E-ticaret Customer Support Bot: Trendyol/Hepsiburada-Tarzı SLA + Entity Extraction

TR e-ticaret platformuna özel customer support bot: 50K real ticket (anonimleştirilmiş) + Trendyol-tarzı SLA (P95 < 3sn), entity extraction (sipariş no, ürün, kargo, iade), intent classification (40+ intent), tool-calling (sipariş status API). Llama 3.1 8B + Qwen 2.5 7B karşılaştırma, vLLM + LoRA hot-swap deploy.

Şükrü Yusuf KAYA

42 dakikalık okuma

14.05.2026

İleri

E-ticaret Customer Support Bot: Trendyol/Hepsiburada-Tarzı SLA + Entity Extraction

1. Vaka#

Şirket: Orta ölçekli Türk e-ticaret platformu, 500K aylık müşteri, 50K aylık ticket.

Mevcut durum: Müşteri hizmetleri ekibi 80 kişi, ortalama response 4-8 saat. %60 ticket "basit" (sipariş status, kargo, iade nedeni).

Hedef: %60 basit ticket'i 30 saniyede çöz; karmaşık olanları insan ekibine route et.

SLA:

P95 latency < 3 saniye
Intent accuracy > %92
Entity extraction (sipariş no, ürün) > %96
Tool-call (order status API) accuracy > %98
Hallucination rate < %1

python

# === E-Ticaret CS Bot — Pipeline ===
# 1. Veri toplama (50K anonimleştirilmiş ticket)
#    - PII strip: TC kimlik, telefon, e-mail, IBAN, sipariş bilgisi → mask
#    - Conversation format: user / agent / tool_call
 
# 2. Intent taxonomy (40 intent)
INTENTS = [
    "siparis_status",
    "iade_baslat",
    "kargo_takip",
    "fatura_ister",
    "urun_bilgi",
    "stok_sor",
    "fiyat_sor",
    "kupon_kullanim",
    "uyelik_problem",
    "sifre_unuttum",
    # ... 30 daha
]
 
# 3. Tool definitions
TOOLS = [
    {
        "name": "get_order_status",
        "description": "Sipariş numarasına göre durumu döndürür",
        "parameters": {"order_number": {"type": "string"}},
    },
    {
        "name": "start_return_process",
        "description": "Sipariş iadesi başlatır",
        "parameters": {"order_number": {"type": "string"}, "reason": {"type": "string"}},
    },
    # ... 15 daha
]
 
# 4. SFT dataset format
# {"messages": [
#   {"role": "user", "content": "Sipariş 12345 nerede?"},
#   {"role": "assistant", "tool_calls": [{"function": {"name": "get_order_status", "arguments": "{\"order_number\":\"12345\"}"}}]},
#   {"role": "tool", "content": "{\"status\":\"shipping\",\"eta\":\"2 days\"}"},
#   {"role": "assistant", "content": "Siparişiniz şu anda kargoda, 2 gün içinde elinizde olacak."}
# ]}
 
# 5. FT — Qwen 2.5 7B + LoRA + RTX 4090 ~2.5 saat
# 6. Eval — held-out 5000 ticket
# 7. Deploy — vLLM AWQ int4 + LoRA hot-swap
 
# Cookbook'un ölçtüğü sonuçlar:
# - Intent accuracy: 93.4% (target 92%)
# - Entity extraction (sipariş no): 96.8% (target 96%)
# - Tool-call accuracy: 98.2% (target 98%)
# - P95 latency: 2.1s (target 3s)
# - %62 ticket otomatik çözüldü → %38 insan ekibe
# - CS ekibi backlog %50 azaldı
# - Cost: $0.08/ticket (vs human $1.50/ticket = 18x daha ucuz)