Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας / Department of Management Science and Technology Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Πρόβλεψη εσόδων για οργανισμό με συνδρομητικό μοντέλο εσόδου

Εναλλακτικός τίτλος :	Revenue forecast for organization with subscription revenue model

Δημιουργός :	Χούσου, Ελευθερία

Συντελεστής :	Ζαχαριάδης, Εμμανουήλ (Επιβλέπων καθηγητής) Μούρτος, Ιωάννης (Εξεταστής) Ανδρουτσόπουλος, Κωνσταντίνος (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Εξεταστής)

Τύπος :	Text

Φυσική περιγραφή :	110σ.

Γλώσσα :	el

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10354

Περίληψη :	Ο σκοπός της διπλωματικής εργασίας ήταν η ανάπτυξη μεθοδολογίας για την πρόβλεψη των μηνιαίων εσόδων ενός οργανισμού, ο οποίος λαμβάνει έσοδα από συνδρομές. Για την εξαγωγή ακριβών αποτελεσμάτων εφαρμόστηκαν δύο μεθοδολογίες. Πρώτα εφαρμόστηκε η ανάλυση παλινδρόμησης με εσωτερικούς και εξωτερικούς-μακροοικονομικούς παράγοντες και στη συνέχεια η ανάπτυξη ενός νευρωνικού δικτύου μακρά βραχύχρονής μνήμης πάνω σε δεδομένα χρονοσειρών.Συγκεκριμένα, αναζητήθηκαν οι συσχετίσεις μεταξύ του εσόδου και όλων των μεταβλητών που επιλέχθηκαν, και πραγματοποιήθηκε ανάλυση παλινδρόμηση για τους επιλεγμένους συνδυασμούς. Τέλος, αφού πραγματοποιήσαμε έλεγχο υποθέσεων, καταλήξαμε στα αποτελέσματα της συγκεκριμένη προσέγγισης. Στη συνέχεια, στηριζόμενοι στο ότι τα δεδομένα εσόδου από συνδρομές αποτελούν δεδομένα χρονοσειρών, πραγματοποιήθηκε η πρόβλεψη μέσα από το νευρωνικό δίκτυο μακράς βραχύχρονης μνήμης.Οι δύο αυτές μεθοδολογίες αναπτύχθηκαν έτσι ώστε να εφαρμοστούν αποτελεσματικά και σε άλλες περιπτώσεις πρόβλεψης συνδρομητικών εσόδων συνδυάζοντας και τα πλεονεκτήματα απόδοσης της γλώσσας προγραμματισμού Python σε έργα ανάλυσης δεδομένων. The objective of the thesis was to create a methodology to accurately forecast monthly revenue for an organization that generates income from subscriptions. Two methodologies were utilized to achieve this goal. Initially, regression analysis was conducted using internal and external macroeconomic factors, and subsequently, a long short-term memory neural network was developed to analyze time series data.The first approach involved analyzing the correlations between income and various selected variables and conducting regression analysis on the chosen combinations. Hypothesis testing was then carried out to arrive at the final results. The second approach involved using time series data from subscription inputs to create predictions through the long short-term memory neural network.Both of these methodologies were developed in a way that can be effectively applied to other cases of subscription revenue forecasting. The use of the Python programming language in data analysis projects ensured that the process was efficient and effective.

Περίληψη :

Ο σκοπός της διπλωματικής εργασίας ήταν η ανάπτυξη μεθοδολογίας για την πρόβλεψη των μηνιαίων εσόδων ενός οργανισμού, ο οποίος λαμβάνει έσοδα από συνδρομές. Για την εξαγωγή ακριβών αποτελεσμάτων εφαρμόστηκαν δύο μεθοδολογίες. Πρώτα εφαρμόστηκε η ανάλυση παλινδρόμησης με εσωτερικούς και εξωτερικούς-μακροοικονομικούς παράγοντες και στη συνέχεια η ανάπτυξη ενός νευρωνικού δικτύου μακρά βραχύχρονής μνήμης πάνω σε δεδομένα χρονοσειρών.Συγκεκριμένα, αναζητήθηκαν οι συσχετίσεις μεταξύ του εσόδου και όλων των μεταβλητών που επιλέχθηκαν, και πραγματοποιήθηκε ανάλυση παλινδρόμηση για τους επιλεγμένους συνδυασμούς. Τέλος, αφού πραγματοποιήσαμε έλεγχο υποθέσεων, καταλήξαμε στα αποτελέσματα της συγκεκριμένη προσέγγισης. Στη συνέχεια, στηριζόμενοι στο ότι τα δεδομένα εσόδου από συνδρομές αποτελούν δεδομένα χρονοσειρών, πραγματοποιήθηκε η πρόβλεψη μέσα από το νευρωνικό δίκτυο μακράς βραχύχρονης μνήμης.Οι δύο αυτές μεθοδολογίες αναπτύχθηκαν έτσι ώστε να εφαρμοστούν αποτελεσματικά και σε άλλες περιπτώσεις πρόβλεψης συνδρομητικών εσόδων συνδυάζοντας και τα πλεονεκτήματα απόδοσης της γλώσσας προγραμματισμού Python σε έργα ανάλυσης δεδομένων.
The objective of the thesis was to create a methodology to accurately forecast monthly revenue for an organization that generates income from subscriptions. Two methodologies were utilized to achieve this goal. Initially, regression analysis was conducted using internal and external macroeconomic factors, and subsequently, a long short-term memory neural network was developed to analyze time series data.The first approach involved analyzing the correlations between income and various selected variables and conducting regression analysis on the chosen combinations. Hypothesis testing was then carried out to arrive at the final results. The second approach involved using time series data from subscription inputs to create predictions through the long short-term memory neural network.Both of these methodologies were developed in a way that can be effectively applied to other cases of subscription revenue forecasting. The use of the Python programming language in data analysis projects ensured that the process was efficient and effective.

Λέξη κλειδί :	Πρόβλεψη Έσοδα Νευρωνικά δίκτυα Οικονομετρικό μοντέλο πρόβλεψης Χρονοσειρές Forecasting Revenue Neural Networks (NN) Econometric forecasting model Timeseries

Διαθέσιμο από :	2023-04-06 14:04:52

Ημερομηνία έκδοσης :	31-03-2023

Ημερομηνία κατάθεσης :	2023-04-06 14:04:52

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Chousou_2023.pdf

Τύπος: application/pdf

Chousou_2023.zip

Είσοδος