Επιχειρηματική αναλυτική στην πράξη : συσταδοποίηση και πρόβλεψη διαφυγόντων καταστημάτων για μια ηλεκτρονική πλατφόρμα διανομής φαγητού
| dc.contributor.advisor | Αποστόλου, Δημήτριος | |
| dc.contributor.author | Γιαννάκης, Γεώργιος | |
| dc.date.accessioned | 2024-03-08T08:07:44Z | |
| dc.date.available | 2024-03-08T08:07:44Z | |
| dc.date.issued | 2023-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16261 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3683 | |
| dc.description.abstract | Η παρούσα διατριβή εμβαθύνει στους τομείς της Επιχειρηματικής Αναλυτικής (Business Analytics, BA) και της Επιχειρηματικής Ευφυΐας (Business Intelligence, BI) με έμφαση στην εφαρμογή πελατειακών αναλυτικών τεχνικών (Customer Analytics, CA) και τεχνικών μηχανικής μάθησης (Machine Learning, ML). Ο στόχος είναι να αναλυθούν τα πλεονεκτήματα, οι προκλήσεις και οι τεχνικές που σχετίζονται με τα BA και CA, διερευνώντας παράλληλα τις πρακτικές εφαρμογές της συσταδοποίησης καταστημάτων/πελατών και την πρόβλεψη των διαφυγόντων πελατών. Το Κεφάλαιο 1 χρησιμεύει ως εισαγωγή, παρέχοντας μια επισκόπηση της έρευνας που θα ακολουθήσει. Επίσης περιγράφει τον σκοπό της εργασίας, ο οποίος είναι η διερεύνηση του πεδίου των BA/BI και των εφαρμογών τους, και πιο συγκεκριμένα στο πλαίσιο του CA. Το κεφάλαιο ολοκληρώνεται με μια σύντομη περιγραφή της δομής της διατριβής. Το Κεφάλαιο 2 εμβαθύνει στις βασικές αρχές του BA και του BI. Ξεκινάμε εισάγοντας την Επιχειρηματική Ανάλυση, συζητώντας τις μεθοδολογίες της και διερευνούμε διάφορες προοπτικές εντός του πεδίου. Στη συνέχεια του κεφαλαίου, ορίζουμε την Επιχειρηματική Ευφυΐα, τονίζοντας τη σημασία της στην κατάληξη και λήψη τεκμηριωμένων αποφάσεων. Επιπλέον, εξετάζονται η ιστορική εξέλιξη και οι διακρίσεις μεταξύ BA και BI. Καταλήγοντας, διερευνούμε τη δημιουργία επιχειρηματικής αξίας και προσδιορίζουμε τις τρέχουσες τάσεις ανάπτυξης στους τομείς BA/BI. Εν συνεχεία, το Κεφάλαιο 3 εστιάζει συγκεκριμένα στη ΒΑ. Εδώ θα διερευνηθούν διαφορετικές μέθοδοι ΒΑ, επισημαίνοντας τα πλεονεκτήματα και τις προκλήσεις τους. Στο παρών κεφάλαιο θα αναπτυχθούν επίσης τα διάφορα πεδία εφαρμογής του BA και θα παρουσιαστούν διάφορες παραλλαγές εφαρμογών εντός του τομέα. Τέλος, θα αναφερθούμε σε διαφορετικούς τύπους ΒΑ, συμπεριλαμβανομένων των περιγραφικών αναλυτικών, διαγνωστικών αναλυτικών, προγνωστικών αναλυτικών και καθοδηγητικών αναλυτικών. Στο Κεφάλαιο 4 αναπτύσσεται το Customer Analytics, διαμορφώνοντας το πλαίσιο της ανάπτυξής του στον κλάδο του ηλεκτρονικού εμπορίου. Εδώ θα μελετήσουμε διαφορετικά μοντέλα αγοράς, τους τύπους και τις διαφορές τους. Στη συνέχεια, θα ανατρέξουμε στην ιστορική εξέλιξη του CA και θα απασχοληθούμε με τα πλεονεκτήματα και τις τεχνικές του. Ιδιαίτερη προσοχή δίνεται στην τεχνική της συσταδοποίησης (Clustering), με μια λεπτομερή εξέταση διαφόρων μορφών όπως η συσταδοποίηση με βάση την κατανομή, η συσταδοποίηση με βάση την πυκνότητα, η ιεραρχική συσταδοποίηση και η κεντροειδής συσταδοποίηση. Επιπλέον, το κεφάλαιο διερευνά την ανακάλυψη προτύπων και την πρόβλεψη των πελατών που έχουν αποχωρήσει από το ενεργό πελατολόγιο. Το Κεφάλαιο 5 χρησιμεύει ως το πρακτικό μέρος της διατριβής. Ξεκινά με μια εισαγωγή στα εργαλεία υλοποίησης που χρησιμοποιούνται για την εργασία. Στη συνέχεια, το κεφάλαιο εστιάζει στην προετοιμασία δεδομένων, συμπεριλαμβανομένης της ανάγνωσης δεδομένων, του καθαρισμού/οργάνωσης και της διερευνητικής ανάλυσης των δεδομένων (Exploratory Data Analysis, EDA). Στη συνέχεια, παρουσιάζεται το μοντέλο συσταδοποίησης που εφαρμόστηκε και συνεχίζουμε με την προσπάθεια για πρόβλεψη των διαφυγόντων πελατών (Churn Prediction), χρησιμοποιώντας τεχνικές όπως τα Δέντρα Αποφάσεων (Decision Trees) και της Λογιστικής Παλινδρόμησης (Logistic Regression). Τέλος, το κεφάλαιο ολοκληρώνεται με επιχειρηματικές προτάσεις που προκύπτουν από τα αναλυτικά ευρήματα μας. Συνολικά, αυτή η διατριβή παρέχει μια ολοκληρωμένη εξερεύνηση των BA, BI και CA, με ειδική εστίαση στη συσταδοποίηση καταστημάτων/πελατών και στην πρόβλεψη των διαφυγόντων πελατών. Συνδυάζοντας θεωρητική ανάλυση και πρακτική εφαρμογή, συμβάλλει στην κατανόηση αυτών των τομέων και προσφέρει πολύτιμες γνώσεις για τις επιχειρήσεις που επιδιώκουν να αξιοποιήσουν τη λήψη αποφάσεων βάσει δεδομένων. | el |
