Giriş
Mobil bankacılık, kullanıcı deneyimini geliştirmek ve finansal hizmetleri daha erişilebilir hale getirmek için önemli bir alan. Bu yazıda, Türkiye’deki 10 bankanın iOS mobil uygulama yorumlarını inceleyerek, kullanıcıların deneyimlerini ve beklentilerini anlamaya yönelik gerçekleştirdiğim kapsamlı bir analizi paylaşacağım.
Projenin Amacı
Dil modeli fine-tune etmekteki temel amacım, farklı alt uygulama ve sistemlerin kendi jargonlarında işlem yapmalarından kaynaklanan birleşim (merge) sorunlarını çözmek. Bu sorunlar, veri analizi ve raporlama süreçlerini olumsuz etkilemekte. Bu bağlamda, tüm entegre sistemlerin ortak bir dil konuşarak çoklu platform verilerini aynı kümelerde sınıflandırması, gündemi daha etkili bir şekilde analiz etmemde yardımcı olacak.
Model Seçimi ve Test Süreci
Fine-tune edilecek bir offline LLM modeli arayışım, birçok dil modelini test etmeme yönlendirdi. İki hafta boyunca 2B-70B aralığındaki çeşitli modelleri deneyimledim ve Türkçe dilinde anlatım ve analiz yeteneklerini derinlemesine değerlendirdim. Denediğim modeller arasında yalnızca bir tanesi, dilbilgisi, anlam bağı ve duygu analizi konularında farklı bir performans sergiledi. Bu modeli fine-tune ederek uygulama analizlerimi güçlendirdim.
Veri Analizi Süreci
Veri analizi sürecimde şu adımları izledim:
- ETL Süreçleri: Türkiye Mobil Bankacılık verilerini önce App Store üzerinden scrape ettim. Sonrasında işlettiğim ETL süreci ile veri temizliği ve dönüşümü aşamalarını gerçekleştirdim.
- Feature Engineering: Verileri zenginleştirerek, duygu analizi, duygu alt kırılımları, rating ile sentiment korelasyonu ve yorum konularının sınıflandırılması gibi parametreler ekledim.
- Model İncelemesi: Elde ettiğim içgörüleri analiz etmek için dil modelime kapsamlı bir inceleme yaptırdım. Bu aşamada, analiz sonuçları Q1-Q3 döneminde bankaların müşteri deneyimlerini derinlemesine aydınlatan önemli bulgular sundu. Bu sonuçları da yine eğitim datası olarak bir döngü halinde kullanacağım.
- Bu aşamada prompt mühendisliği oldukça önemli. Dil modeli seçimi, token büyüklük seçimi, hangi model ile prompt u olgunlaştırdığınız ve iletişim jargonu hakkında sorularınız varsa iletişime geçebilirsiniz. Yolun daha başlarındayım, model eğitimi için gerekli veri etiketlemeleri için oldukça zaman harcıyorum.
Peki, Bütün Bunlar Neden Önemli?
Müşteri deneyimi, rekabet avantajını belirleyen kritik bir faktördür. Bu içgörüler, kullanıcıların ihtiyaçlarını daha iyi anlamamıza yardımcı olarak, bankaların hizmet kalitesini artırma yolunda atacakları adımları netleştirmekte büyük önem taşıyor. Müşterilerin taleplerine duyarlı olmak, marka sadakatini güçlendirmek ve dijital dönüşüm süreçlerini hızlandırmak için katkı sunuyor.
Analiz sonuçlarını incelediğimde, birçok müşterinin ortak acı noktaları olduğunu gözlemledim. Benchmark amacı taşımadan, yalnızca içgörüler üzerinden uygulama ve akış gelişimine odaklanmaya çalıştım. Çok daha detaylı bir versiyonu bende saklı, ancak anonim sayılabilecek içgörüleri merak edenler için paylaşıyorum.
Sonuç
Türkiye’deki mobil bankacılık uygulamaları üzerine yaptığım bu analiz, kullanıcı deneyimlerinin derinlemesine anlaşılmasına offline dil modeli ile katkıda bulunuyor. Farklı incelemeler ile eklemeler de detay düzeyini etkileyecektir. Hangi bankanın kullanıcı deneyimini geliştirmesi gerektiği konusunda sizin düşünceleriniz neler? Dil modelinin çıktıları hakkında ne düşünüyorsunuz? Sizce bu offline model çıktıları yeterince detay sunabiliyor mu?
10 adet karışık seçilmiş ve anonimleştirilmiş banka analizlerinin devamı da gelecek. Takipte kalın..