Μέθοδοι τμηματοποίησης πελατών με χρήση αλγορίθμων μηχανικής μάθησης

Κοντογεώργου, Βικτωρία

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Κοντογεώργου, Βικτωρία
dc.date.accessioned	2020-05-28T12:02:57Z
dc.date.available	2020-05-28T12:02:57Z
dc.date.issued	2020-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/12733
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/156
dc.description.abstract	Η σύγχρονη εποχή είναι ιδιαίτερα ανταγωνιστική για τις επιχειρήσεις. Το περιβάλλον μέσα στο οποίο κινούνται είναι μεταβαλλόμενο και απαιτεί σωστή λήψη αποφάσεων κάθε στιγμή και δεδομένου των συνθηκών. Σήμερα, η διαδικασία της λήψης αποφάσεων είναι αποτέλεσμα πολύπλοκων διαδικασιών μέσα σε μία εταιρεία. Είναι σημαντικό όμως ότι η σύγχρονη επιχείρηση έχει στην διάθεσή της πληθώρα δεδομένων που με την κατάλληλη επεξεργασία μπορούν ν’ αποκτήσουν αξία για την ίδια. Τα δεδομένα αυτά έχουν διαφορετικές πηγές, προέρχονται από διαφορετικά πληροφοριακά συστήματα και καλείται να συνδυαστούν ώστε να φέρουν κάποιο αποτέλεσμα. Αν μια εταιρεία καταφέρει να αντλήσει πληροφορίες μέσα από τα δεδομένα, αυτό είναι μεγάλο κέρδος διότι αυτόματα διαμορφώνει της στρατηγική της. Η παρούσα εργασία κινείται ακριβώς γύρω από αυτόν τον άξονα. Η Τμηματοποίηση Πελατών και οι μέθοδοι υλοποίησής της έχουν σκοπό να παρέχουν το κέρδος γνώσης στο τμήμα Μάρκετινγκ. Η ανίχνευση ομάδων πελατών μέσα από το σύνολο δεδομένων παρέχει την δυνατότητα στην επιχείρηση να διαμορφώσει και να εφαρμόσει πιο στοχευμένες καμπάνιες διαφήμισης και πιο προσωποποιημένες στρατηγικές για προσέλκυση, απόκτηση και διατήρηση πελατών. Οι μέθοδοι που χρησιμοποιούνται για την υλοποίηση της Τμηματοποίησης θα πρέπει να είναι όσο γίνεται πιο αντιπροσωπευτικές της πραγματικής κατάστασης και έχει σημασία η απόδοσή τους να ενισχύεται και να εμπλουτίζεται σε συνδυασμό με την πρόοδο της επιστήμης. Η παρούσα εργασία αποτελεί μία τέτοιου είδους μελέτη και αποδεικνύει ότι στο κομμάτι της τμηματοποίησης πελατών έχει αποτελεσματικότητα δίνοντας ταυτόχρονα το έδαφος σε περαιτέρω έρευνα και εξέλιξη.	el
dc.format.extent	64	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.title	Μέθοδοι τμηματοποίησης πελατών με χρήση αλγορίθμων μηχανικής μάθησης	el
dc.title.alternative	Customer segmentation methods with machine learning algorithms	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Today, increased competition between organizations has led them to seek a better understanding of their business. In this way they will be able to estimate and make right decisions according to dynamic changes. Better understanding of a business is a procedure where strong and analytical skills are essential. Innovative ways of storing and analysing data are required. The Data Science has a major development on this field. Purpose of the thesis is to apply Machine Learning Methods on Implementation of Customer Segmentation. Customer satisfaction is one of the most important organizational goals. Since all customers do not represent the same profitability to an organization, understanding and identifying the valuable customers is considered crucial. Thus, understanding customers’ behavioural variables and categorizing customers based on these characteristics could provide better insight that will help business owners and industries to adopt appropriate marketing strategies such as up-selling and cross-selling. The current thesis presents a research on customer segmentation through Machine Learning Algorithms based on classic RFM Model. They are performed experiments on how a classic model behaves in a Machine Learning Environment. The results ensure and enhance the RFM model, providing the ability for future research.	el
dc.contributor.master	Ψηφιακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	RFM Μοντέλο	el
dc.subject.keyword	Τμηματοποίηση πελατών	el
dc.subject.keyword	Αλγόριθμοι μηχανικής μάθησης	el
dc.subject.keyword	Customer segmentation	el
dc.subject.keyword	Customer Lifetime Value (CLV)	el
dc.date.defense	2020-02-19

Αρχεία σε αυτό το τεκμήριο

Name:: Kontogeorgou_me1716.pdf
Μέγεθος:: 2.204Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές