| dc.contributor.advisor | Panagiotakis, Konstantinos | |
| dc.contributor.author | Βάβαλου, Περζή | |
| dc.date.accessioned | 2026-05-05T11:54:03Z | |
| dc.date.available | 2026-05-05T11:54:03Z | |
| dc.date.issued | 2026-02 | |
| dc.identifier.uri | http://hdl.handle.net/11728/13391 | |
| dc.description | ENGLISH ABSTRACT
This Master’s thesis investigates evolving consumer trends in the e-commerce landscape by transforming raw transactional data into actionable strategic insights. Utilizing the internationally recognized "Online Retail Dataset" (UCI Machine Learning Repository), the study implements a structured customer segmentation framework. The methodology integrates the RFM (Recency, Frequency, Monetary) model to quantify purchasing behavior, alongside advanced statistical normalization techniques (Z-Scores) and the K-Means Clustering machine learning algorithm.Data visualization and analysis conducted via Tableau revealed three (3) distinct strategic customer segments (VIP, Loyal, and Occasional). The findings validate Pareto's Principle, highlighting a critical minority of customers that generates the vast majority of total revenue. The thesis concludes with targeted managerial implications, including automated retention strategies and the optimization of Customer Lifetime Value (CLV). Ultimately, the study demonstrates that the synergy between Data Science and Strategic Marketing is a fundamental pillar for evidence-based decision-making in the era of Digital Transformation. | en_UK |
| dc.description.abstract | Η παρούσα διπλωματική εργασία διερευνά τις καταναλωτικές τάσεις στο σύγχρονο ψηφιακό περιβάλλον, εστιάζοντας στη μετατροπή των ακατέργαστων δεδομένων συναλλαγών σε στρατηγική γνώση. Μέσω της ανάλυσης του διεθνώς αναγνωρισμένου συνόλου δεδομένων "Online Retail Dataset" (UCI Machine Learning Repository), η έρευνα επιχειρεί τη δομημένη τμηματοποίηση της πελατειακής βάσης. Η μεθοδολογική προσέγγιση συνδυάζει το μοντέλο RFM (Recency, Frequency, Monetary) για την ποσοτικοποίηση της αγοραστικής συμπεριφοράς, με προηγμένες τεχνικές στατιστικής τυποποίησης (Z-Scores) και τον αλγόριθμο μηχανικής μάθησης K-Means Clustering.Η οπτικοποίηση και ανάλυση των δεδομένων μέσω του εργαλείου Tableau ανέδειξε τρεις (3) διακριτές στρατηγικές συστάδες πελατών (VIP, Πιστοί, Περιστασιακοί). Τα ευρήματα επιβεβαιώνουν την ισχύ της Αρχής του Pareto, αναδεικνύοντας μια κρίσιμη μειοψηφία πελατών που παράγει το μεγαλύτερο ποσοστό της κερδοφορίας. Η εργασία καταλήγει σε εξειδικευμένες διοικητικές προτάσεις, όπως η αυτοματοποιημένη διακράτηση (Retention) και η μεγιστοποίηση της Δια Βίου Αξίας του Πελάτη (CLV). Συνολικά, καταδεικνύεται ότι η σύγκλιση της Επιστήμης των Δεδομένων με το Στρατηγικό Μάρκετινγκ αποτελεί τον ακρογωνιαίο λίθο για τη λήψη τεκμηριωμένων επιχειρησιακών αποφάσεων στην εποχή του Digital Transformation.. | en_UK |
| dc.language.iso | el_GR | en_UK |
| dc.publisher | Μεταπτυχιακό Πρόγραμμα στην Ανάλυση Δεδομένων και Χρηματοοικονομική Τεχνολογία , Σχολή Οικονομικών Επιστημών και Διοίκησης, Πανεπιστήμιο Νεάπολις Πάφου | en_UK |
| dc.rights | Απαγορεύεται η δημοσίευση ή αναπαραγωγή, ηλεκτρονική ή άλλη χωρίς τη γραπτή συγκατάθεση του δημιουργού και κάτοχου των πνευματικών δικαιωμάτων | en_UK |
| dc.subject | E-commerce | en_UK |
| dc.subject | Consumer Behavior | en_UK |
| dc.subject | RFM Model, K-Means Clustering | en_UK |
| dc.subject | Z-Scores | en_UK |
| dc.subject | Tableau | en_UK |
| dc.subject | Marketing Strategy | en_UK |
| dc.subject | Customer Lifetime Value (CLV) | en_UK |
| dc.subject | Digital Transformation | en_UK |
| dc.title | Καταναλωτικές τάσεις στις ηλεκτρονικές αγορές μέσω ανάλυσης δεδομένων και μοντέλων μηχανικής μάθησης | en_UK |
| dc.title.alternative | Διπλωματική Εργασία η οποία υποβλήθηκε προς απόκτηση εξ αποστάσεως μεταπτυχιακού τίτλου σπουδών στην ανάλυση δεδομένων και χρηματοοικονομική τεχνολογία στο Πανεπιστήμιο Νεάπολις Πάφος. | en_UK |
| dc.type | Thesis | en_UK |
