{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5309814"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5309814","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Συγκριτική ανάλυση αλγορίθμων μηχανικής μάθησης για την πρόβλεψη αποχώρησης πελατών στον τομέα των τηλεπικοινωνιών","abstract":"Η παρούσα διπλωματική εργασία μελετά τη συγκριτική ανάλυση τριών αλγορίθμων μηχανικής μάθησης για την πρόβλεψη αποχώρησης πελατών στον κλάδο των τηλεπικοινωνιών. Συγκεκριμένα, εξετάζονται οι αλγόριθμοι Random Forest, Decision Trees και Support Vector Machines, αναπτύσσοντας αξιόπιστα μοντέλα πρόβλεψης. Για την ανάλυση της εργασίας χρησιμοποιείται ένα ανοιχτό σύνολο δεδομένων της IBM, περιέχοντας πληροφορίες τόσο για τη συμπεριφορά των πελατών όσο και για τα μοτίβα που οδηγούν στην αποχώρηση. Με τη λεπτομερή ανασκόπηση της βιβλιογραφίας, παρουσιάζονται οι σύγχρονες προσεγγίσεις στην πρόγνωση αποχώρησης και ταυτόχρονα, οι προκλήσεις που αντιμετωπίζει ο επιχειρηματικός κλάδος στο επίπεδο της διατήρησης των πελατών. Η ανάλυση πραγματοποιήθηκε μέσω της διαδικασίας προεπεξεργασίας των δεδομένων, την εφαρμογή μηχανικής μετατροπής μερικών από των χαρακτηριστικών και την αξιολόγηση των δεικτών, Ακρίβεια, Βαθμολογία F1 και Ανάκληση. Tέλος, στόχος της εργασίας είναι η ενίσχυση των στρατηγικών CRM, προσφέροντας προτάσεις βελτίωσης για τη διατήρηση των υπαρχόντων πελατών και την αύξηση του ανταγωνιστικού πλεονεκτήματος στον κλάδο των τηλεπικοινωνιών.","abstract_html":"Η παρούσα διπλωματική εργασία μελετά τη συγκριτική ανάλυση τριών αλγορίθμων μηχανικής μάθησης για την πρόβλεψη αποχώρησης πελατών στον κλάδο των τηλεπικοινωνιών. Συγκεκριμένα, εξετάζονται οι αλγόριθμοι Random Forest, Decision Trees και Support Vector Machines, αναπτύσσοντας αξιόπιστα μοντέλα πρόβλεψης. Για την ανάλυση της εργασίας χρησιμοποιείται ένα ανοιχτό σύνολο δεδομένων της IBM, περιέχοντας πληροφορίες τόσο για τη συμπεριφορά των πελατών όσο και για τα μοτίβα που οδηγούν στην αποχώρηση. Με τη λεπτομερή ανασκόπηση της βιβλιογραφίας, παρουσιάζονται οι σύγχρονες προσεγγίσεις στην πρόγνωση αποχώρησης και ταυτόχρονα, οι προκλήσεις που αντιμετωπίζει ο επιχειρηματικός κλάδος στο επίπεδο της διατήρησης των πελατών. Η ανάλυση πραγματοποιήθηκε μέσω της διαδικασίας προεπεξεργασίας των δεδομένων, την εφαρμογή μηχανικής μετατροπής μερικών από των χαρακτηριστικών και την αξιολόγηση των δεικτών, Ακρίβεια, Βαθμολογία F1 και Ανάκληση. Tέλος, στόχος της εργασίας είναι η ενίσχυση των στρατηγικών CRM, προσφέροντας προτάσεις βελτίωσης για τη διατήρηση των υπαρχόντων πελατών και την αύξηση του ανταγωνιστικού πλεονεκτήματος στον κλάδο των τηλεπικοινωνιών.","abstract_has_math":false,"creators":["ΓΙΑΝΝΙΟΥ ΣΠΥΡΙΔΟΥΛΑ-ΚΥΡΙΑΚΗ","GIANNIOU SPYRIDOULA-KYRIAKI"],"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":"2026-11-19T06:40:39Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5309814"],"render_values":[{"text":"uoadl:5309814","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5309814","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5309814","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%3A5309814","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΓΙΑΝΝΙΟΥ ΣΠΥΡΙΔΟΥΛΑ-ΚΥΡΙΑΚΗ","GIANNIOU SPYRIDOULA-KYRIAKI"]}]},{"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:5309814","https://pergamos.lib.uoa.gr/uoa/dl/object/5309814"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία μελετά τη συγκριτική ανάλυση τριών αλγορίθμων μηχανικής μάθησης για την πρόβλεψη αποχώρησης πελατών στον κλάδο των τηλεπικοινωνιών. Συγκεκριμένα, εξετάζονται οι αλγόριθμοι Random Forest, Decision Trees και Support Vector Machines, αναπτύσσοντας αξιόπιστα μοντέλα πρόβλεψης. Για την ανάλυση της εργασίας χρησιμοποιείται ένα ανοιχτό σύνολο δεδομένων της IBM, περιέχοντας πληροφορίες τόσο για τη συμπεριφορά των πελατών όσο και για τα μοτίβα που οδηγούν στην αποχώρηση. Με τη λεπτομερή ανασκόπηση της βιβλιογραφίας, παρουσιάζονται οι σύγχρονες προσεγγίσεις στην πρόγνωση αποχώρησης και ταυτόχρονα, οι προκλήσεις που αντιμετωπίζει ο επιχειρηματικός κλάδος στο επίπεδο της διατήρησης των πελατών. Η ανάλυση πραγματοποιήθηκε μέσω της διαδικασίας