Birçok işletmede müşteri iletişiminin önemli bir kısmı hâlâ e-posta üzerinden yürür. Teklif talepleri, sipariş soruları, şikâyetler, fatura istekleri ve iş başvuruları aynı gelen kutusuna düşer. Bu e-postaların okunup ilgili kişiye yönlendirilmesi ve tek tek yanıtlanması, özellikle yoğun dönemlerde ciddi zaman alır ve bazı talepler gözden kaçabilir.
Büyük dil modelleri, bu iş yükünün bir kısmını üstlenmek için kullanılabilir: gelen e-postayı okuyup konusunu belirlemek, önemli bilgileri çıkarmak ve bir yanıt taslağı hazırlamak. Bu yazıda böyle bir akışın nasıl çalıştığını, nerede gerçekten fayda sağladığını ve hangi noktalarda dikkatli olunması gerektiğini anlatıyoruz.
Akış nasıl çalışır?
Tipik bir e-posta sınıflandırma ve taslak akışı şu adımlardan oluşur:
- E-postanın alınması: Sistem, belirlenen gelen kutusuna gelen yeni e-postaları e-posta sağlayıcısının sunduğu bağlantı yöntemleriyle okur.
- Sınıflandırma: Yapay zekâ modeli, e-postanın içeriğine bakarak önceden tanımlanmış kategorilerden birini seçer: örneğin teklif talebi, sipariş durumu, iade, teknik destek, fatura veya diğer.
- Bilgi çıkarma: E-postadaki sipariş numarası, ürün adı, firma adı veya talep edilen tarih gibi bilgiler yapılandırılmış biçimde ayrılır.
- Önceliklendirme: Şikâyet, acil arıza veya iptal talebi gibi durumlar öne alınır.
- Yönlendirme: E-posta, kategorisine göre ilgili kişiye veya ekibe atanır ya da etiketlenir.
- Yanıt taslağı: Model, işletmenin bilgi kaynaklarını ve gerekirse sipariş sistemi gibi iç sistemlerden alınan verileri kullanarak bir yanıt taslağı hazırlar.
- İnsan onayı: Çalışan taslağı okur, gerekirse düzenler ve gönderir.
Burada kritik nokta son adımdır: yanıtı gönderen sistem değil, insandır. Yapay zekâ işi hızlandırır ama sorumluluğu üstlenmez.
Nerede fayda sağlar?
Doğru kişiye hızlı ulaşma
Ortak bir bilgi@ adresine gelen e-postaların elle ayrıştırılması, en çok zaman kaybettiren işlerden biridir. Otomatik sınıflandırma sayesinde teklif talepleri satış ekibine, fatura soruları muhasebeye, arıza bildirimleri teknik ekibe doğrudan düşer.
Tekrarlayan sorulara tutarlı yanıt
“Siparişim ne zaman gelir?”, “Faturamı tekrar gönderebilir misiniz?”, “Çalışma saatleriniz nedir?” gibi sorular her gün tekrar eder. Model, işletmenin onaylı bilgilerine dayanarak bu sorulara tutarlı taslaklar hazırlayabilir. Çalışan da yanıtı sıfırdan yazmak yerine kontrol edip gönderir.
Gözden kaçan taleplerin azalması
Her e-postanın bir kategoriye ve sorumluya atanması, yanıtlanmamış taleplerin takip edilmesini kolaylaştırır. Bekleyen e-postalar kategoriye göre raporlanabilir.
Talep türlerine dair görünürlük
Sınıflandırılmış veriler, hangi konularda daha çok soru geldiğini gösterir. Örneğin kargo sorularının arttığı fark edilirse sipariş takip bilgilendirmesi iyileştirilebilir; aynı ürünle ilgili şikâyetler artıyorsa bu durum erken fark edilir.
Sınırları ve riskleri
Model yanılabilir
Dil modelleri ikna edici ama yanlış bilgi üretebilir. Kaynakta olmayan bir iade koşulunu, yanlış bir teslim tarihini veya var olmayan bir kampanyayı yanıtın içine yazabilir. Bu nedenle taslakların yalnızca işletmenin onaylı bilgi kaynaklarına dayanacak şekilde kurgulanması ve insan onayından geçmeden gönderilmemesi gerekir.
Sınıflandırma her zaman net değildir
Bir e-posta aynı anda hem iade talebi hem şikâyet olabilir ya da konusu belirsiz olabilir. Sistemin emin olmadığı durumları “belirsiz” olarak işaretleyip bir insana bırakması, yanlış yönlendirmeden daha iyidir.
Hassas durumlar
Hukuki ihtar, ciddi şikâyet, sağlık veya güvenlikle ilgili bildirimler gibi e-postalar otomatik taslakla değil, doğrudan yetkili kişi tarafından ele alınmalıdır. Bu tür içerikler için ayrı bir kategori tanımlanıp taslak üretimi kapatılabilir.
