Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Αλγόριθμοι πρόβλεψης διαδικτυακής συμπεριφοράς

Dritsa Anastasia

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/6011DAD6-17FC-4286-AD3B-24CF7673424E-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.101202-
Γλώσσαel-
Μέγεθος94 σελίδεςel
Μέγεθος1.3 megabytesen
ΤίτλοςΑλγόριθμοι πρόβλεψης διαδικτυακής συμπεριφοράςel
ΤίτλοςAlgorithms for predicting online behavior en
ΔημιουργόςDritsa Anastasiaen
ΔημιουργόςΔριτσα Αναστασιαel
Συντελεστής [Επιβλέπων Καθηγητής]Tsafarakis Steliosen
Συντελεστής [Επιβλέπων Καθηγητής]Τσαφαρακης Στελιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Doumpos Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δουμπος Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Krasadaki-Mitsotaki Evangeliaen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Κρασαδακη-Μητσοτακη Ευαγγελιαel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Production Engineering and Managementen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
ΠερίληψηΗ 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
ΠερίληψηThe 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
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2024-10-09-
Ημερομηνία Δημοσίευσης2024-
Θεματική ΚατηγορίαOnline behavioren
Θεματική ΚατηγορίαΔιαδικτυακή συμπεριφοράel
Θεματική ΚατηγορίαPredictive algorithmsen
Θεματική ΚατηγορίαΑλγόριθμοι πρόβλεψηςel
Θεματική ΚατηγορίαΛογιστική παλινδρόμησηel
Θεματική ΚατηγορίαΔέντρο αποφάσεων el
Θεματική ΚατηγορίαΤυχαία δάσηel
Θεματική ΚατηγορίαΜηχανές διανυσμάτων υποστήριξηςel
Θεματική ΚατηγορίαΝευρωνικά δίκτυαel
Βιβλιογραφική ΑναφοράΑναστασία Δρίτσα, "Αλγόριθμοι πρόβλεψης διαδικτυακής συμπεριφοράς", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el
Βιβλιογραφική ΑναφοράAnastasia Dritsa, "Algorithms for predicting online behavior ", Master Thesis, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2024en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά