Η μηχανική μάθηση έχει καθιερωθεί ως βασικό εργαλείο στην ανάλυση μάρκετινγκ, συμβάλλοντας στην αυτοματοποίηση διαδικασιών, τη βελτίωση στρατηγικών και τη μεγιστοποίηση της απόδοσης διαφημιστικών καμπανιών. Η παρούσα μελέτη διερευνά τον ρόλο της μηχανικής μάθησης στην αναλυτική μάρκετινγκ, με έμφαση στη διαδικτυακή διαφήμιση και τις πωλήσεις, αναδεικνύοντας τη σημασία της για την ανάπτυξη αποδοτικών στρατηγικών σε ένα περιβάλλον που χαρακτηρίζεται από αυξανόμενη πολυπλοκότητα και δυναμική μεταβολή. Εξετάζεται η μετάβαση από τις γενικές, μη εξατομικευμένες διαφημίσεις σε στρατηγικές βασισμένες στη συλλογή και ανάλυση δεδομένων, αναδεικνύοντας τη χρησιμότητα των μοντέλων μηχανικής μάθησης στην ακριβή στόχευση πελατών και την αποδοτική κατανομή πόρων. Ειδικότερα, με τη βοήθεια παραδειγμάτων διερευνώνται οι εφαρμογές της μηχανικής μάθησης στην κατηγοριοποίηση πελατών, την πρόβλεψη τάσεων και την παροχή προσωποποιημένων προτάσεων, με στόχο την αποδοτική κατανομή πόρων και τη βελτίωση της απόδοσης επενδύσεων (ROI). Τα ευρήματα της παρούσας έρευνας, που διενεργήθηκε βασισμένη στον αλγόριθμο XGBoost, επιβεβαιώνουν ότι οι παράγοντες με τη μεγαλύτερη επίδραση στις διαφημιστικές εκστρατείες περιλαμβάνουν τη διάρκεια παραμονής στον ιστότοπο, τα ανοίγματα και τα κλικ στα email, καθώς και την αλληλεπίδραση με τα μέσα κοινωνικής δικτύωσης. Το SEO, το PPC και τα μέσα κοινωνικής δικτύωσης αναδεικνύονται ως τα πλέον αποδοτικά κανάλια, ενώ το Email Marketing και οι καμπάνιες Referral παρουσίασαν χαμηλότερη αποτελεσματικότητα, υποδεικνύοντας ανάγκη για βελτιστοποίηση. Συνολικά, τα αποτελέσματα υπογραμμίζουν τη σημασία μιας ολιστικής προσέγγισης στη στρατηγική διαφημιστικών εκστρατειών, που ενσωματώνει την προσωποποίηση και την ανάλυση πολλαπλών παραγόντων για τη μεγιστοποίηση της απόδοσης. Αντανακλώντας τη σημασία της παρούσας μελέτης, η εργασία υπογραμμίζει τη συμβολή των προηγμένων τεχνικών μηχανικής μάθησης στη βελτιστοποίηση στρατηγικών μάρκετινγκ, εστιάζοντας στη δυνατότητα αύξησης της απόδοσης μέσω καλύτερης κατανόησης της συμπεριφοράς των πελατών.
(EL)
Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2025.
(EL)
Approved for entry into archive by Κυριακή Μπαλτά (
[email protected]) on 2025-02-17T15:28:20Z (GMT) No. of bitstreams: 2
license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)
PiperidouSofiaMsc2025.pdf: 6551266 bytes, checksum: c7f7327ab56e113f50f5a25e23a9c6f1 (MD5)
(EN)
Submitted by ΣΟΦΙΑ ΠΙΠΕΡΙΔΟΥ (
[email protected]) on 2025-02-15T13:42:11Z
No. of bitstreams: 2
license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)
PiperidouSofiaMsc2025.pdf: 6551266 bytes, checksum: c7f7327ab56e113f50f5a25e23a9c6f1 (MD5)
(EN)
Made available in DSpace on 2025-02-17T15:28:20Z (GMT). No. of bitstreams: 2
license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)
PiperidouSofiaMsc2025.pdf: 6551266 bytes, checksum: c7f7327ab56e113f50f5a25e23a9c6f1 (MD5)
Previous issue date: 2025
(EN)
University of Macedonia
