{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5448791"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5448791","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόβλεψη χρόνων παράδοσης και ανάλυση παραγώντων στο ηλεκτρονικό εμπόριο με τη χρήση μηχανικής μάθησης","abstract":"Η παρούσα διπλωματική εργασία πραγματεύεται την αντιμετώπιση της αβεβαιότητας στις παραδόσεις του ηλεκτρονικού εμπορίου μέσω προηγμένων μεθόδων Μηχανικής Μάθησης, εστιάζοντας στην απαιτητική αγορά της Βραζιλίας και στα δεδομένα της πλατφόρμας Olist. Στόχος της μελέτης είναι η ανάπτυξη ενός προγνωστικού μοντέλου για τον χρόνο παράδοσης στο τελευταίο στάδιο διανομής (Last-Mile Delivery), καθώς και η διερεύνηση της σχέσης μεταξύ της ταχύτητας παράδοσης και της τελικής ικανοποίησης του καταναλωτή. Η μεθοδολογική προσέγγιση στηρίχθηκε στην επεξεργασία 115.447 πραγματικών εγγραφών και στην υλοποίηση του αλγορίθμου Random Forest Regressor, ο οποίος εκπαιδεύτηκε σε 13 στρατηγικά επιλεγμένα χαρακτηριστικά. Τα αποτελέσματα ανέδειξαν την υπεροχή της Μηχανικής Μάθησης, καθώς το μοντέλο παρουσίασε μικρότερο σφάλμα από το υφιστάμενο σύστημα της εταιρείας στο 76% των περιπτώσεων, επιτυγχάνοντας Μέσο Απόλυτο Σφάλμα (MAE) 4,32 ημερών. Παράλληλα, για τη διερεύνηση της ικανοποίησης των πελατών, οι πωλητές ομαδοποιήθηκαν σε τέσσερα διακριτά προφίλ απόδοσης μέσω του αλγορίθμου K-Means Clustering, αποκαλύπτοντας ότι μια καθυστέρηση της τάξης των 10 ημερών συνεπάγεται μείωση της βαθμολογίας αξιολόγησης κατά 1,1 αστέρια. Μέσω της ανάλυσης της βαρύτητας των χαρακτηριστικών, διαπιστώθηκε ότι η γεωγραφική απόσταση αποτελεί τον κύριο προσδιοριστικό παράγοντα του χρόνου παράδοσης, καθώς ευθύνεται για το 51,8% της διαφοροποίησης, ενώ η ιστορική αξιοπιστία του πωλητή ακολουθεί με μερίδιο 16,87%. Η εργασία ολοκληρώνεται με την παράθεση συγκεκριμένων προτάσεων που αντλήθηκαν από τα ευρήματα της μελέτης, με σκοπό τη διαμόρφωση ενός πιο αξιόπιστου συστήματος πρόβλεψης σε μια τόσο απαιτητική αγορά.","abstract_html":"Η παρούσα διπλωματική εργασία πραγματεύεται την αντιμετώπιση της αβεβαιότητας στις παραδόσεις του ηλεκτρονικού εμπορίου μέσω προηγμένων μεθόδων Μηχανικής Μάθησης, εστιάζοντας στην απαιτητική αγορά της Βραζιλίας και στα δεδομένα της πλατφόρμας Olist. Στόχος της μελέτης είναι η ανάπτυξη ενός προγνωστικού μοντέλου για τον χρόνο παράδοσης στο τελευταίο στάδιο διανομής (Last-Mile Delivery), καθώς και η διερεύνηση της σχέσης μεταξύ της ταχύτητας παράδοσης και της τελικής ικανοποίησης του καταναλωτή. Η μεθοδολογική προσέγγιση στηρίχθηκε στην επεξεργασία 115.447 πραγματικών εγγραφών και στην υλοποίηση του αλγορίθμου Random Forest Regressor, ο οποίος εκπαιδεύτηκε σε 13 στρατηγικά επιλεγμένα χαρακτηριστικά. Τα αποτελέσματα ανέδειξαν την υπεροχή της Μηχανικής Μάθησης, καθώς το μοντέλο παρουσίασε μικρότερο σφάλμα από το υφιστάμενο σύστημα της εταιρείας στο 76% των περιπτώσεων, επιτυγχάνοντας Μέσο Απόλυτο Σφάλμα (MAE) 4,32 ημερών. Παράλληλα, για τη διερεύνηση της ικανοποίησης των πελατών, οι πωλητές ομαδοποιήθηκαν σε τέσσερα διακριτά προφίλ απόδοσης μέσω του αλγορίθμου K-Means Clustering, αποκαλύπτοντας ότι μια καθυστέρηση της τάξης των 10 ημερών συνεπάγεται μείωση της βαθμολογίας αξιολόγησης κατά 1,1 αστέρια. Μέσω της ανάλυσης της βαρύτητας των χαρακτηριστικών, διαπιστώθηκε ότι η γεωγραφική απόσταση αποτελεί τον κύριο προσδιοριστικό παράγοντα του χρόνου παράδοσης, καθώς ευθύνεται για το 51,8% της διαφοροποίησης, ενώ η ιστορική αξιοπιστία του πωλητή ακολουθεί με μερίδιο 16,87%. Η εργασία ολοκληρώνεται με την παράθεση συγκεκριμένων προτάσεων που αντλήθηκαν από τα ευρήματα της μελέτης, με σκοπό τη διαμόρφωση ενός πιο αξιόπιστου συστήματος πρόβλεψης σε μια τόσο απαιτητική αγορά.","abstract_has_math":false,"creators":["ΠΑΤΜΑΝΙΔΗΣ ΔΗΜΗΤΡΙΟΣ","PATMANIDIS DIMITRIOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:42Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5448791"],"render_values":[{"text":"uoadl:5448791","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5448791","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5448791","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%3A5448791","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΠΑΤΜΑΝΙΔΗΣ ΔΗΜΗΤΡΙΟΣ","PATMANIDIS DIMITRIOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5448791","https://pergamos.lib.uoa.gr/uoa/dl/object/5448791"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία πραγματεύεται την αντιμετώπιση της αβεβαιότητας στις παραδόσεις του ηλεκτρονικού εμπορίου μέσω προηγμένων μεθόδων Μηχανικής Μάθησης, εστιάζοντας στην απαιτητική αγορά της Βραζιλίας και στα δεδομένα της πλατφόρμας Olist. Στόχος της μελέτης είναι η ανάπτυξη ενός προγνωστικού μοντέλου για τον χρόνο παράδοσης στο τελευταίο στάδιο διανομής (Last-Mile Delivery), καθώς και η διερεύνηση της σχέσης μεταξύ της ταχύτητας παράδοσης και της τελικής ικανοποίησης του καταναλωτή. Η μεθοδολογική προσέγγιση στηρίχθηκε στην επεξεργασία 115.447 πραγματικών εγγραφών και στην υλοποίηση του αλγορίθμου Random Forest Regressor, ο οποίος εκπαιδεύτηκε σε 13 στρατηγικά επιλεγμένα χαρακτηριστικά. Τα αποτελέσματα ανέδειξαν την υπεροχή της Μηχανικής Μάθησης, καθώς το μοντέλο παρουσίασε μικρότερο σφάλμα από το υφιστάμενο σύστημα της εταιρείας στο 76% των περιπτώσεων, επιτυγχάνοντας Μέσο Απόλυτο Σφάλμα (MAE) 4,32 ημερών. Παράλληλα, για τη διερεύνηση της ικανοποίησης των πελατών, οι πωλητές ομαδοποιήθηκαν σε τέσσερα διακριτά προφίλ απόδοσης μέσω του αλγορίθμου K-Means Clustering, αποκαλύπτοντας ότι μια καθυστέρηση της τάξης των 10 ημερών συνεπάγεται μείωση της βαθμολογίας αξιολόγησης κατά 1,1 αστέρια. Μέσω της ανάλυσης της βαρύτητας των χαρακτηριστικών, διαπιστώθηκε ότι η γεωγραφική απόσταση αποτελεί τον κύριο προσδιοριστικό παράγοντα του χρόνου παράδοσης, καθώς ευθύνεται για το 51,8% της διαφοροποίησης, ενώ η ιστορική αξιοπιστία του πωλητή ακολουθεί με μερίδιο 16,87%. Η εργασία ολοκληρώνεται με την παράθεση συγκεκριμένων προτάσεων που αντλήθηκαν από τα ευρήματα της μελέτης, με σκοπό τη διαμόρφωση ενός πιο αξιόπιστου συστήματος πρόβλεψης σε μια τόσο απαιτητική αγορά.","This thesis examines the management of uncertainty in e-commerce deliveries through advanced Machine Learning methods, focusing on the demanding Brazilian market and data from the Olist platform. The study aims to develop a predictive model for last-mile delivery time, while simultaneously investigating the relationship between delivery speed and overall consumer satisfaction. The methodological approach was based on the processing of 115,447 real-world records and the implementation of the Random Forest Regressor algorithm, which was trained on 13 strategically selected features. The results underscored the superiority of Machine Learning, as the model exhibited a lower error rate than the company's existing system in 76% of cases, achieving a Mean Absolute Error (MAE) of 4.32 days. Concurrently, to explore customer satisfaction, sellers were categorized into four distinct performance profiles using K-Means Clustering; the analysis revealed that a 10-day delay leads to a 1.1-star reduction in review scores. Through feature importance analysis, it was determined that geographical distance is the primary determinant of delivery time, accounting for 51.8% of the variance, followed by historical seller reliability at 16.87%. The thesis concludes by proposing specific recommendations derived from the study’s findings, aimed at establishing a more reliable predictive system within such a challenging market."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη χρόνων παράδοσης και ανάλυση παραγώντων στο ηλεκτρονικό εμπόριο με τη χρήση μηχανικής μάθησης"]}]}],"canonical_facts":{"dc:creator":["ΠΑΤΜΑΝΙΔΗΣ ΔΗΜΗΤΡΙΟΣ","PATMANIDIS DIMITRIOS"],"dc:date":["2026"],"dc:description":["Η παρούσα διπλωματική εργασία πραγματεύεται την αντιμετώπιση της αβεβαιότητας στις παραδόσεις του ηλεκτρονικού εμπορίου μέσω προηγμένων μεθόδων Μηχανικής Μάθησης, εστιάζοντας στην απαιτητική αγορά της Βραζιλίας και στα δεδομένα της πλατφόρμας Olist. Στόχος της μελέτης είναι η ανάπτυξη ενός προγνωστικού μοντέλου για τον χρόνο παράδοσης στο τελευταίο στάδιο διανομής (Last-Mile Delivery), καθώς και η διερεύνηση της σχέσης μεταξύ της ταχύτητας παράδοσης και της τελικής ικανοποίησης του καταναλωτή. Η μεθοδολογική προσέγγιση στηρίχθηκε στην επεξεργασία 115.447 πραγματικών εγγραφών και στην υλοποίηση του αλγορίθμου Random Forest Regressor, ο οποίος εκπαιδεύτηκε σε 13 στρατηγικά επιλεγμένα χαρακτηριστικά. Τα αποτελέσματα ανέδειξαν την υπεροχή της Μηχανικής Μάθησης, καθώς το μοντέλο παρουσίασε μικρότερο σφάλμα από το υφιστάμενο σύστημα της εταιρείας στο 76% των περιπτώσεων, επιτυγχάνοντας Μέσο Απόλυτο Σφάλμα (MAE) 4,32 ημερών. Παράλληλα, για τη διερεύνηση της ικανοποίησης των πελατών, οι πωλητές ομαδοποιήθηκαν σε τέσσερα διακριτά προφίλ απόδοσης μέσω του αλγορίθμου K-Means Clustering, αποκαλύπτοντας ότι μια καθυστέρηση της τάξης των 10 ημερών συνεπάγεται μείωση της βαθμολογίας αξιολόγησης κατά 1,1 αστέρια. Μέσω της ανάλυσης της βαρύτητας των χαρακτηριστικών, διαπιστώθηκε ότι η γεωγραφική απόσταση αποτελεί τον κύριο προσδιοριστικό παράγοντα του χρόνου παράδοσης, καθώς ευθύνεται για το 51,8% της διαφοροποίησης, ενώ η ιστορική αξιοπιστία του πωλητή ακολουθεί με μερίδιο 16,87%. Η εργασία ολοκληρώνεται με την παράθεση συγκεκριμένων προτάσεων που αντλήθηκαν από τα ευρήματα της μελέτης, με σκοπό τη διαμόρφωση ενός πιο αξιόπιστου συστήματος πρόβλεψης σε μια τόσο απαιτητική αγορά.","This thesis examines the management of uncertainty in e-commerce deliveries through advanced Machine Learning methods, focusing on the demanding Brazilian market and data from the Olist platform. The study aims to develop a predictive model for last-mile delivery time, while simultaneously investigating the relationship between delivery speed and overall consumer satisfaction. The methodological approach was based on the processing of 115,447 real-world records and the implementation of the Random Forest Regressor algorithm, which was trained on 13 strategically selected features. The results underscored the superiority of Machine Learning, as the model exhibited a lower error rate than the company's existing system in 76% of cases, achieving a Mean Absolute Error (MAE) of 4.32 days. Concurrently, to explore customer satisfaction, sellers were categorized into four distinct performance profiles using K-Means Clustering; the analysis revealed that a 10-day delay leads to a 1.1-star reduction in review scores. Through feature importance analysis, it was determined that geographical distance is the primary determinant of delivery time, accounting for 51.8% of the variance, followed by historical seller reliability at 16.87%. The thesis concludes by proposing specific recommendations derived from the study’s findings, aimed at establishing a more reliable predictive system within such a challenging market."],"dc:identifier":["uoadl:5448791","https://pergamos.lib.uoa.gr/uoa/dl/object/5448791"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Πρόβλεψη χρόνων παράδοσης και ανάλυση παραγώντων στο ηλεκτρονικό εμπόριο με τη χρήση μηχανικής μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:42Z"}