Proje İçeriği

Çağrı merkezlerinde kalite denetimi geleneksel olarak, bir kalite uzmanının çağrıları tek tek dinleyip elle puanladığı, düşük hacimli ve örnekleme dayalı bir süreçtir. Bir uzman günde ortalama yalnızca beş çağrı değerlendirebilmekte, tek bir çağrının değerlendirilmesi yaklaşık on dakika sürmektedir. Günlük olarak yalnızca örneklem usulüyle seçilen az sayıda çağrı değerlendirildiği için bu yaklaşım hem toplam çağrı hacminin çok küçük bir bölümünü kapsamakta, hem kritik uyum ihlallerinin ve marka standardı sapmalarının gözden kaçmasına neden olmakta, hem uzmanlar arası yorum farkından kaynaklanan tutarsız ve adaletsiz bir performans ölçümüne yol açmakta, hem de tespit edilemeyen hizmet sapmaları yoluyla müşteri memnuniyetini olumsuz etkilemekteydi.

GenAI Tabanlı Çağrı Kalitesi Değerlendirme Platformu, çağrı transkriptlerini uçtan uca otomatik, nesnel ve ölçeklenebilir biçimde değerlendirmek; her müşteri temsilcisine puanının gerekçesini ve kişiselleştirilmiş bir gelişim planını sunmak amacıyla geliştirilmiştir. Platform, Doğuş İletişim Merkezi'nin en yüksek hacimli iki operasyonunu tek bir çözüm altında birleştirir: Servis Randevu ve Müşteri Memnuniyet Anketi çağrıları.

Servis Randevu modülünde çağrı kayıtları, CRM randevu raporları ve yasaklı ifade listeleri zamanlanmış bir RPA robotu ile kurumsal dosya sunucularından toplanıp MongoDB'ye yazılır; her kayda çağrı analitiği API'si üzerinden çağrı kimliği eklenir. Veriler temizlenip yapılandırılır; isim, telefon ve zaman toleranslı eşleştirme ile CRM randevu kayıtlarıyla doğrulanır ve doğrulanmış veri, çağrı transkriptiyle birlikte modele bağlam olarak verilir. Yapay zekâ motoru üç aşamada çalışır: önce çağrı, açılış scriptinden randevu özetine ve kapanışa kadar tanımlı kalite kriterleri üzerinden 100 puan üzerinden puanlanır; ardından kritik uygunluk ihlalleri tespit edilerek ceza uygulanır; son olarak yalnızca eksik kalan kriterlere odaklanan, temsilci adıyla yazılmış kişiselleştirilmiş bir gelişim önerisi üretilir. Araç markasına göre farklı protokoller devreye girer — örneğin Porsche çağrılarında müşterinin adres teyidi, aracın servis geçmişi kontrolü ve evrak gerekçesinin açıklanması; Audi çağrılarında geri teslim zamanının sorulması ve aynı anda en az iki ulaşım alternatifinin sunulması ayrıca denetlenir.

Müşteri Anketi modülü, müşterinin sesli beyanı ile sisteme girilen anket cevapları ve irtibat kayıtları arasındaki tutarlılığı denetler. Tüm analiz tek bir istem üzerinden yapılmak yerine, her kalite kriteri için LangChain ile özelleştirilmiş, birbirinden bağımsız bir analiz zinciri kurulmuştur; her zincir yalnızca ilgili kriterin ihtiyaç duyduğu veriyi ve o kritere ait doğrulama kurallarını işleyerek analiz hassasiyetini artırır ve hatalı çıkarım riskini düşürür. Bu LangChain zincirlerinin yönetimi ve uçtan uca süreç akışı LangGraph üzerinde durum bilgili (stateful) bir akış şeması olarak kurgulanmıştır. Sistem, anket puanı ve çağrı içeriği gibi değişkenlere göre hangi zincirin çalıştırılacağını dinamik olarak belirler; düşük puanlı anketlerde zorunlu irtibat kaydının açılıp açılmadığı gibi kritik süreç kontrollerini otomatik yürütür.

Anket modülünde her biri kendi girdi setiyle çalışan 14 ayrı model kullanılır; her model yalnızca kendi değerlendirmesi için gereken veriyi alır (kimi model yalnızca çağrı transkriptini, kimi transkript ile anket detay raporunu, kimi irtibat kaydını veya marka-kurum-kişi listesini). Bu girdiler farklı sistemlerden gelir: çağrı metni kurumsal dosya sunucusundan, anket detay raporları ve irtibat kayıtları CRM'den, referans listeleri kurumsal dosyalardan. Modellerin çıktıları ortak bir duruma yazılır ve son model bu çıktıların tamamını okuyarak temsilciye özel, yalnızca eksik kriterlere odaklanan kişiselleştirilmiş bir geri bildirim üretir.

