| Περίληψη : | Η διπλωματική εργασία αφενός εξετάζει θεωρητικά πλαίσια και προσεγγίσεις που αφορούν τη χρήση των Analytics και της Τεχνητής Νοημοσύνης στους τομείς του Μάρκετινγκ και των Πωλήσεων και αφετέρου επικεντρώνεται στην ανάπτυξη μεθοδολογίας για την ανάλυση δεδομένων πελατών σε πλατφόρμες online παραγγελίας φαγητού. Η μελέτη αυτή στοχεύει στην ανάλυση και κατανόηση των πρακτικών με τους οποίους οι σύγχρονες τεχνολογίες επηρεάζουν τις στρατηγικές και τις τακτικές που εφαρμόζονται στους συγκεκριμένους τομείς. Βασικός στόχος της ήταν η εφαρμογή τεχνικών τμηματοποίησης πελατών (Customer Segmentation) και πρόβλεψης αποχώρησης (Churn Prediction) μέσω σύγχρονων μεθοδολογιών, περιλαμβάνοντας τη χρήση μηχανικής μάθησης και την τεχνητής νοημοσύνης. Η ανάλυση βασίστηκε σε δεδομένα πραγματικών συναλλαγών πελατών και περιέλαβε τη δημιουργία δεικτών RFM (Recency, Frequency, Monetary), τη συσταδοποίηση με αλγορίθμους όπως το K-Means και τη μοντελοποίηση πρόβλεψης αποχωρήσεων μέσω Δέντρων Απόφασης. Τα αποτελέσματα υποδεικνύουν ότι τα προτεινόμενα μοντέλα μπορούν να ενισχύσουν την κατανόηση της συμπεριφοράς των καταναλωτών από το επιχειρησιακό και επιστημονικό κοινό καθώς και την ενίσχυση κάθε ενέργειες στον τομέα των Πωλήσεων και του Μάρκετινγκ που θα συμβάλει στην διατήρηση και την επέκταση του πελατολογίου.Η μεθοδολογία και τα ευρήματα αυτής της εργασίας μπορούν να εφαρμοστούν για τη βελτίωση της λειτουργίας παρόμοιων πλατφορμών αλλά και μικρές ή μεγάλες επιχειρήσεις που δραστηριοποιούνται στον κλάδο της εστίασης μέσω delivery για την παροχή πιο στοχευμένων υπηρεσιών.
The thesis examines theoretical frameworks and approaches to the use of analytics and artificial intelligence in marketing and sales, and focuses on the development of a methodology for analysing customer data in online food ordering platforms. This study aims to analyse and understand the practices through which modern technologies influence the strategies and tactics applied in these sectors. Its main objective was to apply customer segmentation and churn prediction techniques through modern methodologies, including the use of machine learning and artificial intelligence. The analysis was based on real customer transaction data and included the creation of RFM (Recency, Frequency, Monetary) indicators, clustering using algorithms such as K-means, and modelling churn prediction using decision trees. The results suggest that the proposed models can improve the understanding of consumer behaviour by business and academic audiences, as well as improve all sales and marketing actions that contribute to customer retention and expansion.The methodology and findings of this work can be applied to improve the operation of similar platforms and small or large companies operating in the foodservice industry through delivery to provide more targeted services.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.