Ο σκοπός της διπλωματικής εργασίας ήταν η ανάπτυξη μεθοδολογίας για την πρόβλεψη των μηνιαίων εσόδων ενός οργανισμού, ο οποίος λαμβάνει έσοδα από συνδρομές. Για την εξαγωγή ακριβών αποτελεσμάτων εφαρμόστηκαν δύο μεθοδολογίες. Πρώτα εφαρμόστηκε η ανάλυση παλινδρόμησης με εσωτερικούς και εξωτερικούς-μακροοικονομικούς παράγοντες και στη συνέχεια η ανάπτυξη ενός νευρωνικού δικτύου μακρά βραχύχρονής μνήμης πάνω σε δεδομένα χρονοσειρών.Συγκεκριμένα, αναζητήθηκαν οι συσχετίσεις μεταξύ του εσόδου και όλων των μεταβλητών που επιλέχθηκαν, και πραγματοποιήθηκε ανάλυση παλινδρόμηση για τους επιλεγμένους συνδυασμούς. Τέλος, αφού πραγματοποιήσαμε έλεγχο υποθέσεων, καταλήξαμε στα αποτελέσματα της συγκεκριμένη προσέγγισης. Στη συνέχεια, στηριζόμενοι στο ότι τα δεδομένα εσόδου από συνδρομές αποτελούν δεδομένα χρονοσειρών, πραγματοποιήθηκε η πρόβλεψη μέσα από το νευρωνικό δίκτυο μακράς βραχύχρονης μνήμης.Οι δύο αυτές μεθοδολογίες αναπτύχθηκαν έτσι ώστε να εφαρμοστούν αποτελεσματικά και σε άλλες περιπτώσεις πρόβλεψης συνδρομητικών εσόδων συνδυάζοντας και τα πλεονεκτήματα απόδοσης της γλώσσας προγραμματισμού Python σε έργα ανάλυσης δεδομένων.
(EL)
The objective of the thesis was to create a methodology to accurately forecast monthly revenue for an organization that generates income from subscriptions. Two methodologies were utilized to achieve this goal. Initially, regression analysis was conducted using internal and external macroeconomic factors, and subsequently, a long short-term memory neural network was developed to analyze time series data.The first approach involved analyzing the correlations between income and various selected variables and conducting regression analysis on the chosen combinations. Hypothesis testing was then carried out to arrive at the final results. The second approach involved using time series data from subscription inputs to create predictions through the long short-term memory neural network.Both of these methodologies were developed in a way that can be effectively applied to other cases of subscription revenue forecasting. The use of the Python programming language in data analysis projects ensured that the process was efficient and effective.
(EN)
Athens University of Economics and Business
