E-TİCARET

Pazaryeri ürün puanı neden sorunun tamamını anlatmaz?

25 Eylül 20268 dk okuma

Puan düştü, peki neden?

Diyelim ki haftalık raporda en çok satan ürünlerinizden birinin pazaryeri puanı birkaç hafta içinde 4,6'dan 4,3'e inmiş. Kategori ekibi ürün ekibine soruyor, ürün ekibi kargoyu işaret ediyor, operasyon ekibi satıcıyı. Herkes akılda kalan birkaç yoruma dayanarak konuşuyor. Toplantı çoğu zaman “yorumları biraz daha izleyelim” kararıyla bitiyor.

Kısa yanıt şu: Yıldız ortalaması, birbirinden çok farklı nedenleri tek bir sayıda toplar. Ürün kusuru, yanlış beden tablosu, geç ya da hasarlı teslimat, satıcının iletişimi ve açıklamadaki abartı aynı puanı aşağı çekebilir. Bu nedenler ayrılmadan puan, neyin düzeltilmesi gerektiğini söylemez. Nedeni görmek için yorumları üç eksende okumak gerekir: hangi ürün ya da varyant (SKU), hangi konu ve hangi dönem.

Bu yazıda yıldız ortalamasının neyi gizlediğini, ekiplerin bu boşluğu bugün nasıl doldurmaya çalıştığını ve yorumları daha güvenilir okumak için uygulanabilir bir yöntemi ele alıyoruz.

Tek bir sayı yanlış ekibi harekete geçirebilir

Puan ürün sayfasına aittir ama nedenleri farklı ekiplere dağılır. Kalite sorunu ürün ve tedarik ekibinin, yanlış beden tablosu ya da yanıltıcı görsel içerik ekibinin, hasarlı paket lojistiğin, yanıtsız kalan müşteri mesajı satıcı ya da kanal yönetiminin konusudur. Ortalama bu ayrımı yapmadığı için puan düştüğünde sorunun kime ait olduğu belirsiz kalır.

Belirsizliğin bedeli yanlış teşhistir. Düşüşün kaynağı teslimatken ürün formülünü tartışmak ya da sorun bir üretim partisindeyken kargo firması değiştirmek zaman ve bütçe harcar. Asıl neden ise yerinde kalır.

Puanın kendisi de önemsiz değildir. Northwestern Üniversitesi Spiegel Research Center'ın 40'tan fazla kategoriyi kapsayan analizinde satın alma olasılığı ortalama puan 4,2 ile 4,5 arasındayken en yüksek seviyeye çıkıyor, puan 5'e yaklaştıkça düşmeye başlıyor. Yani hedef yıldızı en yükseğe taşımak değil; puanı hareket ettiren nedenleri bilmek ve doğru ekibe iletmektir.

Ortalama, hızlı okuma ve kelime bulutları neden yetmiyor?

Ekipler bu boşluğu genellikle üç yolla doldurmaya çalışır: ortalamayı izlemek, son yorumları elle okumak ya da bir duygu skoru veya kelime bulutuna bakmak. Üçü de bir şey gösterir ama neden sorusunu yanıtsız bırakır.

Ortalama dağılımı gizler. Hu, Pavlou ve Zhang'ın (2009) çalışması, çevrim içi ürün yorumlarının çoğunlukla J biçiminde dağıldığını gösterir: çok sayıda 5 yıldız, belirgin sayıda 1 yıldız, arasında az sayıda yorum. Yorum yazanların önemli bir kısmı ya çok memnun ya da çok memnuniyetsizdir. Bu yüzden aynı 4,2 ortalaması, tamamen farklı iki tabloyu temsil edebilir.

Puan ürün sayfası düzeyinde toplanır. Renk, beden ya da hacim varyantları çoğu zaman aynı sayfayı paylaşır. Tek bir varyantın kusuru, diğerlerinin iyi yorumları arasında erir ve sayfa ortalamasında zor fark edilir. Aynı ürünü birden fazla satıcı satıyorsa tablo daha da karışır.

Satıcı puanı ile ürün puanı ayrıdır, yorum metni ayrı değildir. Büyük pazaryerleri ürün puanının yanında satıcının teslimat ve operasyon performansını ölçen ayrı bir satıcı ya da mağaza puanı tutar. Ama müşteri geç gelen kargoyu ya da ezik kutuyu genellikle ürün yorumuna yazar ve ürüne düşük puan verir. Ürün puanı, ürün dışı nedenlerden de etkilenir.

Elle okuma ölçeklenmez ve seçicidir. Birkaç yüz yorumu düzenli okumak mümkün değildir. Okunanlar ise genellikle en yeni ve en sert yorumlardır. Bir yorumun ne kadar tekrar ettiği bu yöntemle görünmez.

Duygu skoru ve kelime bulutu konunun ne olduğunu söylemez. “Kargo” kelimesinin sık geçmesi övüldüğünü de, şikayet edildiğini de gösterebilir. Olumsuz duygu oranının artması, hangi konuda ve hangi varyantta arttığını anlatmaz.

Dönem bağlamı kaybolur. Kampanya dönemlerindeki hacim artışı, yeni bir üretim partisi, ambalaj değişikliği ya da sayfaya yeni bir satıcının girmesi puanı belirli bir tarihte etkileyebilir. Toplam ortalama bu kırılma noktalarını düzleştirir.

Yorumları SKU, konu ve dönem bağlamında okumak

Daha güvenilir bir okuma için yorumları tek tek değil, üç eksenin kesişiminde incelemek gerekir. Her eksen, farklı bir yanlış teşhisi ayıklar.

Bu okumanın mantığı beş adımda özetlenebilir:

1. Kapsamı yazılı hale getirin. Hangi ürünler, hangi kanallar ve hangi tarih aralığı inceleniyor? Toplam yorum sayısını not edin. Kapsamı belli olmayan bir bulgu, toplantıda ilk soruda zayıflar.
2. Yorumları ürüne ve varyanta eşleyin. Aynı ürünün farklı kanallardaki sayfalarını tek ürün altında toplayın, varyant bilgisi varsa koruyun.
3. Ortak bir konu listesi kullanın. Ürünle ilgili konular (kalite, dayanıklılık, beden ve ölçü, kullanım), sunumla ilgili konular (açıklama ve görselin gerçekle uyumu), teslimatla ilgili konular (gecikme, hasarlı ya da eksik gönderi) ve satıcıyla ilgili konular (iletişim, sipariş süreci) ayrı tutulmalı. Bir yorum birden fazla konuya girebilir.
4. Puan düşüşünü konulara ayırın. Düşük puanlı yorumlar içinde hangi konunun payı arttı? Yüzdeyi her zaman yorum sayısıyla birlikte yazın.
5. Dönemle karşılaştırın ve kanıtı saklayın. Konunun öncesi ve sonrasını kampanya, yeni parti ya da ambalaj değişikliği gibi bilinen olaylarla yan yana koyun. Her bulgunun yanında onu destekleyen ham yorumlar dursun.

Bu okumayı yapan bir ekip, “puan düştü” yerine daha sınırlı ve sınanabilir cümleler kurabilir. Örneğin: “Düşüşün büyük kısmı tek bir varyantta, ambalajla ilgili yorumlarda ve belirli bir tarihten sonra yoğunlaşıyor.” Bu cümle kime gideceğini, neyin kontrol edileceğini ve hangi yorumlara bakılacağını kendi içinde taşır.

Prodora bu akışta nerede devreye giriyor?

Yukarıdaki adımlar kâğıt üzerinde basit görünür. Zor olan, onları binlerce yorum üzerinde, her hafta ve tutarlı biçimde uygulamaktır. Ekiplerin bu okumayı düzenli yapamamasının nedeni yöntem bilgisi eksikliği değil, şu pratik engellerdir:

• Ürün eşleme. Aynı ürün farklı kanallarda farklı adlarla ve farklı varyant kurgularıyla listelenir. Yorumu doğru ürüne ve SKU'ya bağlamak ayrı bir iştir.
• Dilin çeşitliliği. Müşteriler aynı sorunu çok farklı biçimlerde anlatır. Argo, ironi, yazım hataları ve kısaltmalar, kelime aramaya dayalı yöntemleri yetersiz bırakır.
• Birden fazla konu içeren yorumlar. “Ürün güzel ama kutu ezik geldi, satıcı da cevap vermedi” gibi bir yorum, ürün hakkında olumlu, teslimat ve satıcı hakkında olumsuz bilgi taşır. Bunların ayrı ayrı sayılması gerekir.
• Zaman içinde tutarlılık. Bugün “ambalaj” olarak etiketlenen şikayet gelecek ay “kargo” sayılırsa dönem karşılaştırması anlamını yitirir.
• Kanıt bağı. Bulgu ile onu destekleyen ham yorumlar arasındaki bağ koparsa, en iyi analiz bile toplantıdaki ilk soruda zayıflar.

