Πλοήγηση ανά Επιβλέπων "Repoussis, Panagiotis"

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

Τώρα δείχνει 1 - 5 από 5

Food safety incident clustering to uncover common root causes
(07-03-2024) Vyzaniaris, Georgios; Βυζανιάρης, Γεώργιος; Athens University of Economics and Business, Department of Informatics; Stafylakis, Themos; Vassalos, Vasilios; Repoussis, Panagiotis
Στην παρούσα διπλωματική εργασία, πειραματιζόμαστε με μοντέλα μηχανικής μάθησης προσπαθώντας να ομαδοποιήσουμε γεγονότα που σχετίζονται με ανακλήσεις προϊόντων προερχόμενα από την ίδια πηγή. Ως ‘ανάκληση προϊόντος’ θεωρούμε οποιαδήποτε δράση για την επιστροφή ενός επικίνδυνου προϊόντος από τον παραγωγό, τον κατασκευαστή ή τον μεσάζοντα που έχει ήδη βγει στην αγορά για κατανάλωση. Οι ανακλήσεις προϊόντων που δουλέψαμε βρίσκονταν σε μορφή κειμένου δίνοντας μας πληροφορίες για την ημερομηνία του συμβάντος, το προϊόν, την αιτία ανάκλησης και τη χώρα προέλευσης. Αρχικά επεξεργαστήκαμε τα δεδομένα για να τα φέρουμε στη μορφή που θέλουμε. Στη συνέχεια εξερευνήσαμε τα δεδομένα για να λάβουμε χρήσιμες πληροφορίες για προχωρήσουμε στην χρησιμοποίηση μοντέλων μηχανικής μάθησης για την ομαδοποίησή τους. Στο πλαίσιο αυτής της εργασίας χρησιμοποιήθηκαν οι αλγόριθμοι K-Means, το ιεραρχικό μοντέλο, ο DBSCAN και ένας ‘υβριδικός’ μηχανισμός όπου αρχικά χρησιμοποιήθηκε ο DBSCAN ως ‘φίλτρο’ για να τροφοδοτήσει στη συνέχεια τον K-Means αλγόριθμο. Ως αποτέλεσμα παρατηρήσαμε ότι όλοι αλγόριθμοι ανταποκρίθηκαν επιτυχώς στην ομαδοποίηση περιστατικών κατά προϊόν, την αιτία ανάκλησης και την προέλευση του προϊόντος με τον ‘υβριδικό’ μηχανισμό να δίνει καλύτερα αποτελέσματα.
Optimizing decision-making in marketing: a comparative analysis of A/B Testing and Multi-armed bandit methods
(26-03-2024) Μαντζούνη , Αγγελική; Mantzouni, Angeliki; Athens University of Economics and Business, Department of Marketing and Communication; Baltas, George; Dimitriadis, Sergios; Repoussis, Panagiotis
Η παρούσα διατριβή διερευνά διάφορες μεθοδολογίες που χρησιμοποιούνται σε διαδικασίες λήψης αποφάσεων στον τομέα του μάρκετινγκ, με ιδιαίτερη έμφαση στην καθιερωμένη αποτελεσματικότητα του A/B testing και στην εξέταση της πιθανής βιωσιμότητας της μεθόδου multi-armed bandit ως εναλλακτική προσέγγιση. Λόγω των ραγδαίων εξελίξεων στην τεχνολογία, ιδιαίτερα με την έλευση της τεχνητής νοημοσύνης, είναι ζωτικής σημασίας για τις επιχειρήσεις να αναγνωρίσουν και να αξιοποιήσουν τις δυνατότητές της, να προσαρμόσουν και να ενισχύσουν τις επιχειρησιακές τους διαδικασίες για την επίτευξη επιτυχίας. Αυτή η μελέτη εμβαθύνει στον κεντρικό ρόλο που διαδραματίζει η μέθοδος multi-armed bandit στη σημαντική μείωση τόσο των χρονικών όσο και των οικονομικών δαπανών που σχετίζονται με την απόκτηση πρακτικών πληροφοριών, ιδιαίτερα σε σύγκριση με τον χρόνο και τη δαπανηρή φύση των δοκιμών A/B. Σε μια εποχή όπου οι επιχειρήσεις φιλοδοξούν να βελτιστοποιήσουν την αποδοτικότητα παίρνοντας έξυπνες αποφάσεις, η υιοθέτηση αυτής της μεθόδου αναδεικνύεται ως επιτακτική ανάγκη.
