{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5315932"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5315932","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Optimizing Search Engine Marketing Performance","abstract":"Η Διαφήμιση μέσω Μηχανών Αναζήτησης (Search Engine Marketing, SEM) αποτελεί βασικό στοιχείο των σύγχρονων στρατηγικών ψηφιακού μάρκετινγκ, με το διαφημιστικό κείμενο να παίζει καθοριστικό ρόλο στην απόδοση των καμπανιών. Η δημιουργία ποιοτικού διαφημιστικού κειμένου, ωστόσο, απαιτεί χρόνο και είναι υποκειμενική, καθώς χρειάζεται να ισορροπήσει μεταξύ δημιουργικότητας και τήρησης των οδηγιών της μάρκας. Αυτή η μεταπτυχιακή εργασία εξετάζει τη δυνατότητα αξιοποίησης Μεγάλων Γλωσσικών Μοντέλων (Large Language Models, LLMs) για τη βελτιστοποίηση της διαδικασίας συγγραφής αποτελεσματικού διαφημιστικού κειμένου για καμπάνιες SEM, με στόχο τη βελτίωση της αποδοτικότητας και της απόδοσης. Η προτεινόμενη λύση είναι μια διαδικτυακή εφαρμογή που δημιουργεί αυτόματα διαφημιστικά κείμενα για διαφημίσεις σε μηχανές αναζήτησης. Οι διαφημιστές εισάγουν ελάχιστα δεδομένα που αφορούν τη μάρκα όπως IDs λογαριασμών και ομάδων διαφημίσεων, λέξεις-κλειδιά και προαιρετικές οδηγίες ενώ το σύστημα προσαρμόζεται ώστε να εφαρμόζεται σε διάφορους κλάδους και τύπους καμπανιών. Στη συνέχεια, η εφαρμογή δημιουργεί πολλαπλούς τίτλους και περιγραφές διαφημίσεων, διασφαλίζοντας τη συμμόρφωση με τις προκαθορισμένες απαιτήσεις λέξεων-κλειδιών. Για την αξιολόγηση της αποτελεσματικότητας του κειμένου που δημιουργείται από LLMs, πραγματοποιείται μια δοκιμή A/B, συγκρίνοντας την απόδοσή του με το κείμενο που δημιουργείται από ανθρώπους. Ο κύριος δείκτης μέτρησης είναι το Ποσοστό Μετατροπών (Conversion Rate), το οποίο ορίζεται ως το ποσοστό των χρηστών που προχώρησαν στην επιθυμητή ενέργεια της καμπάνιας μετά το κλικ στη διαφήμιση, όπως η συμπλήρωση μιας φόρμας εκδήλωσης ενδιαφέροντος στο πείραμα των μεταμοσχεύσεων μαλλιών ή η ολοκλήρωση μιας online παραγγελίας στην καμπάνια του delivery. Η επιλογή του συγκεκριμένου δείκτη έγινε διότι αποτυπώνει άμεσα την ποιότητα και την πειστικότητα του διαφημιστικού κειμένου, αξιολογώντας την ικανότητά του να οδηγεί σε ουσιαστικά επιχειρηματικά αποτελέσματα και όχι απλώς σε δείκτες εμπλοκής όπως τα κλικ. Στόχος της μελέτης είναι να διατηρηθεί ή να βελτιωθεί αυτή η απόδοση, επιτυγχάνοντας παράλληλα σημαντική εξοικονόμηση χρόνου μέσω της αυτοματοποίησης της διαδικασίας δημιουργίας διαφημιστικών κειμένων. Τα αποτελέσματα δείχνουν τη δυνατότητα των LLMs να απλοποιήσουν τη διαδικασία συγγραφής διαφημιστικού κειμένου, διατηρώντας ή βελτιώνοντας την απόδοση της καμπάνιας. Ωστόσο, η υποκειμενική φύση της ποιότητας του κειμένου εισάγει προκλήσεις, οι οποίες αντιμετωπίζονται μέσω προσεκτικής διαμόρφωσης των προτροπών (prompt engineering) και εξατομίκευσης για κάθε μάρκα. Αυτή η διατριβή συμβάλλει στην αυξανόμενη έρευνα για εργαλεία μάρκετινγκ που βασίζονται στην τεχνητή νοημοσύνη και παρέχει πρακτικές γνώσεις για τη βελτιστοποίηση στρατηγικών SEM.","abstract_html":"Η Διαφήμιση μέσω Μηχανών Αναζήτησης (Search Engine Marketing, SEM) αποτελεί βασικό στοιχείο των σύγχρονων στρατηγικών ψηφιακού μάρκετινγκ, με το διαφημιστικό κείμενο να παίζει καθοριστικό ρόλο στην απόδοση των καμπανιών. Η δημιουργία ποιοτικού διαφημιστικού κειμένου, ωστόσο, απαιτεί χρόνο και είναι υποκειμενική, καθώς χρειάζεται να ισορροπήσει μεταξύ δημιουργικότητας και τήρησης των οδηγιών της μάρκας. Αυτή