Τμηματοποίηση πελατών και πρόβλεψη αποχώρησης : μελέτη περίπτωσης ελληνικής εταιρείας διαδικτυακής παραγγελίας και διανομής προϊόντων

Χατζηνικολάου, Μιχαήλ

dc.contributor.advisor	Αποστόλου, Δημήτριος
dc.contributor.author	Χατζηνικολάου, Μιχαήλ
dc.date.accessioned	2025-11-14T09:53:58Z
dc.date.available	2025-11-14T09:53:58Z
dc.date.issued	2025-10
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/18417
dc.description.abstract	Στη σημερινή εποχή, όπου οι επιχειρήσεις καλούνται να διαχειριστούν δεδομένα μεγάλου όγκου και πολυπλοκότητας, η ορθή αξιοποίησή τους αποτελεί κρίσιμο παράγοντα για τη διατήρηση ανταγωνιστικού πλεονεκτήματος. Η παρούσα εργασία εξετάζει την περίπτωση επιχείρησης που δραστηριοποιείται στον κλάδο της online διανομής προϊόντων (φαγητού, ειδών σούπερ μάρκετ κ.ά.), αξιοποιώντας πραγματικά δεδομένα πελατών. Αρχικά, πραγματοποιείται καθαρισμός και διερευνητική ανάλυση των δεδομένων με στόχο την κατανόηση των βασικών προτύπων συμπεριφοράς, αλλά και των χαρακτηριστικών της πελατειακής βάσης (πιο δημοφιλείς και πιο προσοδοφόρες κατηγορίες προϊόντων, χρήση εκπτωτικών προσφορών, γεωγραφική κατανομή των καταναλωτών κ.ά). Στη συνέχεια εφαρμόζονται δύο πελατοκεντρικές προσεγγίσεις: (α) τμηματοποίηση πελατών (Customer Segmentation) με τη μεθοδολογία RFM (Recency, Frequency, Monetary), ώστε να αναδειχθούν διακριτές ομάδες με κοινά χαρακτηριστικά για στοχευμένες ενέργειες μάρκετινγκ και ευρύτερες επιχειρησιακές αποφάσεις, και (β) πρόβλεψη αποχώρησης (Churn Prediction) με μοντέλα μηχανικής μάθησης (Logistic Regression, Random Forest, XGBoost). Για την αντιμετώπιση της ανισορροπίας κλάσεων που παρατηρείται στο σύνολο δεδομένων, εφαρμόζονται τεχνικές resampling (SMOTE Oversampling, Random Undersampling). Τέλος, τα μοντέλα αξιολογούνται και συγκρίνονται με βάση κατάλληλες μετρικές, με σκοπό την επιλογή εκείνου που είναι καταλληλότερο για επιχειρησιακή εφαρμογή.	el
dc.format.extent	74	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.title	Τμηματοποίηση πελατών και πρόβλεψη αποχώρησης : μελέτη περίπτωσης ελληνικής εταιρείας διαδικτυακής παραγγελίας και διανομής προϊόντων	el
dc.title.alternative	Customer segmentation and churn prediction for a greek online delivery app	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	In today’s era, where businesses are required to manage large volumes of complex data, their effective utilization constitutes a critical factor in maintaining a competitive advantage. This thesis examines the case of a company operating in the online product delivery sector (food, supermarket goods, etc.), utilizing real customer data. Initially, data cleaning and exploratory data analysis are carried out with the aim of understanding the main behavioral patterns as well as the characteristics of the customer base (such as the most popular and most profitable product categories, the use of discount offers, the geographical distribution of consumers, etc.). Subsequently, two customer-centric approaches are applied: (a) Customer Segmentation using the RFM (Recency, Frequency, Monetary) methodology, to identify distinct groups with common characteristics for targeted marketing actions and broader business decisions, and (b) Churn Prediction using machine learning models (Logistic Regression, Random Forest, XGBoost). To address the class imbalance observed in the dataset, resampling techniques (SMOTE Oversampling, Random Undersampling) are applied. Finally, the models are evaluated and compared using appropriate metrics, with the aim of selecting the one most suitable for business application.	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	Διαδικτυακές παραγγελίες	el
dc.subject.keyword	Διερευνητική ανάλυση δεδομένων	el
dc.subject.keyword	Τμηματοποίηση πελατών	el
dc.subject.keyword	RFM	el
dc.subject.keyword	Πρόβλεψη αποχώρησης	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Exploratory data analysis	el
dc.subject.keyword	Recency–Frequency–Monetary	el
dc.subject.keyword	Churn prediction	el
dc.subject.keyword	Logistic regression	el
dc.subject.keyword	Random forest	el
dc.subject.keyword	XGBoost	el
dc.subject.keyword	SMOTE oversampling	el
dc.subject.keyword	Random undersampling	el
dc.date.defense	2025-10-03

Αρχεία σε αυτό το τεκμήριο

Name:: Chatznikolaou_mpked2248.pdf
Μέγεθος:: 1.593Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα