Μεθοδολογία πρόβλεψης της συμπεριφοράς καταναλωτών: Αγορά νέων προϊόντων

Δελής, Ανδρέας-Αλέξανδρος; Delis, Andreas-Alexandros

dc.contributor.author	Δελής, Ανδρέας-Αλέξανδρος	el
dc.contributor.author	Delis, Andreas-Alexandros	en
dc.date.accessioned	2023-12-11T10:21:14Z
dc.date.available	2023-12-11T10:21:14Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58432
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26128
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	Μηχανική Μάθηση	el
dc.subject	Μέθοδοι πρόβλεψης	el
dc.subject	Συστήματα προτάσεων	el
dc.subject	Αλγόριθμοι ομαδοποίησης	el
dc.subject	Machine learning	en
dc.subject	Recommendation systems	en
dc.subject	Forecasting Methods	en
dc.subject	Clustering algorithms	en
dc.subject	Αλγόριθμοι ομαδοποίησης	el
dc.subject	LightGBM	en
dc.subject	Random Forests	en
dc.subject	Artificial intelligence (AI)	en
dc.subject	Τεχνητή Νοημοσύνη	el
dc.title	Μεθοδολογία πρόβλεψης της συμπεριφοράς καταναλωτών: Αγορά νέων προϊόντων	el
dc.title	Methodology for predicting consumer behavior: Purchase of new products	el
dc.contributor.department	Μονάδας Προβλέψεων και Στρατηγικής, ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ & ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ	el
heal.type	bachelorThesis
heal.classification	Machine learning	en
heal.classification	Recommendation systems	en
heal.classification	Forecasting Methods	en
heal.classification	Μηχανική Μάθηση	el
heal.classification	Συστήματα προτάσεων	el
heal.classification	Μέθοδοι προβλέψεων	el
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Artificial intelligence (AI)	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-12
heal.abstract	Η ανάγκη για έγκαιρες και ακριβείς προβλέψεις της συμπεριφοράς των καταναλωτών καθώς και η ερμηνεία και αξιολόγηση αυτών, αποτελεί πρόκληση για κάθε εταιρεία ή οργανισμό που επιθυμεί να ικανοποιεί τους πελάτες του αλλά και να προσελκύει νέους καταναλωτές. Η παρούσα διπλωματική εργασία έχει ως στόχο την μελέτη και ανάπτυξη μιας ευρύτερης μεθολογίας επίτευξης του σκοπού αυτού. Δίνοντας ιδιαίτερη βαρύτητα σε τεχνικές μηχανικής μάθησης αλλά και σε αλγορίθμους collaborative-filtering, διερευνούμε τους τρόπους σύστασης ενός άρτιου εργαλείου, το οποίο θα μπορεί να χρησιμοποιηθεί για να παράγει προβλέψεις και να πραγματοποιεί προτάσεις σε υφιστάμενους ή νεοεισερχόμενους πελάτες μιας επιχείρησης σχετικά με τις μελλοντικές ανάγκες και προτιμήσεις τους. Ιδιαίτερα τα τελευταία χρόνια όπου ο όγκος των δεδομένων και της πληροφορίας παρουσιάζει εκθετική αύξηση, τεχνικές όπως αυτές που θα αναλυθούν στη συνέχεια, συνιστούν ένα ιδιαίτερα σημαντικό εργαλείο που μπορεί να χρησιμοποιηθεί για την στοχευμένη χάραξη προωθητικών ενεργειών αλλά και την ανάδειξη νέων δυνατοτήτων και αναγκών. Η βασική ιδέα της προτεινόμενης μεθοδολογίας είναι η αυτοματοποίηση της διαδικασίας παραγωγής προβλέψεων από σύνολα δεδομένων που αφορούν τη συμπεριφορά πελατών. Το προτεινόμενο πλαίσιο δέχεται ως είσοδο ένα σύνολο δεδομένων και παράγει ως έξοδο τις προβλέψεις για αυτά, καθώς και γραφικές παραστάσεις και μετρικές για την αξιολόγησή τους. Η μεθοδολογία αυτή περιλαμβάνει τέσσερα βήματα. Το πρώτο αφορά στην προεπεξεργασία των δεδομένων εισόδου και το μετασχηματισμό αυτών σε μορφή κατάλληλη για την καλύτερη εκπαίδευση των μοντέλων και αλγορίθμων πρόβλεψης. Στο δεύτερο βήμα πραγματοποιείται εκτενής διερέυνηση των τιμών των υπερπαραμέτρων των μοντέλων, που συνιστούν τον καλύτερο συνδυασμό και αποσκοπούν στη βελτιστοποίηση των παραγόμενων προβλέψεων. Στο τρίτο στάδιο, εξετάζονται και δοκιμάζονται οι συνδυασμοί που αναπτύχθηκαν για το εκάστοτε μοντέλο, ενώ καταγράφονται και επιλέγονται ως βέλτιστα τα μοντέλα με τα καλύτερα αποτελέσματα για τις διάφορες μετρικές επίδοσης. Τέλος, στο τέταρτο βήμα, αναλύεται και αξιολογείται το συνολικό μοντέλο που προέκυψε, με χρήση των παραγόμενων γραφικών παραστάσεων και μετρικών. Για την ανάπτυξη της μεθοδολογίας αυτής διεξήχθη μια εκτενής πειραματική διαδικασία, εξετάζοντας κάθε φορά διαφορετικές μεταβλητές και παραμέτρους του συστήματος. Για τα πειράματα χρησιμοποιήθηκαν δεδομένα του ομίλου επιχειρήσεων Santander Group ο οποίος αποτελεί μια Ισπανική πολυεθνική εταιρεία οικονομικών υπηρεσίων. Όλα τα δεδομένα προήλθαν από τον τραπεζικό τομέα του ομίλου και την Santander Bank, που περιλαμβάνει τα δεδομένα των χρηστών για τις ποικίλες υπηρεσίες που προσφέρει η ομώνυμη τράπεζα.	el
heal.abstract	The need for timely and accurate predictions of consumer behavior, as well as their interpretation and evaluation, is a challenge for every company or organization that aims to satisfy its customers and attract new consumers. This thesis aims to study and develop a broader methodology to achieve this goal. With special emphasis on machine learning techniques and collaborative filtering algorithms, we explore ways to recommend a comprehensive tool that can be used to generate predictions and make recommendations to existing or potential customers of a business regarding their future needs and preferences. Particularly in recent years, where the volume of data and information has experienced exponential growth, techniques such as those to be analyzed subsequently represent a particularly significant tool that can be used for targeted promotional actions, as well as the identification of new opportunities and needs. The main idea of the proposed methodology is the automation of the prediction generation process from datasets concerning customer behavior. The proposed framework takes a dataset as input and produces predictions for it, as well as graphical representations and metrics for their evaluation. This methodology includes four steps. The first step involves preprocessing the input data and transforming it into a suitable format for the optimal training of prediction models and algorithms. In the second step, an extensive exploration of the hyperparameter values of the models is performed, aiming to optimize the generated predictions. The third step involves examining and testing the combinations developed for each model, while recording and selecting the models with the best results for various performance metrics. Finally, in the fourth step, the overall model that emerged is analyzed and evaluated using the generated graphical representations and metrics. To develop this methodology, an extensive experimental process was conducted, examining different variables and system parameters each time. For the experiments, data from the Santander Group, a Spanish multinational financial services company, were used. All the data originated from the banking sector of the group and Santander Bank, which includes user data for the various services offered by the bank.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.advisorName	Asimakopoulos, Vasilios	en
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	129 σ.	el
heal.fullTextAvailability	false