η μεταπτυχιακή εργασία εξετάζει τη δυνατότητα αξιοποίησης Μεγάλων Γλωσσικών Μοντέλων (Large Language Models, LLMs) για τη βελτιστοποίηση της διαδικασίας συγγραφής αποτελεσματικού διαφημιστικού κειμένου για καμπάνιες SEM, με στόχο τη βελτίωση της αποδοτικότητας και της απόδοσης. Η προτεινόμενη λύση είναι μια διαδικτυακή εφαρμογή που δημιουργεί αυτόματα διαφημιστικά κείμενα για διαφημίσεις σε μηχανές αναζήτησης. Οι διαφημιστές εισάγουν ελάχιστα δεδομένα που αφορούν τη μάρκα όπως IDs λογαριασμών και ομάδων διαφημίσεων, λέξεις-κλειδιά και προαιρετικές οδηγίες ενώ το σύστημα προσαρμόζεται ώστε να εφαρμόζεται σε διάφορους κλάδους και τύπους καμπανιών. Στη συνέχεια, η εφαρμογή δημιουργεί πολλαπλούς τίτλους και περιγραφές διαφημίσεων, διασφαλίζοντας τη συμμόρφωση με τις προκαθορισμένες απαιτήσεις λέξεων-κλειδιών. Για την αξιολόγηση της αποτελεσματικότητας του κειμένου που δημιουργείται από LLMs, πραγματοποιείται μια δοκιμή A/B, συγκρίνοντας την απόδοσή του με το κείμενο που δημιουργείται από ανθρώπους. Ο κύριος δείκτης μέτρησης είναι το Ποσοστό Μετατροπών (Conversion Rate), το οποίο ορίζεται ως το ποσοστό των χρηστών που προχώρησαν στην επιθυμητή ενέργεια της καμπάνιας μετά το κλικ στη διαφήμιση, όπως η συμπλήρωση μιας φόρμας εκδήλωσης ενδιαφέροντος στο πείραμα των μεταμοσχεύσεων μαλλιών ή η ολοκλήρωση μιας online παραγγελίας στην καμπάνια του delivery. Η επιλογή του συγκεκριμένου δείκτη έγινε διότι αποτυπώνει άμεσα την ποιότητα και την πειστικότητα του διαφημιστικού κειμένου, αξιολογώντας την ικανότητά του να οδηγεί σε ουσιαστικά επιχειρηματικά αποτελέσματα και όχι απλώς σε δείκτες εμπλοκής όπως τα κλικ. Στόχος της μελέτης είναι να διατηρηθεί ή να βελτιωθεί αυτή η απόδοση, επιτυγχάνοντας παράλληλα σημαντική εξοικονόμηση χρόνου μέσω της αυτοματοποίησης της διαδικασίας δημιουργίας διαφημιστικών κειμένων. Τα αποτελέσματα δείχνουν τη δυνατότητα των LLMs να απλοποιήσουν τη διαδικασία συγγραφής διαφημιστικού κειμένου, διατηρώντας ή βελτιώνοντας την απόδοση της καμπάνιας. Ωστόσο, η υποκειμενική φύση της ποιότητας του κειμένου εισάγει προκλήσεις, οι οποίες αντιμετωπίζονται μέσω προσεκτικής διαμόρφωσης των προτροπών (prompt engineering) και εξατομίκευσης για κάθε μάρκα. Αυτή η διατριβή συμβάλλει στην αυξανόμενη έρευνα για εργαλεία μάρκετινγκ που βασίζονται στην τεχνητή νοημοσύνη και παρέχει πρακτικές γνώσεις για τη βελτιστοποίηση στρατηγικών SEM.","abstract_has_math":false,"creators":["ΒΟΓΙΑΤΖΗΣ ΔΗΜΗΤΡΙΟΣ","VOGIATZIS DIMITRIOS"],"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":"2026-11-19T06:41:16Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5315932"],"render_values":[{"text":"uoadl:5315932","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5315932","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5315932","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%3A5315932","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΒΟΓΙΑΤΖΗΣ ΔΗΜΗΤΡΙΟΣ","VOGIATZIS DIMITRIOS"]}]},{"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":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5315932","https://pergamos.lib.uoa.gr/uoa/dl/object/5315932"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Διαφήμιση μέσω Μηχανών Αναζήτησης (Search Engine Marketing, SEM) αποτελεί βασικό στοιχείο των σύγχρονων στρατηγικών ψηφιακού μάρκετινγκ, με το διαφημιστικό κείμενο να παίζει καθοριστικό ρόλο στην απόδοση των καμπανιών. Η δημιουργία ποιοτικού διαφημιστικού κειμένου, ωστόσο, απαιτεί χρόνο και είναι υποκειμενική, καθώς χρειάζεται να ισορροπήσει μεταξύ δημιουργικότητας και τήρησης των οδηγιών της μάρκας. Αυτή η μεταπτυχιακή εργασία εξετάζει τη δυνατότητα αξιοποίησης Μεγάλων Γλωσσικών Μοντέλων (Large Language Models, LLMs) για τη βελτιστοποίηση της διαδικασίας συγγραφής αποτελεσματικού διαφημιστικού κειμένου για καμπάνιες SEM, με στόχο τη βελτίωση της αποδοτικότητας και της απόδοσης. Η προτεινόμενη λύση είναι μια διαδικτυακή εφαρμογή που δημιουργεί αυτόματα διαφημιστικά κείμενα για διαφημίσεις σε μηχανές αναζήτησης. Οι διαφημιστές εισάγουν ελάχιστα δεδομένα που αφορούν τη μάρκα όπως IDs λογαριασμών και ομάδων διαφημίσεων, λέξεις-κλειδιά και προαιρετικές οδηγίες ενώ το σύστημα προσαρμόζεται ώστε να εφαρμόζεται σε διάφορους κλάδους και τύπους καμπανιών. Στη συνέχεια, η εφαρμογή δημιουργεί πολλαπλούς τίτλους και περιγραφές διαφημίσεων, διασφαλίζοντας τη συμμόρφωση με τις προκαθορισμένες απαιτήσεις λέξεων-κλειδιών. Για την αξιολόγηση της αποτελεσματικότητας του κειμένου που δημιουργείται από LLMs, πραγματοποιείται μια δοκιμή A/B, συγκρίνοντας την απόδοσή του με το κείμενο που δημιουργείται από ανθρώπους. Ο κύριος δείκτης μέτρησης είναι το Ποσοστό Μετατροπών (Conversion Rate), το οποίο ορίζεται ως το ποσοστό των χρηστών που προχώρησαν στην επιθυμητή ενέργεια της καμπάνιας μετά το κλικ στη διαφήμιση, όπως η συμπλήρωση μιας φόρμας εκδήλωσης ενδιαφέροντος στο πείραμα των μεταμοσχεύσεων μαλλιών ή η ολοκλήρωση μιας online παραγγελίας στην καμπάνια του delivery. Η επιλογή του συγκεκριμένου δείκτη έγινε διότι αποτυπώνει άμεσα την ποιότητα και την πειστικότητα του διαφημιστικού κειμένου, αξιολογώντας την ικανότητά του να οδηγεί σε ουσιαστικά επιχειρηματικά αποτελέσματα και όχι απλώς σε δείκτες εμπλοκής όπως τα κλικ. Στόχος της μελέτης είναι να διατηρηθεί ή να βελτιωθεί αυτή η απόδοση, επιτυγχάνοντας παράλληλα σημαντική εξοικονόμηση χρόνου μέσω της αυτοματοποίησης της διαδικασίας δημιουργίας διαφημιστικών κειμένων. Τα αποτελέσματα δείχνουν τη δυνατότητα των LLMs να απλοποιήσουν τη διαδικασία συγγραφής διαφημιστικού κειμένου, διατηρώντας ή βελτιώνοντας την απόδοση της καμπάνιας. Ωστόσο, η υποκειμενική φύση της ποιότητας του κειμένου εισάγει προκλήσεις, οι οποίες αντιμετωπίζονται μέσω προσεκτικής διαμόρφωσης των προτροπών (prompt engineering) και εξατομίκευσης για κάθε μάρκα. Αυτή η διατριβή συμβάλλει στην αυξανόμενη έρευνα για εργαλεία μάρκετινγκ που βασίζονται στην τεχνητή νοημοσύνη και παρέχει πρακτικές γνώσεις για τη βελτιστοποίηση στρατηγικών SEM.","Search Engine Marketing (SEM) is a critical component of modern digital marketing strategies, with ad copy playing a pivotal role in driving campaign performance. Ad copy is a written content of an advertisement, designed to persuade a target audience to take a specific action like purchasing a product or registering on a website. Crafting high-quality ad copy, however, is both time-consuming and subjective, requiring a balance between creativity and adherence to brand guidelines. This thesis explores the potential of leveraging Large Language Models (LLMs) to optimize the process of writing effective ad copy for SEM campaigns, aiming to improve both efficiency and performance. The proposed solution is a web application that automatically generates ad copy for search ads. Marketers input minimal brand-specific data such as account and ad group IDs, keywords, and optional guidelines while the system abstracts the solution to apply across various