ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη
Συλλογές :

Τίτλος :A business application of a regression model for apartment rental ads pricing
Εναλλακτικός τίτλος :Μία επιχειρηματική εφαρμογή ενός μοντέλου παλινδρόμησης για την εκτίμηση της αναγραφόμενης τιμής των αγγελιών ενοικίασης διαμερισμάτων
Δημιουργός :Κουκλινός, Αντώνης
Kouklinos, Antonis
Συντελεστής :Καρλής, Δημήτριος (Επιβλέπων καθηγητής)
Athens School of Economics and Business, Department of Informatics (Degree granting institution)
Τύπος :Text
Φυσική περιγραφή :60p.
Γλώσσα :en
Αναγνωριστικό :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7823
Περίληψη :Ο σκοπός της παρούσας εργασίας είναι η εξέταση των τιμών ενοικίασης διαμερισμάτων της Ελληνικής αγοράς, εστιάζοντας στη δημιουργία ενός μοντέλου επεξήγησης και πρόβλεψης της ‘δίκαιης’ τιμής ενοικίου όπως αυτή εμφανίζεται σε μία διαδικτυακή αγγελία.Συνδυάζοντας τις γνώσεις του ΜΠΣ Επιχειρηματικής Ανάλυσης, επιχειρείται μία ολιστική προσέγγιση του θέματος και όχι μία εξειδικευμένη στατιστική μέθοδος δημιουργίας ενός μοντέλου πρόβλεψης.Στην παραγραφο (Ι) μνημονεύεται η βιβλιογραφία που παρουσιάζει πρόσφατες μελέτες που χρησιμοποιήθηκαν ώς οδηγοί για την επιλογή των μεταβλητών που ορίζουν την τιμή ενοικίασης και θα χρησιμοποιηθούν στο στατιστικό μοντέλο. Στις παραγράφους (ΙΙ) και (ΙΙΙ) εφαρμόζεται μέρος της θεωρίας και των πρακτικών που καλύφτηκαν στα μαθήματα διαχείρισης δεδομένων για τη δημιουργία του συνόλου των δεδομένων που θα χρησιμοποιηθούν για την ανάλυση της αγοράς ενοικίασης διαμερισμάτων και τη δημιουργία του μοντέλου.Στην παράγραφο (ΙΙ) εξηγείται ο τρόπος εξαγωγής των δεδομένων από τις ιστοσελίδες όπου αναρτώνται οι αγγελίες ενοικίασης διαμερισμάτων, ενώ στην παράγραφο(ΙΙΙ) περιγράφεται η διαδικασία τροποποίησης των δεδομένων ώστε να αποθηκευτούν με την κατάλληλη μορφή στην αποθήκη δεδομένων.Sections (IV) and (V) use the statistical methods taught in the relevant courses in order to examine the dataset, build the forecasting model and test its credibility. Στις παραγράφους (IV) και (V) το σύνολο των δεδομένων εξετάζεται βάσει των στατιστικών αναλύσεων, δημιουργείται το μοντέλο πρόβλεψης και γίνονται οι έλεγχοι της αξιοπιστίας του.Οι παράγραφοι (VI) και (VII) χρησιμοποιούν τεχνικές απεικόνισης των δεδομένων κατά τη δημιουργία μίας οθόνης διεπαφής για τη χρήση του μοντέλου ως εργαλείου πρόβλεψης της τιμής ενοικίου.Τέλος, η παράγραφος (VIII) παρουσίαζει τον τρόπο με τον οποίο η παρούσα εργασία μπορεί να ενσωματωθεί σε ένα επιχειρηματικό μοντέλο καθώς και τις διαδικασίες για τη συνεχή ενημέρωση των δεδομένων και ανανέωση του μοντέλου.
The scope of this study is to examine the apartment rentals section of the real estate market in Greece focusing on developing a model that will explain and predict the fair price of a rental. Combining the knowledge provided in the Masters Courses, there would be a holistic approach to the subject and not a strictly scientific statistical method of developing a forecasting model. In Section (I) the Literature Review will present the recent studies that were used as a reference during the process of variable selection and transformation in order to build the optimal model. Sections (II) and (III) utilize the theory and practices of Data Management and Big Data courses in order to create the dataset that will be used for analysing the apartment rental market and for developing the model. Section (II) explains how the data are extracted from the websites that ads are uploaded and Section (III) describes the process through which the raw data that were extracted from the internet are transformed and loaded with the desired form in a data warehouse. Sections (IV) and (V) use the statistical methods taught in the relevant courses in order to examine the dataset, build the forecasting model and test its credibility. Sections (VI) and (VII) use Business Intelligence techniques and tools in order to present the insights of the data through visualizations and a user interface for the forecasting model. Finally, Section (VIII) presents how this study can fit in a business, explaining the real time processes that will embed this work in a website that will act as an e-real estate agent.
Λέξη κλειδί :Τιμή ενοικίασης
Μοντέλο πρόβλεψης
Ανίχνευση δεδομένων
Εξαγωγή δεδομένων
Rental price
Forecasting model
Data crawler
Data scraper
Διαθέσιμο από :2020-05-03 22:57:23
Ημερομηνία έκδοσης :31-03-2020
Ημερομηνία κατάθεσης :2020-05-03 22:57:23
Δικαιώματα χρήσης :Free access
Άδεια χρήσης :

Αρχείο: Kouklinos_2020.pdf

Τύπος: application/pdf