| dc.format.extent | 84 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
| dc.title | Επιχειρηματική αναλυτική στην πράξη : συσταδοποίηση και πρόβλεψη διαφυγόντων καταστημάτων για μια ηλεκτρονική πλατφόρμα διανομής φαγητού | el |
| dc.title.alternative | Business analytics in action : clustering and store churn prediction for an online food delivery platform | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis delves into the areas of Business Analytics (BA) and Business Intelligence (BI) with an emphasis on the application of Customer Analytics (CA) and Machine Learning (ML) techniques. The main aim is to analyze the advantages, challenges and techniques associated with BA and CA, while exploring the practical applications of store/customer clustering and churn prediction. Chapter 1 serves as an introduction, providing an overview of the research to follow. It also describes the purpose of the thesis, which is to explore the field of BA/BI and its applications, and more specifically in the context of CA. The chapter concludes with a brief description of the structure of the thesis. Chapter 2 delves into the fundamentals of BA and BI. We begin by introducing Business Analytics, discussing its methodologies, and exploring various perspectives within the field. In the rest of the chapter, we define Business Intelligence, emphasizing its importance in arriving at and making informed decisions. In addition, the historical development and distinctions between BA and BI are examined. In conclusion, we explore business value creation and identify current growth trends in the BA/BI sectors. Subsequently, Chapter 3 focuses specifically on BA. Here different BA methods will be explored, highlighting their advantages and challenges. This chapter will also develop the various fields of application of BA and present various variations of applications within different domains. Finally, we will cover different types of BA, including descriptive analytics, diagnostic analytics, predictive analytics, and prescriptive analytics. Chapter 4 develops Customer Analytics, framing its development in the e-commerce industry. Here we will study different market models, their types and differences. Next, we will look at the historical development of CA and deal with its advantages and techniques. Particular attention is paid to the clustering technique, with a detailed examination of various forms such as distribution-based clustering, density-based clustering, hierarchical clustering and centroid clustering. Additionally, the chapter explores pattern discovery and churn prediction. Chapter 5 serves as the practical part of the thesis. It begins with an introduction to the implementation tools used for the task. The chapter then focuses on data preparation, including data reading, data cleaning/organization, and Exploratory Data Analysis (EDA). Then, the applied clustering model is presented and we continue with the attempt to predict churn predictions, using techniques such as Decision Trees and Logistic Regression. Finally, the chapter concludes with business propositions arising from our analytical findings. Overall, this thesis provides a comprehensive exploration of BA, BI, and CA, with a special focus on store/customer clustering and churn prediction. Combining theoretical analysis and practical application, it contributes to the understanding of these areas and offers valuable insights for businesses seeking to leverage data-driven decision making. | el |
| dc.contributor.master | Κυβερνοασφάλεια και Επιστήμη Δεδομένων | el |
| dc.subject.keyword | Business analytics | el |
| dc.subject.keyword | Data science | el |
| dc.subject.keyword | Churn prediction | el |
| dc.subject.keyword | Customer segmentation | el |
| dc.subject.keyword | Decision tree model | el |
| dc.subject.keyword | Logistic regression | el |
| dc.subject.keyword | Marketplace platform | el |
| dc.subject.keyword | Food delivery business | el |
| dc.subject.keyword | Business intelligence | el |
| dc.date.defense | 2023-10-19 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα