National and Kapodistrian University of Athens
Data-driven στρατηγικές εξατομίκευσης πελατών στη μόδα: από την πρόβλεψη πρόθεσης αγοράς στη real-time προσωποποίηση σε e-commerce πλατφόρμες
Abstract
dc:descriptionΗ ραγδαία ανάπτυξη του ηλεκτρονικού εμπορίου έχει αλλάξει σημαντικά τον τρόπο με τον οποίο οι επιχειρήσεις αλληλεπιδρούν με τους καταναλωτές και λαμβάνουν επιχειρησιακές αποφάσεις. Στο ψηφιακό περιβάλλον, κάθε αλληλεπίδραση του χρήστη με μια πλατφόρμα ηλεκτρονικού εμπορίου παράγει δεδομένα συμπεριφοράς, όπως προβολές προϊόντων, χρόνο παραμονής σε σελίδες, προσθήκες στο καλάθι και εγκαταλείψεις αγορών. Η αξιοποίηση αυτών των δεδομένων μέσω τεχνικών προγνωστικής αναλυτικής και μηχανικής μάθησης δημιουργεί νέες δυνατότητες για την κατανόηση της καταναλωτικής συμπεριφοράς και την ανάπτυξη εξατομικευμένων εμπειριών χρήστη. Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση του τρόπου με τον οποίο δεδομένα συμπεριφοράς χρηστών μπορούν να αξιοποιηθούν για την πρόβλεψη της πρόθεσης αγοράς και την υποστήριξη στρατηγικών εξατομίκευσης στο ηλεκτρονικό εμπόριο μόδας. Σε θεωρητικό επίπεδο, η ανάλυση εστιάζει στον κλάδο της μόδας και στις ιδιαίτερες συνθήκες που διαμορφώνουν το fashion e-commerce. Ωστόσο, για τις ανάγκες της εμπειρικής διερεύνησης χρησιμοποιείται το σύνολο δεδομένων Online Shoppers Purchasing Intention, το οποίο είναι γενικής φύσης και περιλαμβάνει μεταβλητές που σχετίζονται με τη συμπεριφορά πλοήγησης χρηστών σε ηλεκτρονικό κατάστημα. Η επιλογή αυτή κρίθηκε αναγκαία, καθώς δεν εντοπίστηκε κατάλληλο fashion-related dataset που να ανταποκρίνεται με ακρίβεια στους στόχους και στις απαιτήσεις της παρούσας μελέτης. Στο πλαίσιο της εμπειρικής ανάλυσης εφαρμόζονται τρία μοντέλα μηχανικής μάθησης για την πρόβλεψη της πιθανότητας αγοράς: Support Vector Machines (SVM), Random Forest και XGBoost. Τα μοντέλα συγκρίνονται ως προς την προβλεπτική τους απόδοση χρησιμοποιώντας κατάλληλες μετρικές αξιολόγησης, με στόχο τον εντοπισμό της καταλληλότερης προσέγγισης για την εκτίμηση της αγοραστικής πρόθεσης. Τα αποτελέσματα της ανάλυσης δείχνουν ότι τα δεδομένα συμπεριφοράς χρηστών μπορούν να αξιοποιηθούν αποτελεσματικά για την πρόβλεψη της πιθανότητας αγοράς, ενώ τα μοντέλα μηχανικής μάθησης παρουσιάζουν σημαντικές διαφορές ως προς την προβλεπτική τους απόδοση. Παράλληλα, η εργασία προτείνει ένα εννοιολογικό πλαίσιο αξιοποίησης των προβλέψεων πρόθεσης αγοράς για την ανάπτυξη μηχανισμών real-time προσωποποίησης σε πλατφόρμες ηλεκτρονικού εμπορίου. Η συμβολή της μελέτης έγκειται στη σύνδεση της προγνωστικής αναλυτικής με την επιχειρησιακή εφαρμογή της εξατομίκευσης στο fashion e-commerce, αναδεικνύοντας πώς τα αποτελέσματα των μοντέλων πρόβλεψης μπορούν να μετατραπούν σε πρακτικές data-driven στρατηγικές που βελτιώνουν την εμπειρία πελάτη και την απόδοση των ψηφιακών πλατφορμών.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Πιλαφτσή Βικτώρια
- Pilaftsi Viktoria
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:5451730