Behavioral AI for enterprise customer lifecycle management : from transactional systems to explainable predictive decision support

Bairachtari, Evgenia; Μπαϊραχτάρη, Ευγενία

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Bairachtari, Evgenia
dc.contributor.author	Μπαϊραχτάρη, Ευγενία
dc.date.accessioned	2026-05-27T12:31:16Z
dc.date.available	2026-05-27T12:31:16Z
dc.date.issued	2026-05
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19393
dc.description.abstract	Η αποχώρηση πελατών (customer churn) δεν αποτελεί απλώς ένα πρόβλημα πρόβλεψης, αλλά μια σύνθετη επιχειρησιακή πρόκληση που συνδέεται άμεσα με τη συμπεριφορά των πελατών και τη λήψη αποφάσεων. Επηρεάζει την αξία πελάτη, την αποδοτικότητα των ενεργειών και τη μακροπρόθεσμη ανάπτυξη των οργανισμών. Στο περιβάλλον των online φαρμακείων, η ερμηνεία της καθίσταται ακόμη πιο απαιτητική, καθώς τα πρότυπα αλληλεπίδρασης διαφέρουν ουσιαστικά μεταξύ προϊόντων Prescription (RX), Over-the-Counter (OTC) και προϊόντων FREE. Η παρούσα εργασία αναπτύσσει ένα πλαίσιο behavioral AI για την κατανόηση, ερμηνεία και πρόβλεψη της αποχώρησης πελατών, καθώς και για τη σύνδεσή της με την επιχειρησιακή λήψη αποφάσεων σε ένα πραγματικό περιβάλλον online φαρμακείου. Αντί να βασίζεται σε στατικούς ορισμούς αδράνειας ή αποκλειστικά σε προγνωστικά μοντέλα, η προσέγγιση ξεκινά από την ανάλυση της πραγματικής συμπεριφοράς των πελατών, όπως αυτή αποτυπώνεται σε συναλλακτικά δεδομένα, και εξελίσσεται σταδιακά σε τμηματοποίηση, εξατομικευμένη ερμηνεία churn, προγνωστική μοντελοποίηση και εφαρμογή σε επίπεδο υποστήριξης λήψης αποφάσεων. Η ανάλυση βασίζεται σε μεγάλο σύνολο συναλλακτικών δεδομένων, το οποίο περιλαμβάνει 122,8 εκατομμύρια γραμμές παραγγελίας, 45,2 εκατομμύρια ολοκληρωμένες παραγγελίες και 10,9 εκατομμύρια πελάτες σε χρονικό ορίζοντα 24 μηνών. Η μελέτη πραγματοποιείται στο επίπεδο του πελάτη που πραγματοποιεί την παραγγελία και χρησιμοποιεί συμπεριφορικά σήματα που προκύπτουν αποκλειστικά από την παρατηρήσιμη αγοραστική δραστηριότητα, διασφαλίζοντας την αποφυγή πληροφοριακής διαρροής. Ιδιαίτερη έμφαση δίνεται στη δυναμική επιστροφών, στη συνέπεια της αγοραστικής συμπεριφοράς, στους δείκτες recency – frequency και στις διαφορές που εμφανίζονται μεταξύ των ομάδων πελατών. Τα αποτελέσματα δείχνουν ότι η αδράνεια δεν μπορεί να ερμηνευθεί με ενιαίο τρόπο για όλους τους πελάτες. Διαφορετικά πρότυπα συμπεριφοράς και ρυθμοί επαναγοράς οδηγούν σε διαφορετική σημασία της ίδιας χρονικής περιόδου αδράνειας. Με βάση αυτό, το προτεινόμενο πλαίσιο εισάγει ορισμούς churn ανά ομάδα πελατών, καθώς και εξατομικευμένους ορισμούς, οι οποίοι βασίζονται στην πραγματική συμπεριφορά επιστροφής και στα αναμενόμενα πρότυπα κάθε πελάτη. Στη συνέχεια, η προσέγγιση επεκτείνεται σε προγνωστικά μοντέλα Machine Learning (ML), τα οποία προβλέπουν την εξέλιξη της κατάστασης των πελατών (ACTIVE, AT RISK, CHURNED) με βάση χαρακτηριστικά που είναι άμεσα συνδεδεμένα με τη συμπεριφορά τους. Πέρα από την προγνωστική ακρίβεια, η εργασία δίνει ιδιαίτερη έμφαση στην ερμηνευσιμότητα των αποτελεσμάτων, στη δυνατότητα επιχειρησιακής κλιμάκωσης και στην πρακτική εφαρμογή τους σε πραγματικά επιχειρησιακά περιβάλλοντα. Η βασική συνεισφορά της εργασίας είναι ο σχεδιασμός ενός ενιαίου πλαισίου υποστήριξης λήψης αποφάσεων, το οποίο συνδέει την ανάλυση συμπεριφοράς, την προγνωστική μοντελοποίηση και την επιχειρησιακή προτεραιοποίηση ενεργειών. Η προσέγγιση αναδεικνύει πώς τα συναλλακτικά συστήματα, η μοντελοποίηση συμπεριφοράς και το ML μπορούν να συνδεθούν σε μία συνεκτική, επεξηγήσιμη και κλιμακούμενη αρχιτεκτονική για τη διαχείριση του κύκλου ζωής των πελατών σε σύγχρονα enterprise περιβάλλοντα.	el
