| dc.contributor.advisor | Σμυρλής, Ιωάννης | |
| dc.contributor.author | Λάμπρου, Κωνσταντίνος | |
| dc.date.accessioned | 2024-11-08T09:13:22Z | |
| dc.date.available | 2024-11-08T09:13:22Z | |
| dc.date.issued | 2024-11-08 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17027 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4449 | |
| dc.description.abstract | Το διαδίκτυο αποτελεί σημαντικό εργαλείο για τους καταναλωτές και τις επιχειρήσεις,
ενώ ο όγκος δεδομένων που παράγεται από τις αναζητήσεις χρηστών σε μηχανές
αναζήτησης, όπως το Google, είναι τεράστιος και ανεκτίμητος. Οι αναζητήσεις αυτές
αποτελούν πολύτιμη πηγή δεδομένων, τα οποία μπορούν να αξιοποιηθούν για την
εξαγωγή πληροφοριών και την ανάλυση της καταναλωτικής συμπεριφοράς.
Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάλυση των
δεδομένων της τουριστικής κίνησης στην Ελλάδα, εστιάζοντας στη συσχέτιση των
αναζητήσεων στο Google με τα πραγματικά έσοδα που καταγράφονται από το ελληνικό
κράτος. Στόχος της έρευνας είναι να εξεταστεί εάν τα δεδομένα αναζητήσεων από την
πλατφόρμα του Google Trends μπορούν να αξιοποιηθούν για τη δημιουργία ενός
μοντέλου που θα προβλέπει με ακρίβεια τα τουριστικά έσοδα της χώρας. Η ανάλυση
περιλαμβάνει τη διερεύνηση της σχέσης ανάμεσα στις αναζητήσεις και τα συνολικά
τουριστικά έσοδα.
Για τον σκοπό αυτό, χρησιμοποιήθηκε η Παραγοντική Ανάλυση για τη σύνθεση
των δεδομένων αναζητήσεων σε έναν ενιαίο δείκτη, τον Δείκτη Ζήτησης Τουρισμού (
Tourism Demand Index). Ο δείκτης αυτός αντιπροσωπεύει τη συνολική ελκυστικότητα
της Ελλάδας ως τουριστικού προορισμού, όπως αποτυπώνεται μέσα από τις σχετικές
αναζητήσεις στο διαδίκτυο. Στη συνέχεια, διερευνήθηκε η συσχέτιση του δείκτη με τα
πραγματικά τουριστικά έσοδα, με στόχο να αξιοποιηθεί ο δείκτης ως βασικός
παράγοντας στην εκπαίδευση του μοντέλου πρόβλεψης για τα συνολικά έσοδα του
τουριστικού τομέα.
Η επεξεργασία των δεδομένων πραγματοποιείται μέσω των εργαλείων Power
BI και Tableau, τα οποία επιτρέπουν την οπτικοποίηση των δεδομένων και την
ανάδειξη των τάσεων που προκύπτουν. Επιπλέον, για τη διαμόρφωση του μοντέλου
πρόβλεψης, εφαρμόστηκε τεχνική μηχανικής μάθησης μέσω του εργαλείου Orange
Data Mining με τη χρήση νευρωνικών δικτύων, προκειμένου να προβλεφθούν τα
μελλοντικά έσοδα με βάση τις διαδικτυακές αναζητήσεις.
Από τη μελέτη αυτή προέκυψαν σημαντικά ευρήματα, καθώς αναδείχθηκε μια
στατιστικά σημαντική συσχέτιση μεταξύ του Δείκτη Ζήτησης Τουρισμού και των
πραγματικών εσόδων. Τα αποτελέσματα υποδεικνύουν ότι τα δεδομένα αναζητήσεων
στο Google μπορούν να αποτελέσουν χρήσιμο εργαλείο για τη πρόβλεψη των εσόδων
στον τομέα του τουρισμού, παρέχοντας στους φορείς του κλάδου τη δυνατότητα να
προβαίνουν σε τεκμηριωμένες αποφάσεις και να βελτιώνουν τη στρατηγική τους | el |
| dc.format.extent | 102 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανάλυση δεδομένων αναζητήσεων τουριστικών προορισμών και αξιοποίησή τους σε μοντέλα προβλέψεων | el |
| dc.title.alternative | Analysis of tourist destination search data and its utilization in predictive models | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Οικονομικών, Επιχειρηματικών και Διεθνών Σπουδών. Τμήμα Οικονομικής Επιστήμης | el |
| dc.description.abstractEN | The internet serves as a critical tool for consumers and businesses alike, generating a
vast and invaluable volume of data through user searches on search engines like
Google. These searches constitute a rich data source that can be leveraged to extract
information and analyze consumer behavior patterns.
This thesis focuses on analyzing tourism movement data in Greece, specifically
investigating the correlation between Google search queries and the actual tourism
revenue recorder by Greek state. The primary objective of this research is to determine
whether Google Trends search data can be utilized to create a model that accurately
forecasts Greece’s tourism revenue. The analysis includes an examination of the
relationship between search trends and overall tourism revenue.
To this end, Principal Component Analysis was employed to consolidate search
data into a single index, named the Tourism Demand Index, representing Greece’s
overall attractiveness as a tourist destination as reflected in relevant online searches.
Following this, the correlation between the index and actual tourism revenue was
investigated, aiming to use the index as a primary factor in training the revenue
forecasting model.
Data processing was conducted using Power BI and Tableau, which enable the
visualization of data and highlight emerging trends. Furthermore, to develop the
predictive model, machine learning techniques were applied via the Orange Data
Mining tool, using neural networks to forecast future revenue based on online search
trends.
This study yielded significant findings, revealing a statistically significant
correlation between the Tourism Demand Index and actual revenue. The results suggest
that Google search data can serve as a valuable tool for forecasting tourism revenue,
providing industry stakeholders with the capacity to make data-driven decisions and
refine their strategic approaches. | el |
| dc.contributor.master | Οικονομική και Επιχειρησιακή Στρατηγική | el |
| dc.subject.keyword | Τουρισμός | el |
| dc.subject.keyword | Νευρωνικά δίκτυα | el |
| dc.subject.keyword | Μοντέλο πρόβλεψης | el |
| dc.subject.keyword | Ανάλυση δεδομένων | el |
| dc.date.defense | 2024-11-07 | |
