{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5449518"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5449518","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Sales analysis and forecasting in e-commerce: application of statistical analysis and business-making scenarios","abstract":"Η παρούσα διπλωματική εργασία εξετάζει τα πρότυπα πωλήσεων σε ένα περιβάλλον ηλεκτρονικού εμπορίου. Στόχος της είναι να δείξει πώς οι τεχνικές ανάλυσης δεδομένων μπορούν να βοηθήσουν στην κατανόηση της καταναλωτικής συμπεριφοράς και στην υποστήριξη επιχειρησιακών αποφάσεων. Η ανάλυση βασίζεται σε ένα σύνολο δεδομένων ηλεκτρονικών συναλλαγών που περιλαμβάνει δημογραφικά χαρακτηριστικά πελατών, πληροφορίες αγορών και στοιχεία πληρωμών. Αρχικά πραγματοποιείται διερευνητική ανάλυση δεδομένων (Exploratory Data Analysis - EDA) με σκοπό την κατανόηση της δομής του συνόλου δεδομένων και τον εντοπισμό βασικών προτύπων μεταξύ των μεταβλητών. Στη συνέχεια εφαρμόζεται η μέθοδος K-Means για την τμηματοποίηση των πελατών και την αναγνώριση διαφορετικών ομάδων αγοραστικής συμπεριφοράς. Παράλληλα, χρησιμοποιείται ανάλυση πολλαπλής γραμμικής παλινδρόμησης για τη μελέτη των βασικών παραγόντων που επηρεάζουν την αξία της συναλλαγής. Τέλος, εφαρμόζεται το μοντέλο χρονοσειρών ARIMA για τη βραχυπρόθεσμη πρόβλεψη των πωλήσεων. Τα αποτελέσματα δείχνουν ότι η συνολική αξία της συναλλαγής επηρεάζεται κυρίως από την ποσότητα των προϊόντων που αγοράζονται, ενώ τα δημογραφικά χαρακτηριστικά φαίνεται να έχουν μικρότερη επίδραση. Επιπλέον, η ανάλυση τμηματοποίησης αναδεικνύει την ύπαρξη μιας μικρότερης ομάδας πελατών υψηλής αξίας που συμβάλλει σημαντικά στα συνολικά έσοδα. Συνολικά, η εργασία δείχνει ότι η συνδυαστική χρήση διαφορετικών τεχνικών ανάλυσης δεδομένων μπορεί να βοηθήσει στην καλύτερη κατανόηση της αγοραστικής συμπεριφοράς και στη βελτίωση της λήψης αποφάσεων στο ηλεκτρονικό εμπόριο.","abstract_html":"Η παρούσα διπλωματική εργασία εξετάζει τα πρότυπα πωλήσεων σε ένα περιβάλλον ηλεκτρονικού εμπορίου. Στόχος της είναι να δείξει πώς οι τεχνικές ανάλυσης δεδομένων μπορούν να βοηθήσουν στην κατανόηση της καταναλωτικής συμπεριφοράς και στην υποστήριξη επιχειρησιακών αποφάσεων. Η ανάλυση βασίζεται σε ένα σύνολο δεδομένων ηλεκτρονικών συναλλαγών που περιλαμβάνει δημογραφικά χαρακτηριστικά πελατών, πληροφορίες αγορών και στοιχεία πληρωμών. Αρχικά πραγματοποιείται διερευνητική ανάλυση δεδομένων (Exploratory Data Analysis - EDA) με σκοπό την κατανόηση της δομής του συνόλου δεδομένων και τον εντοπισμό βασικών προτύπων μεταξύ των μεταβλητών. Στη συνέχεια εφαρμόζεται η μέθοδος K-Means για την τμηματοποίηση των πελατών και την αναγνώριση διαφορετικών ομάδων αγοραστικής συμπεριφοράς. Παράλληλα, χρησιμοποιείται ανάλυση πολλαπλής γραμμικής παλινδρόμησης για τη μελέτη των βασικών παραγόντων που επηρεάζουν την αξία της συναλλαγής. Τέλος, εφαρμόζεται το μοντέλο χρονοσειρών ARIMA για τη βραχυπρόθεσμη πρόβλεψη των πωλήσεων. Τα αποτελέσματα δείχνουν ότι η συνολική αξία της συναλλαγής επηρεάζεται κυρίως από την ποσότητα των προϊόντων που αγοράζονται, ενώ τα δημογραφικά χαρακτηριστικά φαίνεται να έχουν μικρότερη επίδραση. Επιπλέον, η ανάλυση τμηματοποίησης αναδεικνύει την ύπαρξη μιας μικρότερης ομάδας πελατών υψηλής αξίας που συμβάλλει σημαντικά στα συνολικά έσοδα. Συνολικά, η εργασία δείχνει ότι η συνδυαστική χρήση διαφορετικών τεχνικών ανάλυσης δεδομένων μπορεί να βοηθήσει στην καλύτερη κατανόηση της αγοραστικής συμπεριφοράς και στη βελτίωση της λήψης αποφάσεων στο ηλεκτρονικό εμπόριο.","abstract_has_math":false,"creators":["ΗΛΙΑΔΗ ΟΥΡΑΝΙΑ","ILIADI OURANIA"],"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":"2026-11-19T05:20:44Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5449518"],"render_values":[{"text":"uoadl:5449518","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5449518","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5449518","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%3A5449518","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΗΛΙΑΔΗ ΟΥΡΑΝΙΑ","ILIADI OURANIA"]}]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer 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:5449518","https://pergamos.lib.uoa.gr/uoa/dl/object/5449518"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία εξετάζει τα πρότυπα πωλήσεων σε ένα περιβάλλον ηλεκτρονικού εμπορίου. Στόχος της είναι να δείξει πώς οι τεχνικές ανάλυσης δεδομένων μπορούν να βοηθήσουν στην κατανόηση της καταναλωτικής συμπεριφοράς και στην υποστήριξη επιχειρησιακών αποφάσεων. Η ανάλυση βασίζεται σε ένα σύνολο δεδομένων ηλεκτρονικών συναλλαγών που περιλαμβάνει δημογραφικά χαρακτηριστικά πελατών, πληροφορίες αγορών και στοιχεία πληρωμών. Αρχικά πραγματοποιείται διερευνητική ανάλυση δεδομένων (Exploratory Data Analysis - EDA) με σκοπό την κατανόηση της δομής του συνόλου δεδομένων και τον εντοπισμό βασικών προτύπων μεταξύ των μεταβλητών. Στη συνέχεια εφαρμόζεται η μέθοδος K-Means για την τμηματοποίηση των πελατών και την αναγνώριση διαφορετικών ομάδων αγοραστικής συμπεριφοράς. Παράλληλα, χρησιμοποιείται ανάλυση πολλαπλής γραμμικής παλινδρόμησης για τη μελέτη των βασικών παραγόντων που επηρεάζουν την αξία της συναλλαγής. Τέλος, εφαρμόζεται το μοντέλο χρονοσειρών ARIMA για τη βραχυπρόθεσμη πρόβλεψη των πωλήσεων. Τα αποτελέσματα δείχνουν ότι η συνολική αξία της συναλλαγής επηρεάζεται κυρίως από την ποσότητα των προϊόντων που αγοράζονται, ενώ τα δημογραφικά χαρακτηριστικά φαίνεται να έχουν μικρότερη επίδραση. Επιπλέον, η ανάλυση τμηματοποίησης αναδεικνύει την ύπαρξη μιας μικρότερης ομάδας πελατών υψηλής αξίας που συμβάλλει σημαντικά στα συνολικά έσοδα. Συνολικά, η εργασία δείχνει ότι η συνδυαστική χρήση διαφορετικών τεχνικών ανάλυσης δεδομένων μπορεί να βοηθήσει στην καλύτερη κατανόηση της αγοραστικής συμπεριφοράς και στη βελτίωση της λήψης αποφάσεων στο ηλεκτρονικό εμπόριο.","This thesis examines sales patterns in an e-commerce environment. Its main objective is to show how data analysis techniques can help understand consumer behavior and support business decision-making. The analysis is based on a dataset of online transactions that includes customer demographic characteristics, purchasing information and payment details. The study begins with an Exploratory Data Analysis (EDA) in order to understand the structure of the dataset and identify basic patterns among the variables. Then, the K-Means clustering method is applied to segment customers and identify different groups of purchasing behavior. Multiple Linear Regression analysis is used to examine the main factors that influence transaction value. Finally, an ARIMA time-series model is applied to generate short-term sales forecasts. The results show that the total transaction value is mainly influenced by the quantity of products purchased, while demographic characteristics appear to have a smaller effect. In addition, the clustering analysis reveals the presence of a smaller group of high-value customers who contribute significantly to total revenue. Overall, the study shows that combining different data analysis techniques can help businesses better understand purchasing behavior and support decisionmaking in e-commerce environments."]