{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5451730"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5451730","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Data-driven στρατηγικές εξατομίκευσης πελατών στη μόδα: από την πρόβλεψη πρόθεσης αγοράς στη real-time προσωποποίηση σε e-commerce πλατφόρμες","abstract":"Η 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.","abstract_html":"Η 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.","abstract_has_math":false,"creators":["Πιλαφτσή Βικτώρια","Pilaftsi Viktoria"],"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":"2026-11-19T05:20:47Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5451730"],"render_values":[{"text":"uoadl:5451730","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5451730","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5451730","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%3A5451730","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πιλαφτσή Βικτώρια","Pilaftsi Viktoria"]}]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5451730","https://pergamos.lib.uoa.gr/uoa/dl/object/5451730"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η 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.","The rapid growth of e-commerce has significantly transformed the way businesses interact with consumers and make managerial decisions. In the digital environment, every user interaction with an e-commerce platform generates behavioral data, such as product views, time spent on pages, cart additions, and purchase abandonment. The use of this data through predictive analytics and machine learning techniques creates new opportunities for understanding consumer behavior and developing personalized user experiences. The aim of this thesis is to investigate how user behavioral data can be utilized to predict purchase intention and support personalization strategies in fashion e-commerce. At a theoretical level, the analysis focuses on the fashion industry and the specific conditions that shape fashion e-commerce. However, for the purposes of the empirical investigation, the Online Shoppers Purchasing Intention dataset is used. This dataset is general in nature and includes variables related to users’ browsing behavior in an online store. This choice was considered necessary, as no suitable fashion-related dataset was identified that could accurately meet the objectives and requirements of the present study. Within the framework of the empirical analysis, three machine learning models are applied to predict purchase probability: Support Vector Machines (SVM), Random Forest, and XGBoost. The models are compared in terms of their predictive performance using appropriate evaluation metrics, with the aim of identifying the most suitable approach for estimating purchase intention. The results of the analysis indicate that user behavioral data can be effectively utilized to predict purchase probability, while the machine learning models show significant differences in their predictive performance. At the same time, the thesis proposes a conceptual framework for leveraging purchase intention predictions in the development of real-time personalization mechanisms on e-commerce platforms. The contribution of the study lies in linking predictive analytics with the business application of personalization in fashion e-commerce, highlighting how the results of prediction models can be transformed into practical data-driven strategies that improve customer experience and the performance of digital platforms."]},{"key":"dc:title","label":"Title","values":["Data-driven στρατηγικές εξατομίκευσης πελατών στη μόδα: από την πρόβλεψη πρόθεσης αγοράς στη real-time προσωποποίηση σε e-commerce πλατφόρμες"]}]}],"canonical_facts":{"dc:creator":["Πιλαφτσή Βικτώρια","Pilaftsi Viktoria"],"dc:date":["2026"],"dc:description":["Η 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.","The rapid growth of e-commerce has significantly transformed the way businesses interact with consumers and make managerial decisions. In the digital environment, every user interaction with an e-commerce platform generates behavioral data, such as product views, time spent on pages, cart additions, and purchase abandonment. The use of this data through predictive analytics and machine learning techniques creates new opportunities for understanding consumer behavior and developing personalized user experiences. The aim of this thesis is to investigate how user behavioral data can be utilized to predict purchase intention and support personalization strategies in fashion e-commerce. At a theoretical level, the analysis focuses on the fashion industry and the specific conditions that shape fashion e-commerce. However, for the purposes of the empirical investigation, the Online Shoppers Purchasing Intention dataset is used. This dataset is general in nature and includes variables related to users’ browsing behavior in an online store. This choice was considered necessary, as no suitable fashion-related dataset was identified that could accurately meet the objectives and requirements of the present study. Within the framework of the empirical analysis, three machine learning models are applied to predict purchase probability: Support Vector Machines (SVM), Random Forest, and XGBoost. The models are compared in terms of their predictive performance using appropriate evaluation metrics, with the aim of identifying the most suitable approach for estimating purchase intention. The results of the analysis indicate that user behavioral data can be effectively utilized to predict purchase probability, while the machine learning models show significant differences in their predictive performance. At the same time, the thesis proposes a conceptual framework for leveraging purchase intention predictions in the development of real-time personalization mechanisms on e-commerce platforms. The contribution of the study lies in linking predictive analytics with the business application of personalization in fashion e-commerce, highlighting how the results of prediction models can be transformed into practical data-driven strategies that improve customer experience and the performance of digital platforms."],"dc:identifier":["uoadl:5451730","https://pergamos.lib.uoa.gr/uoa/dl/object/5451730"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Data-driven στρατηγικές εξατομίκευσης πελατών στη μόδα: από την πρόβλεψη πρόθεσης αγοράς στη real-time προσωποποίηση σε e-commerce πλατφόρμες"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:47Z"}