![Institutional Repository [SANDBOX]](images/dias.logo.png "Institutional Repository [SANDBOX]"){kind=logo}
Institutional Repository [SANDBOX]
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/6011DAD6-17FC-4286-AD3B-24CF7673424E | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.101202 | - |
| Language | el | - |
| Extent | 94 σελίδες | el |
| Extent | 1.3 megabytes | en |
| Title | Αλγόριθμοι πρόβλεψης διαδικτυακής συμπεριφοράς | el |
| Title | Algorithms for predicting online behavior | en |
| Creator | Dritsa Anastasia | en |
| Creator | Δριτσα Αναστασια | el |
| Contributor [Thesis Supervisor] | Tsafarakis Stelios | en |
| Contributor [Thesis Supervisor] | Τσαφαρακης Στελιος | el |
| Contributor [Committee Member] | Doumpos Michail | en |
| Contributor [Committee Member] | Δουμπος Μιχαηλ | el |
| Contributor [Committee Member] | Krasadaki-Mitsotaki Evangelia | en |
| Contributor [Committee Member] | Κρασαδακη-Μητσοτακη Ευαγγελια | el |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Production Engineering and Management | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Content Summary | Η 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 Summary | The 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 Item | Μεταπτυχιακή Διατριβή | el |
| Type of Item | Master Thesis | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2024-10-09 | - |
| Date of Publication | 2024 | - |
| Subject | Online behavior | en |
| Subject | Διαδικτυακή συμπεριφορά | el |
| Subject | Predictive algorithms | en |
| Subject | Αλγόριθμοι πρόβλεψης | el |
| Subject | Λογιστική παλινδρόμηση | el |
| Subject | Δέντρο αποφάσεων | el |
| Subject | Τυχαία δάση | el |
| Subject | Μηχανές διανυσμάτων υποστήριξης | el |
| Subject | Νευρωνικά δίκτυα | el |
| Bibliographic Citation | Αναστασία Δρίτσα, "Αλγόριθμοι πρόβλεψης διαδικτυακής συμπεριφοράς", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 | el |
| Bibliographic Citation | Anastasia Dritsa, "Algorithms for predicting online behavior ", Master Thesis, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2024 | en |
Copyright © DIAS 2013
