Μελέτη σκοπιμότητας και διερεύνηση των δυνατοτήτων του διαδικτυακού εργαλείου Google Trends για την πρόγνωση πωλήσεων οχημάτων στην Ελλάδα

Ζούλφος, Λουκάς; Zoulfos, Loukas

dc.contributor.author	Ζούλφος, Λουκάς	el
dc.contributor.author	Zoulfos, Loukas	en
dc.date.accessioned	2022-02-10T10:42:57Z
dc.date.available	2022-02-10T10:42:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54664
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22362
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πρόγνωση	el
dc.subject	Forecasting	en
dc.subject	Δεδομένα διαδικτυακών αναζητήσεων	el
dc.subject	Online search data	en
dc.subject	Google trends	en
dc.subject	Προγνωστικά μοντέλα	el
dc.subject	Predictive modeling	en
dc.subject	Predictive analytics	en
dc.subject	Πωλήσεις οχημάτων	el
dc.subject	Vehicle sales	en
dc.subject	Ιστοσελίδα google trends	el
dc.title	Μελέτη σκοπιμότητας και διερεύνηση των δυνατοτήτων του διαδικτυακού εργαλείου Google Trends για την πρόγνωση πωλήσεων οχημάτων στην Ελλάδα	el
heal.type	bachelorThesis
heal.classification	Πρόγνωση	el
heal.classification	Forecasting	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-11
heal.abstract	Η χρήση του διαδικτύου συνεχώς αυξάνεται, ολοένα και περισσότεροι άνθρωποι το χρησιμοποιούν καθημερινά σχεδόν σε κάθε δραστηριότητα της ζωής τους. Αφιερώνουν σημαντικά μεγάλο μέρος του χρόνου τους σε αυτό, καθιστώντας το σε κάτι παραπάνω από ένα απλό εργαλείο. Μια από τις κύριες χρήσεις του διαδικτύου αποτελεί η διενέργεια αναζητήσεων για πληροφορίες αγαθών και υπηρεσιών μέσω μηχανών αναζήτησης. Ο όγκος των δεδομένων των διαδικτυακών αναζητήσεων είναι τεράστιος. Η παρούσα διπλωματική εργασία προσπαθεί να εξετάσει αν αυτά τα δεδομένα διαδικτυακών αναζητήσεων και συγκεκριμένα αυτά που προέρχονται από την πλατφόρμα Google Trends, μπορούν να αποτυπώσουν επιτυχώς το ενδιαφέρον των καταναλωτών για αγορά προϊόντων όπως είναι τα αυτοκίνητα. Στην ουσία μελετά σε ποιο βαθμό τα δεδομένα Google Trends έχουν προγνωστική ισχύ, όσον αφορά την πρόβλεψη πωλήσεων αυτοκινήτων στην Ελλάδα. Η πρόγνωση πωλήσεων αποτελεί βασική συνιστώσα ενός αποτελεσματικού σχεδιασμού παραγωγής και κατά συνέπεια της λήψης βέλτιστων αποφάσεων ιδιαίτερα στο κλάδο της αυτοκινητοβιομηχανίας. Για το σκοπό αυτό δημιουργείται ένας αριθμός προγνωστικών μοντέλων βασισμένα σε ποικίλες τεχνικές πρόβλεψης εισάγοντας δεδομένα από το Google Trends αλλά και διάφορες άλλες οικονομικές μεταβλητές. Πιο συγκεκριμένα για κάθε μια από τις τέσσερις μάρκες αυτοκινήτων που μελετώνται στην παρούσα εργασία, διεξάγονται μηνιαίες προβλέψεις χρονικού ορίζοντα 12 μηνών για καθορισμένο χρονικό διάστημα. Η απόδοση κάθε μοντέλου αξιολογείται με τον υπολογισμό αποκλίσεων ανάμεσα στις προβλέψεις του και στις πραγματικές παρατηρήσεις για αυτό το διάστημα. Κρίνοντας από τα αποτελέσματα της διαδικασίας διεξαγωγής προβλέψεων, στη παρούσα εργασία επετεύχθη η δημιουργία προγνωστικού μοντέλου με την εισαγωγή δεδομένων Google Trends το οποίο κατάφερε να ξεπεράσει σε απόδοση παραδοσιακές μεθόδους πρόβλεψης κατά 17%. Επίσης στις περισσότερες περιπτώσεις ―πλην ορισμένων εξαιρέσεων― η εισαγωγή τέτοιων δεδομένων βελτίωσε έστω και σε μικρό βαθμό την ακρίβεια των προβλέψεων. Συνεπώς φαίνεται ότι τα δεδομένα Google Trends έχουν σημαντική προγνωστική ισχύ, σε κάποιες περιπτώσεις τουλάχιστον. Τα αποτελέσματα της παρούσας εργασίας καταδεικνύουν τη χρησιμότητα των δεδομένων διαδικτυακών αναζητήσεων για τη δημιουργία προγνωστικών μοντέλων, τα οποία μπορούν να χρησιμοποιηθούν από τις αυτοκινητοβιομηχανίες σαν προσθήκη στις ήδη υπάρχουσες παραδοσιακές μεθόδους πρόβλεψης. Ακόμα επισημαίνεται η αξία της πληροφορίας που μπορεί να εξαχθεί από τέτοιου είδους δεδομένα και γίνονται προτάσεις για μελλοντική διερεύνηση τρόπων που ίσως καταστήσουν αποτελεσματικότερη την εκμετάλλευση της.	el
heal.abstract	The use of the internet is constantly increasing, more and more people use it every day in almost every activity of their life. They spend a considerable amount of time on it, making it more than just a tool. One of the main uses of the internet is to search for information on goods and services through search engines. The volume of internet search data is huge. This dissertation seeks to examine whether these online search data, and in particular those derived from the Google Trends platform, can successfully capture the interest of consumers in purchasing products such as cars. Actually, it studies the extent to which Google Trends data have predictive power, in terms of forecasting car sales in Greece. Sales forecasting is a key component of effective production planning and consequently of optimal decision making especially in the automotive industry. For this purpose, a number of forecasting models have been created based on various forecasting techniques by entering data from Google Trends and several other economic variables. More specifically, for each of the four car brands studied in the present thesis, monthly forecasts have been made with 12 month time horizon for a specified period of time. The performance of each model is evaluated by calculating the discrepancies between its forecasts and the actual observations for this period. Judging by the results of the forecasting process, in the present dissertation a forecasting model was created using Google Trends data and managed to outperform traditional forecasting methods by 17%. Also in most cases ―with a few exceptions― the introduction of such data has improved the accuracy of the predictions, albeit to a small extent. So it seems that Google Trends data have significant predictive power, at least in some cases. The results of this thesis demonstrate the usefulness of online search data in construction of predictive models, which can be used by the automotive industry as an addition to the existing traditional forecasting methods. The value of the information that can be extracted from such data is also pointed out and suggestions have been made for future exploration of ways that may make its exploitation more effective.	en
heal.advisorName	Πόνης, Σταύρος	el
heal.committeeMemberName	Παναγιώτου, Νικόλαος	el
heal.committeeMemberName	Ναθαναήλ, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Βιομηχανικής Διοίκησης και Επιχειρησιακής Έρευνας	el
heal.academicPublisherID	ntua
heal.numberOfPages	127 σ.	el
heal.fullTextAvailability	false