Product matching via supervised machine learning techniques
(14-12-2022) Παπαδόπουλος, Νικόλαος; Papadopoulos, Nikolaos; Athens University of Economics and Business, Department of Informatics; Koutroumbas, Konstantinos; Vassalos, Vasilios; Repoussis, Panagiotis
Στον τομέα του ηλεκτρονικού επιχειρείν και της παροχής συμβουλών, η καθημερινή ανάλυση μεγάλου όγκου πληροφοριών είναι απαραίτητη για την εξαγωγή συμπερασμάτων και την διερμηνεία καταστάσεων. Παρόλο που το ίδιο προϊόν μπορεί να περιγράφεται διαφορετικά από πολλούς πωλητές (retailers), είναι απαραίτητη η σύνδεση των διαφορετικών ερμηνειών/αναφορών ενός προϊόντος σε μια ενιαία οντότητα για μια επιτυχή ανάλυση. Σε αυτή τη διατριβή, έχουμε πειραματιστεί στη δημιουργία ενός αλγορίθμου και μοντέλου για να λύσουμε το πρόβλημα αντιστοίχισης προϊόντων (Product Matching). Για αυτό τον σκοπό, μας παρέχεται ένα σύνολο δεδομένων που αποτελείται από πολλά προϊόντα και την πραγματική αντιστοίχιση με ένα προϊόν στη βάση δεδομένων της εταιρείας. Αρχικά επιχειρούμε να προσεγγίσουμε το πρόβλημα ως πρόβλημα ταξινόμησης πολλαπλών κλάσεων, όπου κάθε προϊόν στα δεδομένα μας (Κομμάτι της βάσης δεδομένων της εταιρείας) έχει ένα μοναδικό αναγνωριστικό που χρησιμεύει ως τιμή στόχος για έναν ταξινομητή που χρησιμοποιεί το TF-IDF ως τεχνική εκπροσώπησης λέξεων. Οι αλγόριθμοι μηχανικής εκμάθησης που χρησιμοποιήθηκαν ήταν οι : Random Forest Classifier, KNearestNeigbors και RadiusNearestNeighbors. Τα αποτελέσματα της προσπάθειάς να λύσουμε το πρόβλημα ως εργασία ταξινόμησης πολλαπλών ετικετών δεν είναι ικανοποιητικά και δεδομένου ότι νέα προϊόντα εισάγονται καθημερινά, θα είναι ακόμη πιο δύσκολο να εκπαιδεύουμε πάλι τον ταξινομητή όταν λαμβάνουμε νέα προϊόντα κάτι που το καθιστά δύσκολο για να είναι η λύση στο πρόβλημα μας. Έπειτα, προσεγγίζουμε το πρόβλημα σαν ένα πρόβλημα της σύγκρισης προϊόντων ανά ζευγάρια (Με αποτέλεσμα 1 αν αντιπροσωπεύουν το ίδιο προϊόν ή 0 αν όχι) και εφαρμόζουμε ένα σχήμα ομαδοποίησης που βασίζεται στην επωνυμία του προϊόντος που εξάγουμε χρησιμοποιώντας το κείμενο της περιγραφής με έναν προσαρμοσμένο αλγόριθμο δημιουργίας μας. Με αυτό τον τρόπο αποφεύγουμε την σύγκριση κάθε προϊόντος με όλα τα προϊόντα της βάσης (τετραγωνική πολυπλοκότητα) και βάση αυτού, είμαστε σε θέση να εκχωρήσουμε σε οποιοδήποτε νέο προϊόν, τους πιθανούς υποψηφίους του από τη βάση δεδομένων μας. Έτσι, από ένα σύνολο δεδομένων (αρχικά δεδομένα) που αποτελούνταν μόνο από αντιστοιχίσεις, δημιουργήσαμε ένα εξαιρετικά ανισόρροπο σύνολο δεδομένων, που όμως μοιάζει με το πραγματικό