Επιχειρηματική αναλυτική στην πράξη : τμηματοποίηση πελατειακής βάσης και ανάλυση καλαθιού αγορών για ηλεκτρονικό κατάστημα αλυσίδας στο χώρο του λιανεμπορίου
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Πετράκος, Νικόλαος | |
| dc.date.accessioned | 2025-05-23T12:08:05Z | |
| dc.date.available | 2025-05-23T12:08:05Z | |
| dc.date.issued | 2025-04 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17792 | |
| dc.description.abstract | Στη σύγχρονη εποχή της ανάλυσης δεδομένων, οι επιχειρήσεις βασίζονται ολοένα και περισσότερο σε προηγμένες τεχνικές αναλυτικής για την κατανόηση της συμπεριφοράς των πελατών και τη βελτιστοποίηση των επιχειρησιακών τους στρατηγικών. Η παρούσα διατριβή εστιάζει σε δύο θεμελιώδεις μεθοδολογίες της επιχειρηματικής αναλυτικής: την Τμηματοποίηση Πελατών (Customer Segmentation) και την Ανάλυση Καλαθιού Αγορών (Market Basket Analysis - MBA), με εφαρμογή σε πραγματικά δεδομένα από διαδικτυακή πλατφόρμα παράδοσης ειδών σούπερ μάρκετ. Αρχικά, διενεργείται Διερευνητική Ανάλυση Δεδομένων (EDA) με σκοπό την κατανόηση των προτύπων συναλλαγών, των αγοραστικών συμπεριφορών των πελατών και της κατανομής των πωλήσεων προϊόντων. Στη συνέχεια, η Τμηματοποίηση Πελατών πραγματοποιείται με χρήση του μοντέλου RFM (Recency, Frequency, Monetary) σε συνδυασμό με αλγορίθμους συσταδοποίησης, όπως ο K-Means και ο DBSCAN, για την κατηγοριοποίηση των πελατών σε διακριτά τμήματα. Τα αποτελέσματα αποκαλύπτουν τρεις κύριες ομάδες πελατών: Πιστοί Πελάτες (Loyalists), Δυνητικά Πιστοί Πελάτες (Potential Loyalists) και Πελάτες σε Κίνδυνο Αποχώρησης (Churners), παρέχοντας πολύτιμες πληροφορίες για στοχευμένες στρατηγικές μάρκετινγκ και διατήρησης πελατών. Στη συνέχεια, η Ανάλυση Καλαθιού Αγορών υλοποιείται μέσω κανόνων συσχέτισης, με την εφαρμογή των αλγορίθμων Apriori και FP-Growth. Οι κανόνες αυτοί αναδεικνύουν σημαντικές σχέσεις μεταξύ των προϊόντων και προσφέρουν στρατηγικές για τη βελτιστοποίηση των πωλήσεων μέσω προτάσεων συνδυαστικών αγορών και προγραμμάτων προώθησης. Η σύγκριση μεταξύ των αλγορίθμων συσταδοποίησης και των τεχνικών ανάλυσης συσχετίσεων επιτρέπει την αξιολόγηση των δυνατοτήτων και περιορισμών κάθε μεθόδου. Επιπλέον, η διασύνδεση των αποτελεσμάτων της τμηματοποίησης με την ανάλυση καλαθιού αγοράς προσφέρει εξατομικευμένες προτάσεις σε επίπεδο πελατών, ενισχύοντας τη στρατηγική διατήρησης και ανάπτυξης εσόδων. Η διατριβή ολοκληρώνεται με τη σύνθεση των κυριότερων ευρημάτων και την παρουσίαση προτάσεων για επιχειρησιακές στρατηγικές που στοχεύουν στην ενίσχυση της πιστότητας των πελατών, την εξατομίκευση του μάρκετινγκ και τη βελτιστοποίηση των εσόδων. Μέσω της αξιοποίησης δεδομένων και αναλυτικών τεχνικών, η παρούσα μελέτη αναδεικνύει τη σημασία της επιχειρηματικής αναλυτικής ως εργαλείου στρατηγικού σχεδιασμού στον χώρο του διαδικτυακού λιανεμπορίου. | el |
| dc.format.extent | 117 | 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 | Επιχειρηματική αναλυτική στην πράξη : τμηματοποίηση πελατειακής βάσης και ανάλυση καλαθιού αγορών για ηλεκτρονικό κατάστημα αλυσίδας στο χώρο του λιανεμπορίου | el |
| dc.title.alternative | Business analytics in practice : customer segmentation and e-shop market basket analysis | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | In an era of data-driven decision-making, businesses increasingly rely on advanced analytics to gain insights into customer behavior and optimize operational strategies. This thesis explores two fundamental methodologies in customer analytics: Customer Segmentation and Market Basket Analysis (MBA), applied to a real-world dataset from an online supermarket delivery platform. The study begins with an Exploratory Data Analysis (EDA) to understand transaction patterns, customer behaviors, and product sales distribution. The Customer Segmentation approach utilizes the RFM (Recency, Frequency, Monetary) model combined with clustering algorithms such as K-Means and DBSCAN to categorize customers into meaningful segments. The results classify customers into Loyalists, Potential Loyalists, and Churners, enabling targeted marketing strategies. Subsequently, the Market Basket Analysis employs association rule learning techniques, specifically Apriori and FP-Growth algorithms, to uncover purchase correlations and product affinities. The analysis identifies significant purchasing patterns and suggests optimal product bundling strategies to enhance cross-selling and upselling opportunities. Comparative evaluations between clustering techniques and association rule methods provide insights into the strengths and limitations of each approach. Additionally, findings from the segmentation analysis are integrated into the MBA process, offering cluster-specific recommendations to optimize business outcomes. The thesis concludes with a synthesis of key findings, outlining actionable business strategies for customer retention, personalized marketing, and revenue maximization. By leveraging data driven methodologies, this study illustrates the potential of customer analytics to enhance strategic decision-making in the online retail sector. | el |
| dc.contributor.master | Κυβερνοασφάλεια και Επιστήμη Δεδομένων | el |
| dc.subject.keyword | Τμηματοποίηση πελατών | el |
| dc.subject.keyword | Τμηματοποίηση πελατειακής βάσης | el |
| dc.subject.keyword | Ανάλυση καλαθιού αγοράς | el |
| dc.subject.keyword | Customer segmentation | el |
| dc.subject.keyword | Market basket analysis | el |
| dc.subject.keyword | e-Shop | el |
| dc.subject.keyword | Delivery | el |
| dc.date.defense | 2025-04-29 |
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-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα