{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5306760"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5306760","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάλυση RFM και ομαδοποίηση πελατών με μεθόδους αναλυτικής δεδομένων: μελέτη περίπτωσης ενός E-SHOP","abstract":"Σε μία εποχή ψηφιοποίησης, όπου οι ηλεκτρονικές αγορές αυξάνονται διαρκώς — από απλά καθημερινά ψώνια έως και την αγορά πολυτελών προϊόντων — καθίσταται επιτακτική η ανάγκη των επιχειρήσεων να κατανοούν το αγοραστικό προφίλ των πελατών τους και να προχωρούν σε αποτελεσματική τμηματοποίησή τους. Η παρούσα διπλωματική εργασία αξιοποιεί μεθόδους μη εποπτευόμενης μηχανικής μάθησης, και συγκεκριμένα τον αλγόριθμο ομαδοποίησης K-Means, σε συνδυασμό με την ανάλυση RFM, για την κατηγοριοποίηση πελατών ηλεκτρονικού καταστήματος. Προηγείται διαδικασία καθαρισμού και προεπεξεργασίας των αρχικών δεδομένων, με στόχο τη δημιουργία ενός νέου συνόλου δεδομένων εμπλουτισμένου με παραμετροποιημένες μεταβλητές που ενισχύουν την αποτελεσματικότητα της RFM ανάλυσης. Βάσει του νέου αυτού συνόλου, εκτελείται πείραμα clustering, με τη συνδρομή μετρικών όπως η μέθοδος Elbow και το Silhouette Score, το οποίο καταλήγει στη δημιουργία έξι συστάδων πελατών. Στη συνέχεια, κατασκευάζεται ένα τελικό scorecard που συνοψίζει τα βασικά χαρακτηριστικά κάθε συστάδας, επιτρέποντας την ερμηνεία του αγοραστικού προφίλ των πελατών μέσω της RFM ανάλυσης. Τέλος, σε κάθε συστάδα αποδίδεται μία αντιπροσωπευτική RFM κατηγορία πελατών και προτείνονται στοχευμένες ενέργειες μάρκετινγκ, με βάση τα ευρήματα της ανάλυσης, για την ενίσχυση της επιχειρησιακής στρατηγικής.","abstract_html":"Σε μία εποχή ψηφιοποίησης, όπου οι ηλεκτρονικές αγορές αυξάνονται διαρκώς — από απλά καθημερινά ψώνια έως και την αγορά πολυτελών προϊόντων — καθίσταται επιτακτική η ανάγκη των επιχειρήσεων να κατανοούν το αγοραστικό προφίλ των πελατών τους και να προχωρούν σε αποτελεσματική τμηματοποίησή τους. Η παρούσα διπλωματική εργασία αξιοποιεί μεθόδους μη εποπτευόμενης μηχανικής μάθησης, και συγκεκριμένα τον αλγόριθμο ομαδοποίησης K-Means, σε συνδυασμό με την ανάλυση RFM, για την κατηγοριοποίηση πελατών ηλεκτρονικού καταστήματος. Προηγείται διαδικασία καθαρισμού και προεπεξεργασίας των αρχικών δεδομένων, με στόχο τη δημιουργία ενός νέου συνόλου δεδομένων εμπλουτισμένου με παραμετροποιημένες μεταβλητές που ενισχύουν την αποτελεσματικότητα της RFM ανάλυσης. Βάσει του νέου αυτού συνόλου, εκτελείται πείραμα clustering, με τη συνδρομή μετρικών όπως η μέθοδος Elbow και το Silhouette Score, το οποίο καταλήγει στη δημιουργία έξι συστάδων πελατών. Στη συνέχεια, κατασκευάζεται ένα τελικό scorecard που συνοψίζει τα βασικά χαρακτηριστικά κάθε συστάδας, επιτρέποντας την ερμηνεία του αγοραστικού προφίλ των πελατών μέσω της RFM ανάλυσης. Τέλος, σε κάθε συστάδα αποδίδεται μία αντιπροσωπευτική RFM κατηγορία πελατών και προτείνονται στοχευμένες ενέργειες μάρκετινγκ, με βάση τα ευρήματα της ανάλυσης, για την ενίσχυση της επιχειρησιακής στρατηγικής.","abstract_has_math":false,"creators":["ΚΡΥΟΥ ΕΥΘΥΜΙΑ","KRYOU EFTHYMIA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:17Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5306760"],"render_values":[{"text":"uoadl:5306760","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5306760","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5306760","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5306760","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΡΥΟΥ ΕΥΘΥΜΙΑ","KRYOU EFTHYMIA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5306760","https://pergamos.lib.uoa.gr/uoa/dl/object/5306760"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σε μία εποχή ψηφιοποίησης, όπου οι ηλεκτρονικές αγορές αυξάνονται διαρκώς — από απλά καθημερινά ψώνια έως και την αγορά πολυτελών προϊόντων — καθίσταται επιτακτική η ανάγκη των επιχειρήσεων να κατανοούν το αγοραστικό προφίλ των πελατών τους και να προχωρούν σε αποτελεσματική τμηματοποίησή τους. Η παρούσα διπλωματική εργασία αξιοποιεί μεθόδους μη εποπτευόμενης μηχανικής μάθησης, και συγκεκριμένα τον αλγόριθμο ομαδοποίησης K-Means, σε συνδυασμό με την ανάλυση RFM, για την κατηγοριοποίηση πελατών ηλεκτρονικού καταστήματος. Προηγείται διαδικασία καθαρισμού και προεπεξεργασίας των αρχικών δεδομένων, με στόχο τη δημιουργία ενός νέου συνόλου δεδομένων εμπλουτισμένου με παραμετροποιημένες μεταβλητές που ενισχύουν την αποτελεσματικότητα της RFM ανάλυσης. Βάσει του νέου αυτού συνόλου, εκτελείται πείραμα clustering, με τη συνδρομή μετρικών όπως η μέθοδος Elbow και το Silhouette Score, το οποίο καταλήγει στη δημιουργία έξι συστάδων πελατών. Στη συνέχεια, κατασκευάζεται ένα τελικό scorecard που συνοψίζει τα βασικά