σενάριο, με αντιστοιχίσεις και μη αντιστοιχίσεις που θα χρησιμοποιηθούν για εκπαίδευση των μοντέλων βαθιάς μάθησης. Σαν βάση απόδοσης (baseline) χρησιμοποιούμε μια βιβλιοθήκη που σχετίζεται με την ομοιότητα κειμένου σε επίπεδο λέξεων (Βασίζεται στην απόσταση Levenshtein). Στη συνέχεια, κατασκευάζουμε ένα Siamese BiLSTM δίκτυο και προσθέτουμε ένα προσαρμοσμένο νευρωνικό δίκτυο που λαμβάνει μια βαθμολογία ομοιότητας το οποίο, σε συνδυασμό με το πρώτο, θα καθορίζει εάν το ζευγάρι περιγραφών αναφέρεται στο ίδιο προϊόν. Για την τελική μας στρατηγική, χρησιμοποιούμε μοντέλα που βασίζονται σε μετασχηματιστές (transformers), συγκεκριμένα τα GreekBERT, και XLM-RoBERTa και μια προσαρμογή αυτών με προσαρμοσμένη κεφαλή ταξινόμησης (custom classification head) τα οποία αποτελούν βελτιώσεις σε σχέση με την προηγούμενη πρόταση, με το προσαρμοσμένο μοντέλο να καταλαμβάνει την πρώτη θέση σύμφωνα με τις μετρήσεις αξιολόγησής μας. Διεξάγοντας πολλές δοκιμές με διαφορετικές μεθόδους και μοντέλα σε μια προσπάθεια να αντιμετωπίσουμε το πρόβλημα αντιστοίχισης προϊόντων, μπορούμε να συμπεράνουμε ότι η προσέγγιση του προβλήματος ως ένα πρόβλημα δυαδικής ταξινόμησης (Binary Classification) και η υιοθέτηση των τεράστιων μοντέλων γλώσσας φαίνεται γενικά να είναι η βέλτιστη επιλογή. Τέλος, δείχνουμε πως η δημιουργία ενός προσαρμοσμένου επιπέδου ταξινόμησης (custom layer) μπορεί να βοηθήσει στη βελτίωση των επιδόσεων των μοντέλων.
Unraveling the relationship between SEO rankings and Google Search Ads performance
(04-10-2024) Τζιβελοπούλου, Χριστίνα-Παναγιώτα; Tzivelopoulou, Christina-Panagiota; Athens University of Economics and Business, Department of Marketing and Communication; Baltas, George; Saridakis, Charalampos (Babis); Repoussis, Panagiotis
Η παρούσα διπλωματική εργασία εξετάζει πώς οι κατατάξεις SEO επηρεάζουν την απόδοση των διαφημίσεων Google Search, αναλύοντας τη συνέργεια μεταξύ οργανικών και πληρωμένων στρατηγικών αναζήτησης. Η έρευνα αναδεικνύει ότι η υψηλότερη οργανική ορατότητα μπορεί να βελτιώσει την απόδοση των διαφημίσεων, αυξάνοντας τα ποσοστά κλικ (CTR) και μειώνοντας το κόστος ανά κλικ (CPC). Τονίζεται η σημασία μιας ενιαίας προσέγγισης που συνδυάζει SEO και διαφημίσεις Google Search για βέλτιστη ορατότητα, αξιοπιστία και οικονομική απόδοση. Οι περιορισμοί περιλαμβάνουν τις συνεχώς εξελισσόμενες αλγοριθμικές αλλαγές της Google και τις προκλήσεις μέτρησης. Μελλοντική έρευνα θα πρέπει να εστιάσει στην προσαρμογή των στρατηγικών σε αυτές τις αλλαγές και στην ανάλυση των επιπτώσεων σε διαφορετικές πλατφόρμες.
Voice of your customer analytics: gather customer's feedback and turn it into valuable data and insights at scale
(30-11-2022) Κωνσταντινίδης, Νικόλαος; Konstantinidis, Nikolaos; Athens University of Economics and Business, Department of Informatics; Ntzoufras, Ioannis; Repoussis, Panagiotis
Υπάρχουν πολλοί τρόποι να αποκτηθούν σχόλια πελατών, αλλά έτσι προκύπτει ανάγκη αποτελεσματικού τρόπου χρήσης τους. Εδώ παρουσιάζεται το πρόβλημα της πιθανής ύπαρξης μεγάλου όγκου δεδομένων, καθιστώντας αδύνατη τη χειροκίνητη επεξεργασία και μελέτη τους, ώστε να φτάσει σε ορθές επιχειρηματικές αποφάσεις. Το Voice of Customer Analytics στοχεύει να λύσει ακριβώς αυτό. Με τη χρήση τεχνικών μηχανικής μάθησης είναι δυνατό να απλοποιηθούν και να κατανοηθούν μεγάλος όγκος δεδομένων και να γίνει εξαγωγή γνώσης μέσα από αυτά. Τα δεδομένα που θα χρησιμοποιηθούν μπορεί να έχουν διάφορες μορφές. Μπορούν να είναι βαθμολογίες σε κάποιο ερωτηματολόγιο ή γραπτές κριτικές ή ακόμα και ηχογραφημένες κλήσεις και μηνύματα. Στην περίπτωσή μας, τα δεδομένα ήταν κριτικές για μία εταιρεία λιανικού εμπορίου και ηλεκτρονικού λιανικού εμπορίου από διάφορες ιστοσελίδες. Η συλλογή τους έγινε με χρήση της γλώσσας προγραμματισμού Python και της βιβλιοθήκης Selenium. Δεν συλλέχθηκαν αναγνωριστικά χρηστών που σχετίζονται με τους ιστότοπους, επομένως δεν γίνεται να αναγνωριστεί κάποιος από τους χρήστες που έγραψαν τις κριτικές μέσω αυτών.Το επόμενο βήμα ήταν η ανάλυση των δεδομένων προκειμένου να αναγνωριστούν τα συναισθήματα και οι σκέψεις των καταναλωτών σχετικά με τη συγκεκριμένη επιχείρηση λιανικού εμπορίου και την εμπειρία τους με αυτή. Για να επιτευχθεί αυτό, η μετάφραση των σχολίων στα αγγλικά βοήθησε πολύ, γιατί μετέτρεψε τα δεδομένα από πολύγλωσσα σε μονόγλωσσα. Έπειτα, η μαθηματική απεικόνιση των προτάσεων των κριτικών επέτρεψε την εύρεση των πιο τυπικών θεμάτων για τα οποία μιλάει ο κόσμος να γίνει με μέθοδο βασισμένη σε γράφο. Η ανάλυση έδωσε χρήσιμες πληροφορίες ως προς το ποια τμήματα της επιχειρησιακής δραστηριότητας της εταιρείας «Πλαίσιο» αφήνουν θετική εντύπωση στους πελάτες και ποια καταλήγουν σε παράπονα. Από επιχειρηματική άποψη, αυτό σημαίνει ότι η ανάλυση μπορεί να δείξει στην επιχείρηση ποια μέρη του τρόπου λειτουργίας της χρήζουν αλλαγών προκειμένου να προσελκύσουν περισσότερους πελάτες μέσω της καλής εμπειρίας που θα παρέχει δε αυτούς.