Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39764Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Παππάς, Χρηστάκης | el |
| dc.contributor.author | Pappas, Christakis | en |
| dc.date.accessioned | 2026-02-09T14:49:45Z | - |
| dc.date.available | 2026-02-09T14:49:45Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39764 | - |
| dc.rights | Default License | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Ταξινόμηση | el |
| dc.subject | Συμπεριφορά πελατών | el |
| dc.subject | Λιανικό εμπόριο | el |
| dc.subject | Προγνωστική ανάλυση | el |
| dc.title | Πρόβλεψη συμπεριφοράς πελάτη σούπερ μάρκετ λιανικής με ανάπτυξη classification σε γλώσσα python χρησιμοποιώντας dataset συμπεριφορικών και δημογραφικών δεδομένων | el |
| dc.title | Prediction of retail supermarket customer behavior through the development of classification models in python using behavioral and demographic datasets | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Μάρκετινγκ -- Προγραμματισμός | el |
| heal.classification | Marketing -- Programming | en |
| heal.language | el | el |
| heal.access | campus | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Οικονομικών και Διοικητικών Επιστημών | el |
| heal.publicationDate | 2025-12 | - |
| heal.bibliographicCitation | Παππάς, Χ. (2025). Πρόβλεψη συμπεριφοράς πελάτη σούπερ μάρκετ λιανικής με ανάπτυξη classification σε γλώσσα python χρησιμοποιώντας dataset συμπεριφορικών και δημογραφικών δεδομένων | el |
| heal.bibliographicCitation | Pappas, C. (2025). Prediction of Retail Supermarket Customer Behavior through the Development of Classification Models in Python Using Behavioral and Demographic Datasets | en |
| heal.abstract | Η παρούσα διπλωματική εργασία εξετάζει την πρόβλεψη της συμπεριφοράς απόκρισης πελατών στο πλαίσιο του λιανικού εμπορίου σούπερ μάρκετ, αξιοποιώντας τεχνικές εποπτευόμενης μηχανικής μάθησης και δεδομένα δημογραφικού και συμπεριφορικού χαρακτήρα. Στόχος της μελέτης είναι η ανάπτυξη και συγκριτική αξιολόγηση πολλαπλών αλγορίθμων ταξινόμησης, με σκοπό την ακριβή εκτίμηση της πιθανότητας αποδοχής μιας προωθητικής ενέργειας και τη διερεύνηση της επιχειρησιακής τους χρησιμότητας. Η ανάλυση βασίζεται σε δημόσια διαθέσιμο σύνολο δεδομένων, το οποίο υποβάλλεται σε εκτενή προεπεξεργασία, συμπεριλαμβανομένου του καθαρισμού, της κωδικοποίησης κατηγορικών μεταβλητών, της κλιμάκωσης χαρακτηριστικών και της αντιμετώπισης της ανισορροπίας κλάσεων. Στο πειραματικό πρωτόκολλο εντάσσονται διάφοροι ταξινομητές, όπως Λογιστική Παλινδρόμηση, Δέντρα Απόφασης, Random Forests, Extra Trees, K-Nearest Neighbors, Support Vector Machines, Naive Bayes, AdaBoost, Gradient Boosting και Νευρωνικά Δίκτυα. Η αξιολόγηση πραγματοποιείται σε κοινό σύνολο δοκιμής, με τη χρήση καθιερωμένων μετρικών απόδοσης, όπως Accuracy, Precision, Recall, F1-score και ROC–AUC, επιτρέποντας άμεση και συνεπή σύγκριση. Τα αποτελέσματα καταδεικνύουν ότι τα ensemble μοντέλα και οι μέθοδοι μέγιστου περιθωρίου υπερέχουν σε όρους συνολικής διακριτικής ικανότητας, ενώ απλούστερα μοντέλα διατηρούν πλεονεκτήματα ερμηνευσιμότητας και σταθερότητας. Η εργασία ολοκληρώνεται με συζήτηση των περιορισμών, σύνδεση με τη σχετική βιβλιογραφία και ανάλυση των επιχειρησιακών συνεπειών, αναδεικνύοντας πώς τα προγνωστικά σκορ μπορούν να υποστηρίξουν πολιτικές στοχευμένου μάρκετινγκ, υπό ρεαλιστικούς περιορισμούς κόστους και δεοντολογίας. | el |
| heal.abstract | This thesis investigates the prediction of customer response behavior in the context of retail supermarket marketing by employing supervised machine learning techniques on demographic and behavioral data. The primary objective of the study is the development and comparative evaluation of multiple classification algorithms in order to accurately estimate the probability of customer acceptance of promotional campaigns and to assess their operational relevance. The analysis is conducted on a publicly available dataset, which undergoes extensive preprocessing, including data cleaning, categorical encoding, feature scaling, and treatment of class imbalance. The experimental protocol incorporates a wide range of classifiers, namely Logistic Regression, Decision Trees, Random Forests, Extra Trees, K-Nearest Neighbors, Support Vector Machines, Naive Bayes, AdaBoost, Gradient Boosting and Neural Networks. Model evaluation is performed on a common test set using standard performance metrics such as Accuracy, Precision, Recall, F1-score, and ROC–AUC, enabling consistent and transparent comparison across methods. The results indicate that ensemble-based models and margin-based classifiers exhibit superior discriminative performance and robustness, while simpler models retain advantages in interpretability and stability. The findings are largely consistent with existing literature on retail response modeling, particularly in settings characterized by mixed-type features and imbalanced target classes. The thesis concludes with a discussion of methodological limitations, alignment with prior research, and an analysis of the business implications of the results. Emphasis is placed on how predictive scores can be operationalized to support targeted marketing strategies, threshold-based decision rules and cost–benefit–aware campaign design, while adhering to practical constraints related to data governance and ethical considerations. | en |
| heal.advisorName | Τριάρχη, Ειρήνη | el |
| heal.committeeMemberName | Κόλιας, Γεώργιος | el |
| heal.committeeMemberName | Παππά, Παρασκευή | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Οικονομικών και Διοικητικών Επιστημών. Τμήμα Λογιστικής και Χρηματοοικονομικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 98 | el |
| heal.fullTextAvailability | false | - |
| heal.fullTextAvailability | false | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΛΧ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ΜΕ ΠΑΠΠΑΣ ΧΡΗΣΤΑΚΗΣ 2025.pdf | 1.41 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