Prodora bu işi bir defalık inceleme olarak değil, sürekli işleyen bir altyapı olarak ele alır. Pazaryerleri, şikayet platformları ve sosyal medyadaki yorumları toplar, her yorumu ilgili ürün ve SKU ile eşler ve aynı konu sınıflandırmasıyla etiketler. Böylece bu haftanın verisi geçen ayınkiyle gerçekten karşılaştırılabilir. Ürün kaynaklı şikayetler teslimat ve satıcı kaynaklı olanlardan ayrı görünür ve her bulgu, dayandığı ham yorumlarla birlikte gelir.

Sonuçta ekip zamanını veriyi hazırlamaya değil, yorumlamaya ayırır. Toplantıya bir izlenim yerine kapsamı ve kanıtı belli bir bulgu taşınır. Kararı yine ekip verir; Prodora bu kararın dayandığı zemini sağlam tutar.

Sınırlamalar: Yorumlardan ne çıkarılmamalı?

Yorumları ayrıştırmak daha iyi sorular sormanızı sağlar, ama her soruya kesin yanıt vermez. Bulguları paylaşmadan önce şu noktalara dikkat etmek gerekir.

• Yorum yazanlar tüm müşterileri temsil etmez. J biçimli dağılım, uç deneyimlerin fazla, orta deneyimlerin az göründüğünü hatırlatır. Bir konunun yorumlardaki payı, tüm alıcılar arasındaki payı değildir.
• Küçük sayılar yanıltır. Az yorumu olan bir varyantta birkaç yorum oranı sert biçimde değiştirir. Bir eşik belirleyin ve yüzdeyi her zaman ham sayıyla birlikte verin.
• Aynı zamanda olmak neden olmak değildir. Puan düşüşü bir kampanya ya da yeni partiyle çakışıyor olabilir. Bu çakışma bir hipotezdir; doğrulanması için iç kayıtlara bakılması gerekir.
• Kargo şikayeti her zaman satıcı hatası değildir. Teslimat sorunu taşıyıcıdan, pazaryerinin kendi dağıtım ağından ya da paketleme standardından kaynaklanabilir.
• Otomatik sınıflandırma hatasız değildir. İroni, argo, yazım hataları ve aynı yorumda birden fazla konunun geçmesi sınıflandırmayı zorlaştırır. Önemli bir karar öncesinde ilgili yorumlardan örneklem alıp okumak gerekir.
• Yorum verisi tek başına yetmez. Bulgular; satış, müşteri hizmetleri ve kalite kayıtları gibi ekibin kendi verileriyle birlikte değerlendirildiğinde anlam kazanır.

Puanı izleyin, nedeni yorumlarda arayın

Yıldız ortalaması iyi bir alarm ışığıdır ama teşhis aracı değildir. Puan düştüğünde sorulması gereken soru “kaç puan kaybettik?” değil, “hangi üründe, hangi konuda, ne zamandan beri?” olmalı. Bu soruya kanıtla yanıt veren ekip, sorunu doğru ekibe daha erken iletir.

Pazaryeri yorumlarını ürün, konu ve dönem bazında nasıl incelediğimizi E-Ticaret çözüm sayfamızda daha ayrıntılı anlatıyoruz. Kendi ürünlerinizin yorumlarına bu gözle bakmak isterseniz ekibimizle bir görüşme planlayabilirsiniz.

Kaynaklar

• Hu, N., Pavlou, P. A. ve Zhang, J. (2009). “Overcoming the J-shaped distribution of product reviews.” Communications of the ACM, 52(10).
• Medill Spiegel Research Center, Northwestern University. How Do Star Ratings and Review Content Influence Purchase? (PowerReviews verisiyle yapılan analiz).