προεπεξεργασίας των δεδομένων, την εφαρμογή μηχανικής μετατροπής μερικών από των χαρακτηριστικών και την αξιολόγηση των δεικτών, Ακρίβεια, Βαθμολογία F1 και Ανάκληση. Tέλος, στόχος της εργασίας είναι η ενίσχυση των στρατηγικών CRM, προσφέροντας προτάσεις βελτίωσης για τη διατήρηση των υπαρχόντων πελατών και την αύξηση του ανταγωνιστικού πλεονεκτήματος στον κλάδο των τηλεπικοινωνιών.","This thesis studies the comparative analysis of three machine learning algorithms for customer churn prediction in the telecommunications industry. Specifically, Random Forest, Decision Trees and Support Vector Machines algorithms are examined, developing reliable prediction models. An open data set from IBM is used to analyze the work, containing information on both customer behavior and churn patterns. With the detailed review of the literature, the current approaches to churn prediction are presented and at the same time, the challenges faced by the business sector at the level of customer retention. The analysis was carried out through the process of pre-processing the data, applying mechanical transformation of some of the features and evaluating the indices, Precision, F1 Score and Recall. Finally, the aim of the work is to strengthen CRM strategies, offering improvement proposals to retain existing customers and increase competitive advantage in the telecommunications industry."]},{"key":"dc:title","label":"Title","values":["Συγκριτική ανάλυση αλγορίθμων μηχανικής μάθησης για την πρόβλεψη αποχώρησης πελατών στον τομέα των τηλεπικοινωνιών"]}]}],"canonical_facts":{"dc:creator":["ΓΙΑΝΝΙΟΥ ΣΠΥΡΙΔΟΥΛΑ-ΚΥΡΙΑΚΗ","GIANNIOU SPYRIDOULA-KYRIAKI"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία μελετά τη συγκριτική ανάλυση τριών αλγορίθμων μηχανικής μάθησης για την πρόβλεψη αποχώρησης πελατών στον κλάδο των τηλεπικοινωνιών. Συγκεκριμένα, εξετάζονται οι αλγόριθμοι Random Forest, Decision Trees και Support Vector Machines, αναπτύσσοντας αξιόπιστα μοντέλα πρόβλεψης. Για την ανάλυση της εργασίας χρησιμοποιείται ένα ανοιχτό σύνολο δεδομένων της IBM, περιέχοντας πληροφορίες τόσο για τη συμπεριφορά των πελατών όσο και για τα μοτίβα που οδηγούν στην αποχώρηση. Με τη λεπτομερή ανασκόπηση της βιβλιογραφίας, παρουσιάζονται οι σύγχρονες προσεγγίσεις στην πρόγνωση αποχώρησης και ταυτόχρονα, οι προκλήσεις που αντιμετωπίζει ο επιχειρηματικός κλάδος στο επίπεδο της διατήρησης των πελατών. Η ανάλυση πραγματοποιήθηκε μέσω της διαδικασίας προεπεξεργασίας των δεδομένων, την εφαρμογή μηχανικής μετατροπής μερικών από των χαρακτηριστικών και την αξιολόγηση των δεικτών, Ακρίβεια, Βαθμολογία F1 και Ανάκληση. Tέλος, στόχος της εργασίας είναι η ενίσχυση των στρατηγικών CRM, προσφέροντας προτάσεις βελτίωσης για τη διατήρηση των υπαρχόντων πελατών και την αύξηση του ανταγωνιστικού πλεονεκτήματος στον κλάδο των τηλεπικοινωνιών.","This thesis studies the comparative analysis of three machine learning algorithms for customer churn prediction in the telecommunications industry. Specifically, Random Forest, Decision Trees and Support Vector Machines algorithms are examined, developing reliable prediction models. An open data set from IBM is used to analyze the work, containing information on both customer behavior and churn patterns. With the detailed review of the literature, the current approaches to churn prediction are presented and at the same time, the challenges faced by the business sector at the level of customer retention. The analysis was carried out through the process of pre-processing the data, applying mechanical transformation of some of the features and evaluating the indices, Precision, F1 Score and Recall. Finally, the aim of the work is to strengthen CRM strategies, offering improvement proposals to retain existing customers and increase competitive advantage in the telecommunications industry."],"dc:identifier":["uoadl:5309814","https://pergamos.lib.uoa.gr/uoa/dl/object/5309814"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Συγκριτική ανάλυση αλγορίθμων μηχανικής μάθησης για την πρόβλεψη αποχώρησης πελατών στον τομέα των τηλεπικοινωνιών"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:39Z"}