{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5456476"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5456476","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Aνάλυση πελατειακής συμπεριφοράς στον τραπεζικό τομέα με αξιοποίηση δομημένων και ημιδομημένων δεδομένων","abstract":"Η συνύπαρξη σχεσιακών (SQL) και μη σχεσιακών (NoSQL) βάσεων δεδομένων είναι πλέον διαδεδομένη στις σύγχρονες τραπεζικές υποδομές, καθώς διαφορετικοί τύποι δεδομένων εξυπηρετούνται καλύτερα από διαφορετικά μοντέλα. Η παρούσα διπλωματική εργασία μελετά την πελατειακή συμπεριφορά στον τραπεζικό τομέα, αξιοποιώντας δύο πραγματικά τραπεζικά datasets: το Bank Customer Segmentation (Kaggle), σε δομημένη μορφή που φορτώνεται σε σχεσιακή βάση δεδομένων SQLite, και το MBD (Multimodal Banking Dataset), σε ημιδομημένη μορφή που αποθηκεύεται σε MongoDB. Σε καθένα από τα δύο εφαρμόζεται περιγραφική ανάλυση: στο πρώτο μέσω SQL ερωτημάτων, και στο δεύτερο μέσω aggregation pipelines της MongoDB. Εξετάζονται η κατανομή πελατών ανά φύλο και γεωγραφική περιοχή, η μέση αξία και συχνότητα συναλλαγών, καθώς και οι πιο δραστήριες ομάδες πελατών — αναλύσεις που αναδεικνύουν συγκρίσιμα μοτίβα και επιτρέπουν την αξιολόγηση των δύο τεχνολογικών προσεγγίσεων στην πράξη. Πέρα από την περιγραφική ανάλυση, η εργασία προτείνει ένα αμφίδρομο πλαίσιο γεφύρωσης μεταξύ των δύο μοντέλων δεδομένων μέσω mapping documents, που περιγράφουν τη μετατροπή τόσο από δομημένη σε ημιδομημένη μορφή όσο και αντίστροφα. Παράλληλα, εφαρμόζεται ο αλγόριθμος k-means στο ημιδομημένο dataset για την ομαδοποίηση πελατών με βάση τη συναλλακτική τους συμπεριφορά, το βέλτιστο πλήθος ομάδων επιλέγεται με τη μέθοδο elbow, και τελικά προκύπτουν τέσσερις ξεχωριστές ομάδες με διακριτά προφίλ. Συνολικά, η εργασία υποστηρίζει ότι τα δομημένα και τα ημιδομημένα δεδομένα είναι συμπληρωματικά, και ότι η μεταξύ τους γεφύρωση αποτελεί πραγματική επιλογή για τη σύγχρονη ανάλυση τραπεζικών δεδομένων.","abstract_html":"Η συνύπαρξη σχεσιακών (SQL) και μη σχεσιακών (NoSQL) βάσεων δεδομένων είναι πλέον διαδεδομένη στις σύγχρονες τραπεζικές υποδομές, καθώς διαφορετικοί τύποι δεδομένων εξυπηρετούνται καλύτερα από διαφορετικά μοντέλα. Η παρούσα διπλωματική εργασία μελετά την πελατειακή συμπεριφορά στον τραπεζικό τομέα, αξιοποιώντας δύο πραγματικά τραπεζικά datasets: το Bank Customer Segmentation (Kaggle), σε δομημένη μορφή που φορτώνεται σε σχεσιακή βάση δεδομένων SQLite, και το MBD (Multimodal Banking Dataset), σε ημιδομημένη μορφή που αποθηκεύεται σε MongoDB. Σε καθένα από τα δύο εφαρμόζεται περιγραφική ανάλυση: στο πρώτο μέσω SQL ερωτημάτων, και στο δεύτερο μέσω aggregation pipelines της MongoDB. Εξετάζονται η κατανομή πελατών ανά φύλο και γεωγραφική περιοχή, η μέση αξία και συχνότητα συναλλαγών, καθώς και οι πιο δραστήριες ομάδες πελατών — αναλύσεις που αναδεικνύουν συγκρίσιμα μοτίβα και επιτρέπουν την αξιολόγηση των δύο τεχνολογικών προσεγγίσεων στην πράξη. Πέρα από την περιγραφική ανάλυση, η εργασία προτείνει ένα αμφίδρομο πλαίσιο γεφύρωσης μεταξύ των δύο μοντέλων δεδομένων μέσω mapping documents, που περιγράφουν τη μετατροπή τόσο από δομημένη σε ημιδομημένη μορφή όσο και αντίστροφα. Παράλληλα, εφαρμόζεται ο αλγόριθμος k-means στο ημιδομημένο dataset για την ομαδοποίηση πελατών με βάση τη συναλλακτική τους συμπεριφορά, το βέλτιστο πλήθος ομάδων επιλέγεται με τη μέθοδο elbow, και τελικά προκύπτουν τέσσερις ξεχωριστές ομάδες με διακριτά προφίλ. Συνολικά, η εργασία υποστηρίζει ότι τα δομημένα και τα ημιδομημένα δεδομένα είναι συμπληρωματικά, και ότι η μεταξύ τους γεφύρωση αποτελεί πραγματική επιλογή για τη σύγχρονη ανάλυση τραπεζικών δεδομένων.","abstract_has_math":false,"creators":["ΚΟΛΙΟΣ ΤΗΛΕΜΑΧΟΣ-ΣΤΕΦΑΝΟΣ","KOLIOS