Λογότυπο αποθετηρίου

Πλοήγηση ανά Συγγραφέα "Vioni, Konstantina"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Marketing analytics and operations analytics: the case of customer segmentation, market basket analysis and demand forecasting
    (2024-08-11) Βιώνη, Κωνσταντίνα; Vioni, Konstantina; Athens University of Economics and Business, Department of Management Science and Technology; Karlis, Dimitrios; Louridas, Panagiotis; Chatziantoniou, Damianos
    Η παρούσα διπλωματική εργασία πραγματοποιείται στο πλαίσιο του Μεταπτυχιακού Προγράμματος στην Επιχειρηματική Αναλυτική, με στόχο τη διερεύνηση των τομέων της Αναλυτικής Μάρκετινγκ και της Αναλυτικής Επιχειρησιακών Λειτουργιών, εστιάζοντας στον αντίκτυπό τους στις επιχειρήσεις.Στο πρώτο μέρος, θα γίνει ανασκόπηση της σχετικής βιβλιογραφίας σχετικά με τα Μεγάλα Δεδομένα (Big Data), την Επιχειρηματική Ευφυΐα (Business Intelligence), την Τεχνητή Νοημοσύνη (Artificial Intelligence), και τις αναλυτικές μεθόδους για ομαδοποίηση, κανόνες συσχέτισης, και πρόβλεψη ζήτησης. Στη φάση της εμπειρικής έρευνας, θα αναλυθεί ένα σύνολο δεδομένων από ένα κατάστημα λιανικής, εφαρμόζοντας την ανάλυση RFM (Recency, Frequency, Monetary) για την τμηματοποίηση των πελατών, εντοπίζοντας μοτίβα συναλλαγών μέσω της Ανάλυσης Καλαθιού Αγορών (Market Basket Analysis), και προβλέποντας τη μελλοντική ζήτηση μέσω της πρόβλεψης.Τα ευρήματα της παρούσας έρευνας αναμένεται να αναδείξουν τη σημασία των προηγμένων τεχνικών αναλυτικής για τη διαμόρφωση της επιχειρηματικής επιτυχίας. Με την ανάλυση της συμπεριφοράς των πελατών, οι επιχειρήσεις μπορούν να υλοποιήσουν στοχευμένες στρατηγικές μάρκετινγκ, να βελτιώσουν την ικανοποίηση των πελατών και να κατανείμουν τους πόρους πιο αποτελεσματικά. Οι πρακτικές εφαρμογές αυτής της έρευνας θα επιδείξουν τα πιθανά οφέλη της αναλυτικής στις επιχειρηματικές λειτουργίες.Για την ολοκλήρωση της μελέτης αυτής, χρησιμοποιήθηκε η Python για τον καθαρισμό των δεδομένων, το SAS Studio για την εφαρμογή τεχνικών εξόρυξης δεδομένων, όπως η τμηματοποίηση πελατών και η ανάλυση καλαθιού αγορών, το SAS Forecast Studio για την πρόβλεψη μελλοντικής ζήτησης, και το Power BI για τους σκοπούς της οπτικοποίησης.