χαρακτηριστικά κάθε συστάδας, επιτρέποντας την ερμηνεία του αγοραστικού προφίλ των πελατών μέσω της RFM ανάλυσης. Τέλος, σε κάθε συστάδα αποδίδεται μία αντιπροσωπευτική RFM κατηγορία πελατών και προτείνονται στοχευμένες ενέργειες μάρκετινγκ, με βάση τα ευρήματα της ανάλυσης, για την ενίσχυση της επιχειρησιακής στρατηγικής.","In an era of digital transformation, where online shopping is constantly expanding—from everyday household purchases to luxury goods — the need for businesses to understand customer purchasing behavior and effectively segment their clientele has become imperative. This thesis leverages unsupervised machine learning methods, specifically the K-Means clustering algorithm combined with RFM analysis, to categorize customers of an e-commerce store. The process begins with data cleaning and preprocessing, aiming to create an enhanced dataset with customized variables that improve the accuracy and interpretability of the RFM model. Based on this enriched dataset, a clustering experiment is conducted, utilizing evaluation metrics such as the Elbow method and the Silhouette Score. The analysis results in the formation of six distinct customer clusters. A final scorecard is then developed, summarizing the key characteristics of each cluster, which facilitates the profiling of customer behavior through RFM analysis. Each cluster is assigned a representative RFM category, and targeted marketing strategies are proposed, based on the insights gained, to support business decisionmaking and enhance operational strategy."]},{"key":"dc:title","label":"Title","values":["Ανάλυση RFM και ομαδοποίηση πελατών με μεθόδους αναλυτικής δεδομένων: μελέτη περίπτωσης ενός E-SHOP"]}]}],"canonical_facts":{"dc:creator":["ΚΡΥΟΥ ΕΥΘΥΜΙΑ","KRYOU EFTHYMIA"],"dc:date":["2025"],"dc:description":["Σε μία εποχή ψηφιοποίησης, όπου οι ηλεκτρονικές αγορές αυξάνονται διαρκώς — από απλά καθημερινά ψώνια έως και την αγορά πολυτελών προϊόντων — καθίσταται επιτακτική η ανάγκη των επιχειρήσεων να κατανοούν το αγοραστικό προφίλ των πελατών τους και να προχωρούν σε αποτελεσματική τμηματοποίησή τους. Η παρούσα διπλωματική εργασία αξιοποιεί μεθόδους μη εποπτευόμενης μηχανικής μάθησης, και συγκεκριμένα τον αλγόριθμο ομαδοποίησης K-Means, σε συνδυασμό με την ανάλυση RFM, για την κατηγοριοποίηση πελατών ηλεκτρονικού καταστήματος. Προηγείται διαδικασία καθαρισμού και προεπεξεργασίας των αρχικών δεδομένων, με στόχο τη δημιουργία ενός νέου συνόλου δεδομένων εμπλουτισμένου με παραμετροποιημένες μεταβλητές που ενισχύουν την αποτελεσματικότητα της RFM ανάλυσης. Βάσει του νέου αυτού συνόλου, εκτελείται πείραμα clustering, με τη συνδρομή μετρικών όπως η μέθοδος Elbow και το Silhouette Score, το οποίο καταλήγει στη δημιουργία έξι συστάδων πελατών. Στη συνέχεια, κατασκευάζεται ένα τελικό scorecard που συνοψίζει τα βασικά χαρακτηριστικά κάθε συστάδας, επιτρέποντας την ερμηνεία του αγοραστικού προφίλ των πελατών μέσω της RFM ανάλυσης. Τέλος, σε κάθε συστάδα αποδίδεται μία αντιπροσωπευτική RFM κατηγορία πελατών και προτείνονται στοχευμένες ενέργειες μάρκετινγκ, με βάση τα ευρήματα της ανάλυσης, για την ενίσχυση της επιχειρησιακής στρατηγικής.","In an era of digital transformation, where online shopping is constantly expanding—from everyday household purchases to luxury goods — the need for businesses to understand customer purchasing behavior and effectively segment their clientele has become imperative. This thesis leverages unsupervised machine learning methods, specifically the K-Means clustering algorithm combined with RFM analysis, to categorize customers of an e-commerce store. The process begins with data cleaning and preprocessing, aiming to create an enhanced dataset with customized variables that improve the accuracy and interpretability of the RFM model. Based on this enriched dataset, a clustering experiment is conducted, utilizing evaluation metrics such as the Elbow method and the Silhouette Score. The analysis results in the formation of six distinct customer clusters. A final scorecard is then developed, summarizing the key characteristics of each cluster, which facilitates the profiling of customer behavior through RFM analysis. Each cluster is assigned a representative RFM category, and targeted marketing strategies are proposed, based on the insights gained, to support business decisionmaking and enhance operational strategy."],"dc:identifier":["uoadl:5306760","https://pergamos.lib.uoa.gr/uoa/dl/object/5306760"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανάλυση RFM και ομαδοποίηση πελατών με μεθόδους αναλυτικής δεδομένων: μελέτη περίπτωσης ενός E-SHOP"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:17Z"}