TILEMACHOS-STEFANOS"],"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":"2026-11-19T05:20:56Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5456476"],"render_values":[{"text":"uoadl:5456476","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5456476","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5456476","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%3A5456476","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΟΛΙΟΣ ΤΗΛΕΜΑΧΟΣ-ΣΤΕΦΑΝΟΣ","KOLIOS TILEMACHOS-STEFANOS"]}]},{"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:5456476","https://pergamos.lib.uoa.gr/uoa/dl/object/5456476"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η συνύπαρξη σχεσιακών (SQL) και μη σχεσιακών (NoSQL) βάσεων δεδομένων είναι πλέον διαδεδομένη στις σύγχρονες τραπεζικές υποδομές, καθώς διαφορετικοί τύποι δεδομένων εξυπηρετούνται καλύτερα από διαφορετικά μοντέλα. Η παρούσα διπλωματική εργασία μελετά την πελατειακή συμπεριφορά στον τραπεζικό τομέα, αξιοποιώντας δύο πραγματικά τραπεζικά datasets: το Bank Customer Segmentation (Kaggle), σε δομημένη μορφή που φορτώνεται σε σχεσιακή βάση δεδομένων SQLite, και το MBD (Multimodal Banking Dataset), σε ημιδομημένη μορφή που αποθηκεύεται σε MongoDB. Σε καθένα από τα δύο εφαρμόζεται περιγραφική ανάλυση: στο πρώτο μέσω SQL ερωτημάτων, και στο δεύτερο μέσω aggregation pipelines της MongoDB. Εξετάζονται η κατανομή πελατών ανά φύλο και γεωγραφική περιοχή, η μέση αξία και συχνότητα συναλλαγών, καθώς και οι πιο δραστήριες ομάδες πελατών — αναλύσεις που αναδεικνύουν συγκρίσιμα μοτίβα και επιτρέπουν την αξιολόγηση των δύο τεχνολογικών προσεγγίσεων στην πράξη. Πέρα από την περιγραφική ανάλυση, η εργασία προτείνει ένα αμφίδρομο πλαίσιο γεφύρωσης μεταξύ των δύο μοντέλων δεδομένων μέσω mapping documents, που περιγράφουν τη μετατροπή τόσο από δομημένη σε ημιδομημένη μορφή όσο και αντίστροφα. Παράλληλα, εφαρμόζεται ο αλγόριθμος k-means στο ημιδομημένο dataset για την ομαδοποίηση πελατών με βάση τη συναλλακτική τους συμπεριφορά, το βέλτιστο πλήθος ομάδων επιλέγεται με τη μέθοδο elbow, και τελικά προκύπτουν τέσσερις ξεχωριστές ομάδες με διακριτά προφίλ. Συνολικά, η εργασία υποστηρίζει ότι τα δομημένα και τα ημιδομημένα δεδομένα είναι συμπληρωματικά, και ότι η μεταξύ τους γεφύρωση αποτελεί πραγματική επιλογή για τη σύγχρονη ανάλυση τραπεζικών δεδομένων.","The coexistence of relational (SQL) and non-relational (NoSQL) databases has become widespread in modern banking infrastructures, as different types of data are better served by different models. This thesis studies customer behavior in the banking sector, drawing on two real banking datasets: the Bank Customer Segmentation dataset (Kaggle), in structured form, loaded into a SQLite relational database, and the MBD (Multimodal Banking Dataset), in semi-structured form, stored in MongoDB. Descriptive analysis is performed on each: on the first through SQL queries, and on the second through MongoDB aggregation pipelines. The analysis examine the distribution of customers by gender and geographic region, the average value and frequency of transactions, and the most active customer groups — analyses that reveal comparable patterns and enable the evaluation of the two technological approaches in practice. Beyond the descriptive analysis, the thesis proposes a bidirectional bridging framework between the two data models, based on mapping documents that describe the conversion from structured to semi-structured form and vice versa. In parallel, the k-means algorithm is applied to the semi-structured dataset to group customers based on their transactional behavior; the optimal number of clusters is selected using the elbow method, and four distinct customer groups with separate profiles are obtained. Overall, the thesis supports the view that structured and semi-structured data are complementary, and that bridging them is a realistic choice for modern banking data analysis."]