dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
dc.contributor.author | Παπαδάκη, Μαρία - Μαλεβή | |
dc.date.accessioned | 2024-04-15T10:10:37Z | |
dc.date.available | 2024-04-15T10:10:37Z | |
dc.date.issued | 2024-02 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16385 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3807 | |
dc.description.abstract | Η παρούσα διπλωματική εργασία ασχολείται με το πρόβλημα της Πρόβλεψης
Αποχώρησης Πελατών, εστιάζοντας στη νέα προσέγγιση της πρόβλεψης πιθανής
αποχώρησης πελατών σε επίπεδο εμπορικής επωνυμίας καταναλωτικών αγαθών στα
πλαίσια του ηλεκτρονικού εμπορίου. Ο κύριος στόχος είναι να εντοπιστούν πελάτες που είναι
πιθανό να απομακρυνθούν από μια συγκεκριμένη εμπορική επωνυμία, προσφέροντας
πολύτιμες πληροφορίες για τους κατασκευαστές προϊόντων αναφορικά με τη διαμόρφωση
μελλοντικών στρατηγικών και προωθητικών ενεργειών σε συνεργασία με τους εμπόρους
λιανικής.
Βασιζόμενη σε πραγματικά δεδομένα συναλλαγών από ένα μεγάλο διαδικτυακό
φαρμακείο του εξωτερικού, η μελέτη δεν περιλαμβάνει δημογραφικά, γεωγραφικά ή
προσωπικά στοιχεία πελατών και χρησιμοποιεί αποκλειστικά δεδομένα συναλλαγών.
Αξιοποιεί τη γλώσσα SQL για την απόκτηση δεδομένων και τη γλώσσα Python για την
κατασκευή συνόλου δεδομένων, την εκπαίδευση μοντέλων μηχανικής μάθησης και την
οπτικοποίηση των αποτελεσμάτων.
Η πειραματική μελέτη αποκαλύπτει ότι η πρόβλεψη της αποχώρησης πελατών σε επίπεδο
εμπορικής επωνυμίας είναι δυνατή, ανοίγοντας νέους δρόμους για έρευνα, οι οποίοι απέχουν
από τις συμβατικές προσεγγίσεις που απευθύνονται κυρίως σε ολόκληρες επιχειρήσεις ή
ολόκληρα ηλεκτρονικά καταστήματα. Η δοκιμή αρκετών αλγορίθμων μηχανικής μάθησης και
τεχνικών επιλογής χαρακτηριστικών οδηγεί σε ένα τελικό μοντέλο πρόβλεψης με ακρίβεια
κοντά στο 70%.
Συμπερασματικά, η παρούσα μελέτη όχι μόνο καταδεικνύει την εφικτότητα της πρόβλεψης
αποχώρησης πελατών σε επίπεδο εμπορικής επωνυμίας, αλλά προτείνει και πρακτικές
εφαρμογές, όπως η ενσωμάτωση στην πλατφόρμα eRAM. Επιπλέον, περιγράφει μελλοντικές
κατευθύνσεις για τη βελτίωση της ακρίβειας πρόβλεψης και τη διεύρυνση του εύρους της
χρησιμότητας του μοντέλου. | el |
dc.format.extent | 61 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Πρόβλεψη απώλειας πελατών για εμπορικές επωνυμίες καταναλωτικών αγαθών με τη χρήση δεδομένων ηλεκτρονικών συναλλαγών | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | This master's thesis delves into the realm of Customer Churn Prediction, focusing on the
novel approach of forecasting potential customer churn at the level of consumer goods brands
in the context of electronic commerce. The central aim is to identify customers likely to
disengage from a specific brand, offering insights valuable for product manufacturers to shape
future strategies and promotional actions in collaboration with retailers.
Drawing upon real transactional data from a prominent international online pharmacy, the
study refrains from including demographic, geographic, or personal customer information and
uses solely transactional data instead. It leverages SQL for data acquisition and Python for
dataset construction, machine learning model training, and result visualization.
The investigation reveals that predicting customer churn at a brand level is possible,
opening new avenues for research, departing from conventional approaches that primarily
address businesses or electronic stores. Several machine learning algorithms and feature
selection techniques are tested, leading to a final predictive model with an accuracy nearing
70%.
In conclusion, this research not only demonstrates the efficacy of predicting customer
churn at the brand level but also proposes practical applications, such as integration into the
eRAM platform. Furthermore, it outlines future pathways for enhancing predictive accuracy
and broadening the scope of the model's utility. | el |
dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
dc.subject.keyword | Churn prediction | el |
dc.subject.keyword | e-Commerce | el |
dc.subject.keyword | Machine learning | el |
dc.date.defense | 2024-03 | |