sınıflandırma oranını, yanlış yönlenen kritik mesajları ve temsilci geri bildirimlerini birlikte değerlendirin.

n8n ile örnek akış şöyle kurulabilir: Gmail tetikleyicisi → kişisel veri maskeleme adımı → LLM sınıflandırma → Google Sheets veya Airtable kaydı → Slack bildirimi → opsiyonel yanıt taslağı. Daha kurumsal ekiplerde aynı mantık Zendesk trigger’ları, Intercom workflows veya Freshdesk otomasyonlarıyla uygulanabilir.

Ölçüm ve kabul kriterleri

Pilot sonunda “AI iyi çalıştı mı?” sorusu yeterli değildir. Önceden belirlenmiş metriklere bakmak gerekir.

Takip edilebilecek temel metrikler:

• Doğru kategori oranı: Örneğin 200 mesajın en az 170’inde doğru kategori hedeflenebilir.
• Doğru ekibe yönlendirme oranı: Satış, destek, finans ve teknik ekip ayrımı ayrı ölçülmelidir.
• İlk yanıt süresi: Pilot öncesi ve sonrası medyan süre karşılaştırılmalıdır; örneğin 4 saatten 2,5 saate düşüp düşmediği izlenmelidir.
• Kritik hata sayısı: “Şikâyet” veya “hukuki risk” içeren mesajların yanlışlıkla düşük önceliğe atılması ayrı raporlanmalıdır.
• Temsilci zamanı: Temsilcilerin özet okuma ve bağlam arama süresinde azalma olup olmadığı ölçülmelidir.
• Müşteri etkisi: CSAT, tekrar şikâyet oranı veya aynı konudan ikinci kez mesaj atma oranı izlenmelidir.

LLM API maliyeti kısa metin sınıflandırmalarında genellikle yönetilebilir düzeydedir; yine de karar kendi mesaj hacminize göre verilmeli