},{"key":"dc:title","label":"Title","values":["Aνάλυση πελατειακής συμπεριφοράς στον τραπεζικό τομέα με αξιοποίηση δομημένων και ημιδομημένων δεδομένων"]}]}],"canonical_facts":{"dc:creator":["ΚΟΛΙΟΣ ΤΗΛΕΜΑΧΟΣ-ΣΤΕΦΑΝΟΣ","KOLIOS TILEMACHOS-STEFANOS"],"dc:date":["2026"],"dc:description":["Η συνύπαρξη σχεσιακών (SQL) και μη σχεσιακών (NoSQL) βάσεων δεδομένων είναι πλέον διαδεδομένη στις σύγχρονες τραπεζικές υποδομές, καθώς διαφορετικοί τύποι δεδομένων εξυπηρετούνται καλύτερα από διαφορετικά μοντέλα. Η παρούσα διπλωματική εργασία μελετά την πελατειακή συμπεριφορά στον τραπεζικό τομέα, αξιοποιώντας δύο πραγματικά τραπεζικά datasets: το Bank Customer Segmentation (Kaggle), σε δομημένη μορφή που φορτώνεται σε σχεσιακή βάση δεδομένων SQLite, και το MBD (Multimodal Banking Dataset), σε ημιδομημένη μορφή που αποθηκεύεται σε MongoDB. Σε καθένα από τα δύο εφαρμόζεται περιγραφική ανάλυση: στο πρώτο μέσω SQL ερωτημάτων, και στο δεύτερο μέσω aggregation pipelines της MongoDB. Εξετάζονται η κατανομή πελατών ανά φύλο και γεωγραφική περιοχή, η μέση αξία και συχνότητα συναλλαγών, καθώς και οι πιο δραστήριες ομάδες πελατών — αναλύσεις που αναδεικνύουν συγκρίσιμα μοτίβα και επιτρέπουν την αξιολόγηση των δύο τεχνολογικών προσεγγίσεων στην πράξη. Πέρα από την περιγραφική ανάλυση, η εργασία προτείνει ένα αμφίδρομο πλαίσιο γεφύρωσης μεταξύ των δύο μοντέλων δεδομένων μέσω mapping documents, που περιγράφουν τη μετατροπή τόσο από δομημένη σε ημιδομημένη μορφή όσο και αντίστροφα. Παράλληλα, εφαρμόζεται ο αλγόριθμος k-means στο ημιδομημένο dataset για την ομαδοποίηση πελατών με βάση τη συναλλακτική τους συμπεριφορά, το βέλτιστο πλήθος ομάδων επιλέγεται με τη μέθοδο elbow, και τελικά προκύπτουν τέσσερις ξεχωριστές ομάδες με διακριτά προφίλ. Συνολικά, η εργασία υποστηρίζει ότι τα δομημένα και τα ημιδομημένα δεδομένα είναι συμπληρωματικά, και ότι η μεταξύ τους γεφύρωση αποτελεί πραγματική επιλογή για τη σύγχρονη ανάλυση τραπεζικών δεδομένων.","The coexistence of relational (SQL) and non-relational (NoSQL) databases has become widespread in modern banking infrastructures, as different types of data are better served by different models. This thesis studies customer behavior in the banking sector, drawing on two real banking datasets: the Bank Customer Segmentation dataset (Kaggle), in structured form, loaded into a SQLite relational database, and the MBD (Multimodal Banking Dataset), in semi-structured form, stored in MongoDB. Descriptive analysis is performed on each: on the first through SQL queries, and on the second through MongoDB aggregation pipelines. The analysis examine the distribution of customers by gender and geographic region, the average value and frequency of transactions, and the most active customer groups — analyses that reveal comparable patterns and enable the evaluation of the two technological approaches in practice. Beyond the descriptive analysis, the thesis proposes a bidirectional bridging framework between the two data models, based on mapping documents that describe the conversion from structured to semi-structured form and vice versa. In parallel, the k-means algorithm is applied to the semi-structured dataset to group customers based on their transactional behavior; the optimal number of clusters is selected using the elbow method, and four distinct customer groups with separate profiles are obtained. Overall, the thesis supports the view that structured and semi-structured data are complementary, and that bridging them is a realistic choice for modern banking data analysis."],"dc:identifier":["uoadl:5456476","https://pergamos.lib.uoa.gr/uoa/dl/object/5456476"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Aνάλυση πελατειακής συμπεριφοράς στον τραπεζικό τομέα με αξιοποίηση δομημένων και ημιδομημένων δεδομένων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:56Z"}