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 | |