| dc.contributor.advisor | Αποστόλου, Δημήτριος | |
| dc.contributor.author | Χειλάς, Απόστολος | |
| dc.date.accessioned | 2026-06-19T09:52:07Z | |
| dc.date.available | 2026-06-19T09:52:07Z | |
| dc.date.issued | 2026-05 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19448 | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία εξετάζει τη συμπεριφορά πελατών σε πλατφόρμα ηλεκτρονικών
παραγγελιών φαγητού, αξιοποιώντας δεδομένα πραγματικών συναλλαγών, με στόχο τόσο την
περιγραφική ανάλυση καταναλωτικών μοτίβων όσο και την πρόβλεψη της αποχώρησης πελατών (churn).
Η μελέτη συνδυάζει τεχνικές ανάλυσης δεδομένων, τμηματοποίησης πελατών και προβλεπτικής
μοντελοποίησης, προκειμένου να αναδειχθούν επιχειρησιακά χρήσιμα συμπεράσματα για τη διαχείριση
πελατειακών σχέσεων και τη λήψη αποφάσεων βάσει δεδομένων.
Αρχικά, πραγματοποιείται εκτενής διερευνητική ανάλυση δεδομένων παραγγελιών, με έμφαση στη
συμπεριφορά χρηστών, τα χαρακτηριστικά καταστημάτων, τη γεωγραφική κατανομή της ζήτησης και
βασικούς δείκτες απόδοσης. Η ανάλυση βασίζεται σε σύνολο άνω του 1,4 εκατομμυρίου παραγγελιών και
καταδεικνύει έντονη συγκέντρωση της ζήτησης στα μεγάλα αστικά κέντρα, διαφοροποιήσεις μεταξύ
αλυσίδων και ανεξάρτητων καταστημάτων, καθώς και τη σημασία παραγόντων όπως οι αξιολογήσεις και
οι μέθοδοι πληρωμής.
Στη συνέχεια, εφαρμόζεται η μεθοδολογία RFM (Recency, Frequency, Monetary) για την τμηματοποίηση
των πελατών βάσει της αγοραστικής τους συμπεριφοράς. Μέσω αλγοριθμικής ομαδοποίησης
προκύπτουν τρία (3) διακριτά προφίλ πελατών, τα οποία παρουσιάζουν σημαντικές διαφοροποιήσεις τόσο
ως προς τη δραστηριότητα όσο και ως προς την πιθανότητα αποχώρησης. Η αποχώρηση ορίζεται
έμμεσα, μέσω της παρατεταμένης χρονικής αδράνειας, με χρήση ποσοστιαίου κατωφλίου της μεταβλητής
Recency, αποφεύγοντας φαινόμενα πληροφοριακής διαρροής (data leakage).
Στο τελικό στάδιο της ανάλυσης αναπτύσσονται και συγκρίνονται, υπό ενιαίο πλαίσιο αξιολόγησης,
προβλεπτικά μοντέλα αποχώρησης πελατών, και συγκεκριμένα μοντέλα λογιστικής παλινδρόμησης,
δέντρου απόφασης, Gradient Boosting και Random Forest. Τα μοντέλα αξιολογούνται με βάση μετρικές
διακριτικής ικανότητας (AUC, KS), ακρίβειας ταξινόμησης και επιχειρησιακής αποτελεσματικότητας (Lift
και cumulative gain). Τα αποτελέσματα δείχνουν ότι όλα τα μοντέλα επιτυγχάνουν υψηλή και σταθερή
απόδοση, με το Random Forest να παρουσιάζει οριακά ανώτερη επιχειρησιακή αποτελεσματικότητα στον
εντοπισμό πελατών υψηλού κινδύνου αποχώρησης, ενώ η λογιστική παλινδρόμηση διατηρεί το
πλεονέκτημα της ερμηνευσιμότητας.
Συνολικά, η εργασία καταδεικνύει ότι ο συνδυασμός RFM τμηματοποίησης και προβλεπτικής ανάλυσης
churn μπορεί να αποτελέσει ισχυρό εργαλείο υποστήριξης στρατηγικών αποφάσεων για ψηφιακές
πλατφόρμες, επιτρέποντας τον στοχευμένο εντοπισμό πελατών υψηλού κινδύνου και την
αποτελεσματικότερη εφαρμογή πολιτικών διατήρησης. | el |
| dc.format.extent | 89 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανάλυση δεδομένων παραγγελιών και καταναλωτικής συμπεριφοράς σε ηλεκτρονική πλατφόρμα παραγγελιών φαγητού | el |
| dc.title.alternative | Analysis of order data and consumer behavior on an online food ordering platform | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis investigates customer behavior in an online food delivery platform using real transactional data, with the dual objective of analyzing consumer purchasing patterns and predicting customer churn. The study combines data analytics, customer segmentation techniques, and predictive modeling approaches to derive actionable business insights that support customer relationship management and data-driven decision-making.
Initially, an extensive exploratory data analysis (EDA) of order transactions is conducted, focusing on user behavior, store characteristics, the geographical distribution of demand, and key performance indicators. The analysis is based on a dataset containing more than 1.4 million orders and reveals a strong concentration of demand in major urban areas, significant differences between chain and independent stores, and the importance of factors such as customer ratings and payment methods.
Subsequently, the RFM (Recency, Frequency, Monetary) methodology is applied to segment customers according to their purchasing behavior. Through algorithmic clustering techniques, three distinct customer profiles are identified, each exhibiting significant differences in terms of activity levels and churn propensity. Customer churn is defined indirectly through prolonged inactivity, using a percentile-based threshold of the Recency variable, thereby avoiding data leakage and ensuring the reliability of the predictive modeling process.
In the final stage of the analysis, several customer churn prediction models are developed and compared under a unified evaluation framework. Specifically, Logistic Regression, Decision Tree, Gradient Boosting, and Random Forest models are implemented and assessed using discrimination metrics (AUC and KS Statistic), classification accuracy measures, and business-oriented performance indicators such as Lift and Cumulative Gain.
The results demonstrate that all models achieve strong and consistent predictive performance. Among them, the Random Forest model exhibits slightly superior business effectiveness in identifying customers at high risk of churn, while Logistic Regression retains the advantage of greater interpretability and transparency.
Overall, the findings indicate that the combination of RFM-based customer segmentation and predictive churn analytics can serve as a powerful decision-support tool for digital platforms. By enabling the targeted identification of high-risk customers, organizations can design and implement more effective customer retention strategies, ultimately improving customer engagement and long-term business performance. | el |
| dc.contributor.master | Κυβερνοασφάλεια και Επιστήμη Δεδομένων | el |
| dc.subject.keyword | Ανάλυση δεδομένων | el |
| dc.subject.keyword | Συμπεριφορά καταναλωτών | el |
| dc.subject.keyword | Πρόβλεψη αποχώρησης πελατών | el |
| dc.subject.keyword | Churn prediction | el |
| dc.subject.keyword | Τμηματοποίηση πελατών | el |
| dc.subject.keyword | Customer segmentation | el |
| dc.subject.keyword | Μεθοδολογία RFM | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Random forest | el |
| dc.subject.keyword | Gradient boosting | el |
| dc.subject.keyword | Ηλεκτρονικές πλατφόρμες παραγγελιών | el |
| dc.subject.keyword | Customer analytics | el |
| dc.subject.keyword | Data analytics | el |
| dc.subject.keyword | Consumer behavior | el |
| dc.subject.keyword | RFM analysis | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Online food delivery platforms | el |
| dc.date.defense | 2026-05-21 | |
