Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Algorithms for predicting online behavior

Dritsa Anastasia

Simple record


URIhttp://purl.tuc.gr/dl/dias/6011DAD6-17FC-4286-AD3B-24CF7673424E-
Identifierhttps://doi.org/10.26233/heallink.tuc.101202-
Languageel-
Extent94 σελίδεςel
Extent1.3 megabytesen
TitleΑλγόριθμοι πρόβλεψης διαδικτυακής συμπεριφοράςel
TitleAlgorithms for predicting online behavior en
CreatorDritsa Anastasiaen
CreatorΔριτσα Αναστασιαel
Contributor [Thesis Supervisor]Tsafarakis Steliosen
Contributor [Thesis Supervisor]Τσαφαρακης Στελιοςel
Contributor [Committee Member]Doumpos Michailen
Contributor [Committee Member]Δουμπος Μιχαηλel
Contributor [Committee Member]Krasadaki-Mitsotaki Evangeliaen
Contributor [Committee Member]Κρασαδακη-Μητσοτακη Ευαγγελιαel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Production Engineering and Managementen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
Content SummaryΗ επίγνωση της διαδικασίας της συμπεριφοράς των χρηστών στο χώρο του διαδικτύου αποτελεί βασικό στοιχείο του ψηφιακού μάρκετινγκ. Η εμβάθυνση της διαδικασίας έχει τη δυνατότητα ταξινόμησης των χρηστών με βάσει την συμπεριφορά τους και μπορεί να αναλυθεί. Για το σκοπό αυτό, η εργασία αναλύει τον τρόπο με τον οποίο οι αλγόριθμοι: Λογιστική Παλινδρόμηση, Δέντρα Αποφάσεων, Τυχαία Δάση, Μηχανές Διανυσμάτων Υποστήριξης και Νευρωνικά Δίκτυα, χρησιμοποιούνται για την ανάλυση και την πρόβλεψη των ενεργειών των χρηστών στο διαδικτυακό περιβάλλον. Αξιοποιώντας αυτούς τους αλγορίθμους, οι επιχειρήσεις έχουν τη δυνατότητα απόκτησης πολύτιμων πληροφοριών σχετικά με τις αλληλεπιδράσεις, τις προτιμήσεις και τις προθέσεις αγοράς των χρηστών, ενισχύοντας έτσι την αποτελεσματικότητα των στοχευμένων προσπαθειών μάρκετινγκ. Η μελέτη παρέχει συγκριτική ανάλυση των δυνατών σημείων και των περιορισμών κάθε αλγορίθμου, προσφέροντας πρακτικές οδηγίες για την επιλογή της καταλληλότερης μεθόδου για συγκεκριμένες εργασίες πρόβλεψης στην ψηφιακή αγορά. Τα ευρήματα τονίζουν τη σημασία των προηγμένων αναλυτικών τεχνικών για την κατανόηση και την επίδραση στη συμπεριφορά των καταναλωτών, οδηγώντας τελικά σε πιο εξατομικευμένες και αποτελεσματικές στρατηγικές μάρκετινγκ. el
Content SummaryThe awareness of the process of user behavior in the online space is a key element of digital marketing. Delving into this process allows for the categorization of users based on their behavior, which can then be analyzed. For this purpose, the study examines how algorithms such as Logistic Regression, Decision Trees, Random Forests, Support Vector Machines, and Neural Networks are used to analyze and predict user actions in the online environment. By utilizing these algorithms, businesses can gain valuable insights into user interactions, preferences, and purchase intentions, thereby enhancing the effectiveness of targeted marketing efforts. The study provides a comparative analysis of the strengths and limitations of each algorithm, offering practical guidance for selecting the most appropriate method for specific prediction tasks in the digital marketplace. The findings highlight the importance of advanced analytical techniques in understanding and influencing consumer behavior, ultimately leading to more personalized and effective marketing strategies. en
Type of ItemΜεταπτυχιακή Διατριβήel
Type of ItemMaster Thesisen
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2024-10-09-
Date of Publication2024-
SubjectOnline behavioren
SubjectΔιαδικτυακή συμπεριφοράel
SubjectPredictive algorithmsen
SubjectΑλγόριθμοι πρόβλεψηςel
SubjectΛογιστική παλινδρόμησηel
SubjectΔέντρο αποφάσεων el
SubjectΤυχαία δάσηel
SubjectΜηχανές διανυσμάτων υποστήριξηςel
SubjectΝευρωνικά δίκτυαel
Bibliographic CitationΑναστασία Δρίτσα, "Αλγόριθμοι πρόβλεψης διαδικτυακής συμπεριφοράς", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el
Bibliographic CitationAnastasia Dritsa, "Algorithms for predicting online behavior ", Master Thesis, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2024en

Available Files

Services

Statistics