İki modül de ortak bir altyapı üzerinde çalışır. Tüm veri akışı Apache Airflow ile zamanlı olarak orkestre edilir ve değerlendirme sonuçları çağrı kaydının içine yazılır. Kalite ekipleri sonuçları, Doğuş Otomotiv'in tüm üretken yapay zekâ çözümlerinin tek noktadan yönetildiği kurumsal panelde yer alan etkileşimli bir arayüz üzerinden inceler. Arayüz; tarih aralığı, araç markası, işlenme ve inceleme durumu gibi ölçütlerle anlık filtreleme, tek çağrıya iniş, zaman damgalı transkript ile analiz sonucunun karşılaştırmalı görünümü ve kriter bazlı puanların görsel dağılımını sunar. Her çağrı için nihai skor, temsilciye yazılmış genel değerlendirme, kriter bazlı puanlar ve gerekçeleri, ceza uygulanan eylemler ve markaya özel bulgular tek ekranda özetlenir; sonuçlar tek tıkla Excel olarak dışa aktarılabilir. Tüm yapay zekâ çağrıları izlenebilirlik amacıyla kayıt altına alınır; zaman aşımı, yeniden deneme ve hata yönetimi mekanizmalarıyla servis kesintisiz çalışacak şekilde tasarlanmıştır.

Böylece örnekleme dayalı, yavaş ve öznel bir manuel denetim süreci; tüm çağrıları kapsayabilen, tutarlı ve gelişim odaklı bir kalite güvence deneyimine dönüştürülmüştür.

Projenin Amacı

Proje her iki amaca da hizmet etmektedir.

Kurum içinde; daha önce manuel ve örnekleme dayalı yürütülen çağrı kalitesi değerlendirmesi otomatikleştirilmiş, kalite ekibinin tekrarlayan dinleme yükü azaltılmış ve müşteri temsilcisi performans ölçümü nesnel, tutarlı bir zemine taşınmıştır.

Bununla birlikte, daha önce var olmayan bir yetenek de yeni bir iç hizmet olarak yaratılmıştır: her çağrı için puanın gerekçesini ve kişiselleştirilmiş bir gelişim planını üreten, markaya özel kuralları ölçekte denetleyebilen ve yeni operasyonlara kolayca uyarlanabilen merkezi bir kalite güvence platformu. Böylece mevcut süreci iyileştirme ile yeni bir kurumsal hizmet yaratma bir arada gerçekleşmiştir.

Proje içindeki en büyük inovasyon nedir? (yeni bir teknoloji veya var olan teknolojinin farklı kullanımı gibi. IOT, M2M, AI vb.)

Projede iki temel inovasyon öne çıkmaktadır.

Birincisi ve en büyüğü, sistemin yalnızca puan veren bir denetim aracı olmaktan çıkıp her temsilciye özel bir koçluk aracına dönüşmesidir. Son adımda model, önceki tüm adımların gerekçeli çıktılarını birlikte okur, yalnızca eksik veya hatalı kalan kriterlere odaklanır ve müşteri temsilcisine adıyla yazılmış, o çağrıya özgü, motivasyonel bir dille kaleme alınmış kapsamlı bir gelişim planı üretir. Böylece her çağrı yalnızca bir skor değil, aynı zamanda somut ve uygulanabilir bir gelişim geri bildirimi hâline gelir; performans ölçümü, ceza odaklı bir denetimden gelişim odaklı bir sürece dönüşür.

İkincisi, tüm değerlendirmenin tek bir büyük istem (prompt) yerine LangChain tabanlı çok adımlı bir mimariyle yürütülmesidir. Her kalite boyutu için ayrı, özelleştirilmiş bir istem çalışır ve her adım yalnızca kendi kriterinin ihtiyaç duyduğu veriyi ve doğrulama kurallarını işler. Bu yaklaşım, modelin bilişsel yükünü azaltır, doğruluğu ve tutarlılığı artırır, hatalı çıkarım riskini düşürür ve deterministik ayarlarla aynı çağrının her değerlendirilişinde aynı sonucu üretir. Adımların yönetimi ve uçtan uca akışı LangGraph üzerinde durum bilgili bir yapı olarak kurulmuş; sistem, anket puanı ve çağrı içeriği gibi değişkenlere göre hangi adımların çalışacağını dinamik olarak belirler. Kesin kurallı işler (yasaklı ifade tespiti, süre hesabı gibi) geleneksel yöntemlerle çözülür; yapay zekâ yalnızca bağlam ve muhakeme gerektiren değerlendirmeye ayrılır ve çağrıyı tahmine değil, CRM'den gelen doğrulanmış veriye karşı denetler.