},{"key":"dc:title","label":"Title","values":["Sales analysis and forecasting in e-commerce: application of statistical analysis and business-making scenarios"]}]}],"canonical_facts":{"dc:creator":["ΗΛΙΑΔΗ ΟΥΡΑΝΙΑ","ILIADI OURANIA"],"dc:date":["2026"],"dc:description":["Η παρούσα διπλωματική εργασία εξετάζει τα πρότυπα πωλήσεων σε ένα περιβάλλον ηλεκτρονικού εμπορίου. Στόχος της είναι να δείξει πώς οι τεχνικές ανάλυσης δεδομένων μπορούν να βοηθήσουν στην κατανόηση της καταναλωτικής συμπεριφοράς και στην υποστήριξη επιχειρησιακών αποφάσεων. Η ανάλυση βασίζεται σε ένα σύνολο δεδομένων ηλεκτρονικών συναλλαγών που περιλαμβάνει δημογραφικά χαρακτηριστικά πελατών, πληροφορίες αγορών και στοιχεία πληρωμών. Αρχικά πραγματοποιείται διερευνητική ανάλυση δεδομένων (Exploratory Data Analysis - EDA) με σκοπό την κατανόηση της δομής του συνόλου δεδομένων και τον εντοπισμό βασικών προτύπων μεταξύ των μεταβλητών. Στη συνέχεια εφαρμόζεται η μέθοδος K-Means για την τμηματοποίηση των πελατών και την αναγνώριση διαφορετικών ομάδων αγοραστικής συμπεριφοράς. Παράλληλα, χρησιμοποιείται ανάλυση πολλαπλής γραμμικής παλινδρόμησης για τη μελέτη των βασικών παραγόντων που επηρεάζουν την αξία της συναλλαγής. Τέλος, εφαρμόζεται το μοντέλο χρονοσειρών ARIMA για τη βραχυπρόθεσμη πρόβλεψη των πωλήσεων. Τα αποτελέσματα δείχνουν ότι η συνολική αξία της συναλλαγής επηρεάζεται κυρίως από την ποσότητα των προϊόντων που αγοράζονται, ενώ τα δημογραφικά χαρακτηριστικά φαίνεται να έχουν μικρότερη επίδραση. Επιπλέον, η ανάλυση τμηματοποίησης αναδεικνύει την ύπαρξη μιας μικρότερης ομάδας πελατών υψηλής αξίας που συμβάλλει σημαντικά στα συνολικά έσοδα. Συνολικά, η εργασία δείχνει ότι η συνδυαστική χρήση διαφορετικών τεχνικών ανάλυσης δεδομένων μπορεί να βοηθήσει στην καλύτερη κατανόηση της αγοραστικής συμπεριφοράς και στη βελτίωση της λήψης αποφάσεων στο ηλεκτρονικό εμπόριο.","This thesis examines sales patterns in an e-commerce environment. Its main objective is to show how data analysis techniques can help understand consumer behavior and support business decision-making. The analysis is based on a dataset of online transactions that includes customer demographic characteristics, purchasing information and payment details. The study begins with an Exploratory Data Analysis (EDA) in order to understand the structure of the dataset and identify basic patterns among the variables. Then, the K-Means clustering method is applied to segment customers and identify different groups of purchasing behavior. Multiple Linear Regression analysis is used to examine the main factors that influence transaction value. Finally, an ARIMA time-series model is applied to generate short-term sales forecasts. The results show that the total transaction value is mainly influenced by the quantity of products purchased, while demographic characteristics appear to have a smaller effect. In addition, the clustering analysis reveals the presence of a smaller group of high-value customers who contribute significantly to total revenue. Overall, the study shows that combining different data analysis techniques can help businesses better understand purchasing behavior and support decisionmaking in e-commerce environments."],"dc:identifier":["uoadl:5449518","https://pergamos.lib.uoa.gr/uoa/dl/object/5449518"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Sales analysis and forecasting in e-commerce: application of statistical analysis and business-making scenarios"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:44Z"}