industries and campaign types. The application then generates multiple ad headlines and descriptions, ensuring compliance with pre-defined keyword requirements. To evaluate the effectiveness of LLM-generated ad copy, an A/B test is conducted, comparing its performance with human-generated copies. The key metric is Conversion Rate, defined as the percentage of users who completed the campaign’s desired action after clicking the ad, such as submitting a lead form in the hair transplant sector or completing an online purchase in the food delivery campaign. This metric was selected because it directly reflects the quality and persuasiveness of the ad copy, capturing its ability to drive meaningful business outcomes rather than just engagement metrics like clicks. The goal is to either maintain or improve this performance while achieving significant time savings through automated copy creation. The results demonstrate the potential of LLMs to streamline the ad copywriting process while maintaining or enhancing campaign performance. However, the subjective nature of ad copy quality introduces challenges, addressed through thoughtful prompt engineering and customization for each brand. This thesis contributes to the growing body of research on AI-driven marketing tools and provides practical insights into optimizing SEM strategies."]},{"key":"dc:title","label":"Title","values":["Optimizing Search Engine Marketing Performance"]}]}],"canonical_facts":{"dc:creator":["ΒΟΓΙΑΤΖΗΣ ΔΗΜΗΤΡΙΟΣ","VOGIATZIS DIMITRIOS"],"dc:date":["2025"],"dc:description":["Η Διαφήμιση μέσω Μηχανών Αναζήτησης (Search Engine Marketing, SEM) αποτελεί βασικό στοιχείο των σύγχρονων στρατηγικών ψηφιακού μάρκετινγκ, με το διαφημιστικό κείμενο να παίζει καθοριστικό ρόλο στην απόδοση των καμπανιών. Η δημιουργία ποιοτικού διαφημιστικού κειμένου, ωστόσο, απαιτεί χρόνο και είναι υποκειμενική, καθώς χρειάζεται να ισορροπήσει μεταξύ δημιουργικότητας και τήρησης των οδηγιών της μάρκας. Αυτή η μεταπτυχιακή εργασία εξετάζει τη δυνατότητα αξιοποίησης Μεγάλων Γλωσσικών Μοντέλων (Large Language Models, LLMs) για τη βελτιστοποίηση της διαδικασίας συγγραφής αποτελεσματικού διαφημιστικού κειμένου για καμπάνιες SEM, με στόχο τη βελτίωση της αποδοτικότητας και της απόδοσης. Η προτεινόμενη λύση είναι μια διαδικτυακή εφαρμογή που δημιουργεί αυτόματα διαφημιστικά κείμενα για διαφημίσεις σε μηχανές αναζήτησης. Οι διαφημιστές εισάγουν ελάχιστα δεδομένα που αφορούν τη μάρκα όπως IDs λογαριασμών και ομάδων διαφημίσεων, λέξεις-κλειδιά και προαιρετικές οδηγίες ενώ το σύστημα προσαρμόζεται ώστε να εφαρμόζεται σε διάφορους κλάδους και τύπους καμπανιών. Στη συνέχεια, η εφαρμογή δημιουργεί πολλαπλούς τίτλους και περιγραφές διαφημίσεων, διασφαλίζοντας τη συμμόρφωση με τις προκαθορισμένες απαιτήσεις λέξεων-κλειδιών. Για την αξιολόγηση της αποτελεσματικότητας του κειμένου που δημιουργείται από LLMs, πραγματοποιείται μια δοκιμή A/B, συγκρίνοντας την απόδοσή του με το κείμενο που δημιουργείται από ανθρώπους. Ο κύριος δείκτης μέτρησης είναι το Ποσοστό Μετατροπών (Conversion Rate), το οποίο ορίζεται ως το ποσοστό των χρηστών που προχώρησαν στην επιθυμητή ενέργεια της καμπάνιας μετά το κλικ στη διαφήμιση, όπως η συμπλήρωση μιας φόρμας εκδήλωσης ενδιαφέροντος στο πείραμα των μεταμοσχεύσεων μαλλιών ή η ολοκλήρωση μιας online παραγγελίας στην καμπάνια του delivery. Η επιλογή του συγκεκριμένου δείκτη έγινε διότι αποτυπώνει άμεσα την ποιότητα και την πειστικότητα του διαφημιστικού