Proje kurum içindeki hangi bölüme fayda sağlamıştır?(satış, pazarlama, finans, İK, IT, Üretim, Planlama, Satın alma, Lojistik Müşteri İlişkileri gibi)

Proje, başta Doğuş Otomotiv – DİM (Doğuş İletişim Merkezi) çağrı merkezinin kalite kontrol ekibi ve müşteri temsilcileri olmak üzere; çağrı merkezi yönetimine, satış sonrası hizmetler ve müşteri deneyimi birimlerine fayda sağlamaktadır. Kalite ekibi, günlük çok sayıda çağrıyı elle dinleme yükünden kurtularak analiz, kriter tasarımı ve iyileştirmeye odaklanmıştır. Müşteri temsilcileri her çağrı için nesnel bir skor, puanın gerekçesi ve kişiselleştirilmiş bir gelişim planı alarak hızlı bir geri bildirim döngüsüne kavuşmuştur. Çağrı merkezi yönetimi, ajan bazlı performansı objektif ve tutarlı metriklerle takip edebilmekte; satış sonrası hizmetler ve müşteri deneyimi birimleri marka standartlarına uyumu ölçekte izleyebilmekte, düşük puanlı anketlerdeki kritik süreç hatalarının anında tespitiyle müşteri kaybı riskini azaltabilmektedir. Platformun esnek mimarisi (operasyona göre kriter seti, markaya göre kural seti) sayesinde çözüm, Volkswagen, Audi, Seat, Škoda, Porsche ve Cupra markalarının her birine özel kalite protokollerinin denetimini desteklemekte; ikinci fazda Şikâyet, Diyalog ve Yol Yardım operasyonlarına genişletilebilmektedir. Bu yapı, kalite ekiplerinin tekrarlayan operasyonel iş yükünü azaltarak daha katma değerli çalışmalara odaklanmalarına da katkı sunmaktadır.

Projenin hayata geçirilmesi konusunda üst yönetimin desteğini tam olarak alabildiniz mi?

Evet. Proje, bir yönetici sponsor tarafından desteklenmiş ve Dijital Dönüşüm Ofisi tarafından sahiplenilmiştir. Yönetim desteği; proje önceliklendirmesi, kalite ve operasyon ekiplerinin sürece dâhil edilmesi, pilot operasyonun belirlenmesi ve çözümün kurum geneline yaygınlaştırılmasının uzun vadeli yapay zekâ yol haritasına alınması aşamalarında belirleyici rol oynamıştır.

Proje sonunda ortaya çıkan sonuçları analiz edebildiniz mi? Rakamsal verilerle ifade eder misiniz?(ROI, maliyetlerde yüzdesel azalma, üretim süresinde azalma, hata payının düşmesi vs.)

Evet. Her değerlendirmenin nihai skoru, kriter bazlı puanları ve gerekçeleri, ceza tetikleyen eylemleri ve üretilen gelişim planı çağrı kaydının içinde saklanmakta ve panel üzerinden sürekli analiz edilebilmektedir. Yapay zekâ çağrıları izlenerek doğru veri kaynağı ve kriter seçimi, başarısız çağrılar ve model davranışı takip edilmektedir.

Gözlemlenen temel çıktılar; Servis Randevu tarafında çağrı başına değerlendirme süresinin yaklaşık on dakikadan bir-iki dakikaya inmesi (yüzde 80-90 azalma) ve kalite kontrol kapsamının günde beş çağrıdan elli çağrıya çıkması; Müşteri Anketi tarafında ise on-on beş dakika süren analizin üç-dört dakikaya inmesidir. Örnekleme yöntemi yerine tüm çağrıların denetlendiği tam kapsamlı bir kontrol modeline geçilmiş, uzmanlar arası yorum farkı ortadan kalkmış ve düşük puanlı anketlerde irtibat kaydı açılmaması gibi kritik süreç hataları anında tespit edilebilir hale gelmiştir.

Doğrulama amacıyla, eski manuel süreçte puanı bilinen gerçek çağrı kayıtlarından oluşan bir test seti üzerinde yeni sistemin skorları karşılaştırılmıştır. Otomatik hizmetin tam kapasiteyle işletilmesiyle, kapsamın günde 500'e varan çağrının tamamını kapsayacak şekilde genişletilmesi hedeflenmektedir.

Projenizde şirket içinden kaç kişi aktif olarak görev almıştır? Ekip birimleri hakkında kısaca bilgi verir misiniz?

Projede aktif olarak 4 kişi rol almıştır. Veri bilimi ve üretken yapay zekâ, MLOps mühendisliği, teknik liderlik ile proje yönetimi yetkinliklerini bir araya getiren disiplinler arası bir yapıda geliştirilmiştir. Kalite kriterlerinin ve marka iş kurallarının tanımlanması ile kabul testleri, Doğuş İletişim Merkezi kalite ekibiyle birlikte yürütülmüştür.

Projenizde (varsa)işbirliği kurduğunuz veya destek aldığınız bilişim şirketlerini belirtiniz.

Proje, Doğuş Teknoloji'nin iç kaynaklarıyla (in-house) geliştirilmiştir.

Proje sırasında kullandığınız ve spesifik önemi olan markaları (varsa) belirtiniz. (Yazılım veya donanım markaları)

Microsoft Azure OpenAI (model: GPT-4o); MongoDB; Apache Airflow; LangChain; LangGraph; Langfuse; FastAPI; Streamlit; RapidFuzz; Docker; SMB protokolü; kurum içi DAI (Doğuş Teknoloji AI) GenAI platformu.