Kişisel verilerin korunması
Müşteri e-postaları ad, telefon, adres ve bazen daha hassas kişisel veriler içerir. Bu verilerin hangi yapay zekâ servisine gönderildiği, servisin verileri nerede işlediği, saklayıp saklamadığı ve model eğitiminde kullanıp kullanmadığı netleştirilmelidir. KVKK kapsamındaki yükümlülükler, özellikle yurt dışına veri aktarımı konusu, kurulum öncesinde hukuki açıdan değerlendirilmelidir. Gerekmeyen kişisel verilerin modele gönderilmeden önce maskelenmesi de bir seçenektir.
Kurulum adımları
Böyle bir akışı kurarken şu sırayla ilerlemek pratik bir yoldur:
- Mevcut durumu inceleyin: Son birkaç ayın e-postalarına bakarak hangi talep türlerinin geldiğini ve bunların kime yönlendirildiğini çıkarın.
- Kategorileri tanımlayın: Az sayıda, birbirinden net ayrılan kategorilerle başlayın. Çok fazla kategori, sınıflandırma hatalarını artırır.
- Bilgi kaynağını hazırlayın: Sık sorulan sorular, iade ve kargo koşulları, çalışma saatleri, ürün bilgileri gibi yanıtlarda kullanılacak onaylı metinleri derleyin.
- Yanıt tonunu belirleyin: Hitap şekli, imza, kullanılacak ve kaçınılacak ifadeler gibi kuralları yazılı hâle getirin.
- Önce gölge modda çalıştırın: Sistem bir süre yalnızca öneride bulunsun; ekip mevcut yöntemle çalışmaya devam ederken önerilerin doğruluğu kontrol edilsin.
- Ölçün ve iyileştirin: Yanlış sınıflandırılan e-postaları ve çok düzeltme gerektiren taslakları inceleyerek kategorileri ve bilgi kaynağını güncelleyin.
Hangi sistemlerle birlikte çalışır?
Akış, yalnızca e-posta kutusuyla sınırlı kalmak zorunda değildir. Sipariş numarası çıkarıldığında e-ticaret veya ERP sisteminden siparişin güncel durumu alınabilir; teklif talepleri CRM'e kayıt olarak açılabilir; destek talepleri bir iş takip sistemine aktarılabilir. Bu entegrasyonlar, taslakların gerçek verilere dayanmasını sağlar ve çalışanın farklı ekranlar arasında gidip gelmesini azaltır.
Benzer yaklaşım WhatsApp, web sitesi iletişim formu veya destek portalı gibi diğer kanallara da uygulanabilir. Yapay zekâ çözümlerine genel bakışımız için yapay zekâ entegrasyonu sayfamıza göz atabilirsiniz.
Örnek bir senaryo
Akışın pratikte nasıl göründüğünü somutlaştırmak için bir örnek düşünelim. Bir müşteri, “Geçen hafta verdiğim siparişin kargoya verilip verilmediğini öğrenmek istiyorum, sipariş numaram 10452” diye yazıyor. Sistem e-postayı “sipariş durumu” kategorisine alıyor, sipariş numarasını ayırıyor ve e-ticaret yazılımından siparişin kargoya verildiği bilgisini ve takip numarasını çekiyor. Ardından müşteriye kargo firmasını ve takip numarasını bildiren kısa bir taslak hazırlıyor. Müşteri hizmetleri çalışanı taslağı okuyor, bilgilerin doğru olduğunu görüp gönderiyor.
Aynı müşteri e-postasında ürünün hasarlı geldiğinden de bahsetseydi, sistemin bu e-postayı yalnızca kargo sorusu olarak ele almaması, şikâyet olarak da işaretleyip ilgili kişiye öncelikli olarak düşürmesi gerekirdi. Kategori tanımları ve kurallar bu tür karma durumları da hesaba katacak şekilde hazırlanmalıdır.
Başarıyı nasıl ölçmeli?
Sistemin işe yarayıp yaramadığını anlamak için kurulumdan önce ve sonra şu göstergeleri karşılaştırabilirsiniz: ilk yanıt süresi, yanlış yönlendirilen e-posta oranı, taslakların düzeltilmeden veya küçük düzeltmeyle gönderilme oranı ve yanıtlanmadan bekleyen talep sayısı. Bu ölçümler, hangi kategorilerde otomasyonun iyi çalıştığını ve nerede insan emeğinin hâlâ şart olduğunu gösterir.
Sonuç
Yapay zekâ ile e-posta sınıflandırma ve yanıt taslağı hazırlama, doğru kurgulandığında ekiplerin tekrarlayan işlere harcadığı zamanı azaltır ve müşteriye daha hızlı dönüş yapılmasını sağlar. Başarının anahtarı; net kategoriler, onaylı bir bilgi kaynağı, kişisel verilere dikkat ve son kararın insanda kalmasıdır. Kendi e-posta akışınız için böyle bir yapının uygun olup olmadığını değerlendirmek isterseniz bizimle iletişime geçebilirsiniz.
