Πρόβλεψη αποχώρησης πελατών από πολυκαναλικά δεδομένα CRM με τη χρήση μοντέλων βαθιάς μάθησης και αρχιτεκτονικών προσοχής
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Ψύμαρνος, Βασίλειος | |
| dc.date.accessioned | 2026-07-24T09:38:49Z | |
| dc.date.available | 2026-07-24T09:38:49Z | |
| dc.date.issued | 2026-07 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19633 | |
| dc.description.abstract | Αντικείμενο της παρούσας πτυχιακής εργασίας είναι η μελέτη, η ανάπτυξη και η σύγκριση προηγμένων μοντέλων Βαθιάς Μάθησης (Deep Learning) με σκοπό την πρόβλεψη της αποχώρησης πελατών (Customer Churn Prediction). Στον σύγχρονο επιχειρηματικό κόσμο, η διατήρηση των υπαρχόντων πελατών είναι ζωτικής σημασίας, καθώς η απόκτηση νέων κοστίζει σημαντικά περισσότερο. Για τον λόγο αυτό, οι εταιρείες αναζητούν έξυπνους τρόπους ώστε να αναγνωρίζουν έγκαιρα ποιοι καταναλωτές δείχνουν σημάδια μειωμένου ενδιαφέροντος, με σκοπό να τους προσφέρουν κίνητρα για να παραμείνουν. Για τις ανάγκες της εργασίας, χρησιμοποιήθηκαν πραγματικά και σύνθετα επιχειρηματικά δεδομένα από ένα Omnichannel CRM σύστημα (δεδομένα πελατών, online παραγγελίες, αλληλεπιδράσεις με την εξυπηρέτηση πελατών, ιστορικό συσκευών, χρήση κουπονιών και email καμπάνιες). Αντί για μια στατική ανάλυση των δεδομένων αυτών, η συγκεκριμένη προσέγγιση εστιάζει στη χρονική εξέλιξη της συμπεριφοράς του κάθε πελάτη. Στο πλαίσιο αυτό, σχεδιάστηκε και υλοποιήθηκε μια ολοκληρωμένη διαδικασία προεπεξεργασίας δεδομένων, η οποία μετέτρεψε το διάσπαρτο ιστορικό ενεργειών των χρηστών σε δομημένες χρονικές ακολουθίες (sequences) σταθερού μήκους. Πάνω σε αυτές τις χρονικές ακολουθίες εκπαιδεύτηκαν και συγκρίθηκαν τρεις διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων: 1. Τα δίκτυα LSTM (Long Short-Term Memory), τα οποία εξειδικεύονται στην απομνημόνευση μακροπρόθεσμων εξαρτήσεων σε ακολουθίες δεδομένων. 2. Τα δίκτυα GRU (Gated Recurrent Unit), που αποτελούν μια πιο απλή και υπολογιστικά ελαφρύτερη παραλλαγή των LSTM. 3. Τα μοντέλα Transformer, τα οποία χρησιμοποιούν τον μηχανισμό πολλαπλής προσοχής (Multi-Head Attention) και αποτελούν την τεχνολογία αιχμής στη σύγχρονη Τεχνητή Νοημοσύνη. Τα μοντέλα αξιολογήθηκαν και συγκρίθηκαν με βάση καθιερωμένες μετρικές της Επιστήμης Δεδομένων, όπως η ακρίβεια (Accuracy), η πιστότητα (Precision), η ανάκληση (Recall), το F1- Score και η καμπύλη AUC-ROC. Τα αποτελέσματα της έρευνας έδειξαν ότι η χρήση χρονικών ακολουθιών επιτρέπει στα νευρωνικά δίκτυα να εντοπίζουν μοτίβα σταδιακής αποστασιοποίησης των πελατών. Η τελική σύγκριση αναδεικνύει τα πλεονεκτήματα και τα μειονεκτήματα της κάθε αρχιτεκτονικής, προσφέροντας χρήσιμα συμπεράσματα τόσο σε επιστημονικό όσο και σε πρακτικό επιχειρηματικό επίπεδο για την εφαρμογή τέτοιων συστημάτων στην αγορά. | el |
| dc.format.extent | 53 | 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 | 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 | Πρόβλεψη αποχώρησης πελατών από πολυκαναλικά δεδομένα CRM με τη χρήση μοντέλων βαθιάς μάθησης και αρχιτεκτονικών προσοχής | el |
| dc.title.alternative | Customer churn prediction from omnichannel CRM data using deep learning models and attention architectures | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The subject of this thesis is the study, development, and comparison of advanced Deep Learning models aimed at predicting customer churn. In today’s business world, retaining existing customers is vital, as acquiring new ones costs significantly more. For this reason, companies seek intelligent ways to identify early which consumers show signs of diminished interest, with the goal of offering them incentives to stay. For the purposes of this work, real and complex business data from an Omnichannel CRM system were used (customer data, online orders, interactions with customer service, device history, coupon usage, and email campaigns). Instead of a static analysis of this data, this approach focuses on the temporal evolution of each customer’s behavior. Within this framework, a comprehensive data preprocessing procedure was designed and implemented, which transformed the scattered history of user actions into structured fixed-length temporal sequences. Three different neural network architectures were trained and compared based on these time sequences: 1. LSTM (Long Short-Term Memory) networks, which specialize in memorizing long-term dependencies in data sequences. 2. GRU (Gated Recurrent Unit) networks, which are a simpler and computationally lighter variant of LSTMs. 3. Transformer models, which use the Multi-Head Attention mechanism and represent cutting-edge technology in modern Artificial Intelligence. The models were evaluated and compared using established Data Science metrics such as Accuracy, Precision, Recall, F1-Score, and the AUC-ROC curve. The research results showed that using time sequences allows neural networks to detect patterns of gradual customer disengagement. The final comparison highlights the advantages and disadvantages of each architecture, offering valuable insights both scientifically and practically for the application of such systems in the market. | el |
| dc.subject.keyword | Πρόβλεψη αποχώρησης πελατών | el |
| dc.date.defense | 2026-07 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
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