Καταναλωτικές Τάσεις στις Ηλεκτρονικές Αγορές μέσω Ανάλυσης Δεδομένων και Μοντέλων Μηχανικής Μάθησης
ENGLISH ABSTRACT The rapid growth of e-commerce has significantly influenced consumer behavior and the way businesses analyze and exploit transactional data. The continuous generation of large volumes of data from online platforms highlights the need for modern data analysis and visualization tools in order to extract meaningful insights and support strategic decision-making. In this context, this master’s thesis examines consumer trends in online shopping through data analytics and predictive techniques, primarily using Tableau as the main analytical tool. The objective of this study is to analyze consumer purchasing behavior, identify patterns and trends, and segment consumers into distinct groups in order to derive actionable business insights. The data used originate from real or simulated e-commerce transaction datasets and include information related to customers, time periods, geographic distribution, and financial indicators. The adopted methodology follows a quantitative approach and includes data cleaning and preprocessing, exploratory data analysis, and the application of analytical techniques through Tableau. Emphasis is placed on data visualization, interactive dashboards, and dynamic filters, which enable the exploration of consumer behavior across different temporal and geographic dimensions. Additionally, clustering techniques and predictive analysis supported by Tableau, such as trend forecasting and geographic mapping, are applied. The results highlight the importance of visual analytics and interactive data exploration in understanding consumer patterns and designing targeted marketing strategies. Furthermore, the study underlines the role of business intelligence tools in transforming raw data into actionable knowledge, while also addressing ethical considerations and data privacy issues related to the analysis of consumer information
Thesis
Η δυναμική ανάπτυξη του ηλεκτρονικού εμπορίου έχει επιφέρει σημαντικές αλλαγές στη συμπεριφορά των καταναλωτών και στον τρόπο με τον οποίο οι επιχειρήσεις αναλύουν και αξιοποιούν τα δεδομένα τους. Η συνεχής παραγωγή μεγάλου όγκου δεδομένων από ηλεκτρονικές συναλλαγές και ψηφιακές πλατφόρμες καθιστά αναγκαία τη χρήση σύγχρονων εργαλείων ανάλυσης και οπτικοποίησης, προκειμένου να εξαχθούν ουσιαστικά συμπεράσματα και να υποστηριχθεί η λήψη επιχειρησιακών αποφάσεων. Στο πλαίσιο αυτό, η παρούσα μεταπτυχιακή διατριβή εξετάζει τις καταναλωτικές τάσεις στις ηλεκτρονικές αγορές μέσω ανάλυσης δεδομένων και τεχνικών προβλεπτικής ανάλυσης, με κύριο εργαλείο το λογισμικό Tableau. Σκοπός της εργασίας είναι η κατανόηση και ανάλυση της αγοραστικής συμπεριφοράς των καταναλωτών, η αναγνώριση προτύπων και τάσεων, καθώς και η κατηγοριοποίησή τους σε διακριτές ομάδες, με στόχο τη δημιουργία χρήσιμων επιχειρησιακών συμπερασμάτων. Τα δεδομένα που χρησιμοποιούνται προέρχονται από σύνολα ηλεκτρονικών συναλλαγών πραγματικού ή προσομοιωμένου περιβάλλοντος και περιλαμβάνουν πληροφορίες σχετικά με πελάτες, χρονικές περιόδους αγορών, γεωγραφική κατανομή και οικονομικά μεγέθη. Η μεθοδολογία βασίζεται σε ποσοτική ανάλυση δεδομένων και περιλαμβάνει στάδια καθαρισμού και προεπεξεργασίας, εξερευνητικής ανάλυσης δεδομένων και εφαρμογής τεχνικών ανάλυσης μέσω του Tableau. Ιδιαίτερη έμφαση δίνεται στη χρήση οπτικοποιήσεων, διαδραστικών dashboards και φίλτρων, τα οποία επιτρέπουν τη διερεύνηση της συμπεριφοράς των καταναλωτών σε διαφορετικές χρονικές και γεωγραφικές διαστάσεις. Παράλληλα, εφαρμόζονται τεχνικές ομαδοποίησης (clustering) και προβλεπτικής ανάλυσης που υποστηρίζονται από το Tableau, όπως forecasting τάσεων και χαρτογραφική απεικόνιση δεδομένων. Τα αποτελέσματα αναδεικνύουν τη σημασία της οπτικής ανάλυσης και της διαδραστικής διερεύνησης δεδομένων στην κατανόηση καταναλωτικών μοτίβων και στη διαμόρφωση στοχευμένων στρατηγικών marketing. Επιπλέον, επισημαίνεται ο ρόλος των εργαλείων business intelligence στη μετατροπή των δεδομένων σε αξιοποιήσιμη γνώση, ενώ εξετάζονται ζητήματα δεοντολογίας και προστασίας προσωπικών δεδομένων στο πλαίσιο της ανάλυσης καταναλωτικών πληροφοριών.