κειμένου, αξιολογώντας την ικανότητά του να οδηγεί σε ουσιαστικά επιχειρηματικά αποτελέσματα και όχι απλώς σε δείκτες εμπλοκής όπως τα κλικ. Στόχος της μελέτης είναι να διατηρηθεί ή να βελτιωθεί αυτή η απόδοση, επιτυγχάνοντας παράλληλα σημαντική εξοικονόμηση χρόνου μέσω της αυτοματοποίησης της διαδικασίας δημιουργίας διαφημιστικών κειμένων. Τα αποτελέσματα δείχνουν τη δυνατότητα των LLMs να απλοποιήσουν τη διαδικασία συγγραφής διαφημιστικού κειμένου, διατηρώντας ή βελτιώνοντας την απόδοση της καμπάνιας. Ωστόσο, η υποκειμενική φύση της ποιότητας του κειμένου εισάγει προκλήσεις, οι οποίες αντιμετωπίζονται μέσω προσεκτικής διαμόρφωσης των προτροπών (prompt engineering) και εξατομίκευσης για κάθε μάρκα. Αυτή η διατριβή συμβάλλει στην αυξανόμενη έρευνα για εργαλεία μάρκετινγκ που βασίζονται στην τεχνητή νοημοσύνη και παρέχει πρακτικές γνώσεις για τη βελτιστοποίηση στρατηγικών SEM.","Search Engine Marketing (SEM) is a critical component of modern digital marketing strategies, with ad copy playing a pivotal role in driving campaign performance. Ad copy is a written content of an advertisement, designed to persuade a target audience to take a specific action like purchasing a product or registering on a website. Crafting high-quality ad copy, however, is both time-consuming and subjective, requiring a balance between creativity and adherence to brand guidelines. This thesis explores the potential of leveraging Large Language Models (LLMs) to optimize the process of writing effective ad copy for SEM campaigns, aiming to improve both efficiency and performance. The proposed solution is a web application that automatically generates ad copy for search ads. Marketers input minimal brand-specific data such as account and ad group IDs, keywords, and optional guidelines while the system abstracts the solution to apply across various industries and campaign types. The application then generates multiple ad headlines and descriptions, ensuring compliance with pre-defined keyword requirements. To evaluate the effectiveness of LLM-generated ad copy, an A/B test is conducted, comparing its performance with human-generated copies. The key metric is Conversion Rate, defined as the percentage of users who completed the campaign’s desired action after clicking the ad, such as submitting a lead form in the hair transplant sector or completing an online purchase in the food delivery campaign. This metric was selected because it directly reflects the quality and persuasiveness of the ad copy, capturing its ability to drive meaningful business outcomes rather than just engagement metrics like clicks. The goal is to either maintain or improve this performance while achieving significant time savings through automated copy creation. The results demonstrate the potential of LLMs to streamline the ad copywriting process while maintaining or enhancing campaign performance. However, the subjective nature of ad copy quality introduces challenges, addressed through thoughtful prompt engineering and customization for each brand. This thesis contributes to the growing body of research on AI-driven marketing tools and provides practical insights into optimizing SEM strategies."],"dc:identifier":["uoadl:5315932","https://pergamos.lib.uoa.gr/uoa/dl/object/5315932"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Optimizing Search Engine Marketing Performance"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:41:16Z"}