dc.format.extent	143	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Behavioral AI for enterprise customer lifecycle management : from transactional systems to explainable predictive decision support	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	In enterprise environments, customer churn extends beyond a purely predictive problem, representing a behavioral and decision-making challenge that directly affects customer lifetime value, operational efficiency, and long-term growth. This complexity becomes particularly pronounced in digital healthcare and online pharmacy ecosystems, where customer interaction patterns differ across Prescription (RX), Over-the-Counter (OTC), and FREE product interactions. This thesis develops a behavioral AI framework for customer churn interpretation, prediction, and decision support within a real-world online pharmacy environment. Rather than relying on static inactivity thresholds or purely model-driven approaches, the study begins with reconstructing customer behavior from transactional systems and progressively builds toward segmentation, personalized churn interpretation, predictive modeling, and operational decision logic. The analysis is based on a large-scale transactional dataset covering 122.8 million order lines, 45.2 million completed orders, and 10.9 million customers over a 24-month period. Customer behavior is modeled at the ordering-customer level using leakage-safe behavioral signals derived exclusively from observable transaction patterns. Particular emphasis is placed on return dynamics, purchasing consistency, recency-frequency behavior, and structural differences across customer segments. The findings demonstrate that inactivity cannot be interpreted uniformly across the population. Distinct behavioral rhythms exist across segments and individual interaction patterns making static churn definitions unreliable. To address this, the framework introduces segment-specific and personalized churn definitions based on empirical return behavior and customer-level expected interaction patterns. Building on this foundation, the framework is extended into predictive Machine Learning (ML) models that forecast future customer states (ACTIVE, AT RISK, CHURNED) using behaviorally grounded features. Beyond predictive performance, the work emphasizes explainability, scalability, and operational usability. The thesis concludes with the design of a decision-support framework that connects behavioral analytics, predictive intelligence, and operational prioritization. The proposed approach demonstrates how transactional systems, behavioral modeling, and ML can be integrated into a coherent, explainable, and scalable architecture for enterprise customer lifecycle management.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Customer Churn	el
dc.subject.keyword	Behavioral AI	el
dc.subject.keyword	Customer Segmentation	el
dc.subject.keyword	Predictive Analytics	el
dc.subject.keyword	Explainable AI	el
dc.subject.keyword	Machine Learning	el
dc.subject.keyword	Customer Lifecycle Management	el
dc.subject.keyword	Behavioral Modeling	el
dc.subject.keyword	Enterprise AI	el
dc.subject.keyword	Churn Prediction	el
dc.date.defense	2026-05-21

Αρχεία σε αυτό το τεκμήριο

Name:: Bairachtari_ME2468.pdf
Μέγεθος:: 2.379Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

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