Χρήση μεγάλων δεδομένων και νευρωνικών δικτυών για την αξιολόγηση της απόδοσης διαφημιστικών καμπανιών
| datacite.contributor.RelatedPerson | Χαλκιόπουλος, Κωνσταντίνος | |
| datacite.contributor.RelatedPerson | Αντωνοπούλου, Ήρα | |
| datacite.contributor.Supervisor | Θεοδωρακόπουλος, Λεωνίδας | |
| dc.contributor.author | Γεωργακόπουλος, Παναγιώτης | |
| dc.contributor.other | Georgakopoulos, Panagiotis | |
| dc.date.accessioned | 2026-05-25T05:45:28Z | |
| dc.date.available | 2026-05-25T05:45:28Z | |
| dc.date.issued | 2026-05-08 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή σύγχρονων υπολογιστικών προσεγγίσεων για την αποτίμηση της αποτελεσματικότητας ψηφιακών καμπανιών στο πεδίο του μάρκετινγκ. Αρχικά παρουσιάζεται το θεωρητικό υπόβαθρο που αφορά το ψηφιακό μάρκετινγκ, τους βασικούς δείκτες αποδοτικότητας, τα χαρακτηριστικά των δεδομένων μεγάλης κλίμακας και τον ρόλο των προβλεπτικών μοντέλων στη διαδικασία λήψης αποφάσεων. Στη συνέχεια εξετάζονται οι βασικές αρχές λειτουργίας των πολυεπίπεδων perceptrons, καθώς και η καταλληλότητά τους για προβλήματα δυαδικής ταξινόμησης σε δομημένα δεδομένα. Στο εμπειρικό μέρος της μελέτης αξιοποιήθηκε σύνολο δεδομένων ψηφιακού μάρκετινγκ από την πλατφόρμα Kaggle, με εξαρτημένη μεταβλητή τη μετατροπή χρήστη. Αναπτύχθηκαν τρεις διαφορετικές αρχιτεκτονικές MLP σε περιβάλλον Python, κατόπιν κατάλληλης προεπεξεργασίας, κανονικοποίησης των αριθμητικών χαρακτηριστικών και κωδικοποίησης των κατηγορικών μεταβλητών. Η αποτίμηση των μοντέλων πραγματοποιήθηκε μέσω των δεικτών Accuracy, Precision, Recall, F1-score, ROC-AUC και Log Loss. Τα αποτελέσματα ανέδειξαν ότι το απλούστερο μοντέλο παρουσίασε την υψηλότερη συνολική επίδοση, γεγονός που υποδηλώνει ότι η αυξημένη αρχιτεκτονική πολυπλοκότητα δεν συνεπάγεται κατ’ ανάγκην ανώτερη προβλεπτική ικανότητα. Συμπερασματικά, η εργασία καταδεικνύει ότι τα υπολογιστικά μοντέλα μπορούν να συμβάλουν ουσιαστικά στην εκτίμηση της πιθανότητας μετατροπής και στην υποστήριξη τεκμηριωμένων στρατηγικών παρεμβάσεων στο σύγχρονο ψηφιακό οικοσύστημα. | |
| dc.description.translatedabstract | This thesis investigates the application of contemporary computational approaches to the assessment of digital campaign effectiveness in the field of marketing. First, the theoretical framework of digital marketing, key performance indicators, the main characteristics of large-scale data, and the role of predictive models in decision-making are presented. Particular emphasis is placed on the analytical potential of multilayer perceptrons and on their suitability for binary classification problems involving structured datasets. In the empirical part of the study, a digital marketing dataset obtained from the Kaggle platform was employed, with user conversion serving as the dependent variable. Three different MLP architectures were developed in a Python environment following appropriate data preprocessing, numerical feature scaling, and categorical variable encoding. Model performance was evaluated using Accuracy, Precision, Recall, F1-score, ROC-AUC, and Log Loss. The findings indicated that the simplest architecture achieved the best overall performance, suggesting that increased architectural complexity does not necessarily lead to superior predictive capability. This result is of particular importance, as it highlights the need to align model design with the characteristics of the available data rather than assuming that deeper or more complex networks will always be more effective. Overall, the study demonstrates that computational models can contribute meaningfully to estimating conversion probability and to supporting more informed strategic interventions within the contemporary digital ecosystem. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31829 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | |
| dc.subject | Προβλεπτική αναλυτική | |
| dc.subject | Μοντελοποίηση μετατροπής | |
| dc.subject | Υποστήριξη λήψης αποφάσεων | |
| dc.subject | Συμπεριφορά καταναλωτή | |
| dc.subject.alternative | Predictive analytics | |
| dc.subject.alternative | Conversion modeling | |
| dc.subject.alternative | Decision support | |
| dc.subject.alternative | Consumer behavior | |
| dc.title | Χρήση μεγάλων δεδομένων και νευρωνικών δικτυών για την αξιολόγηση της απόδοσης διαφημιστικών καμπανιών | |
| dc.title.alternative | The use of big data and neural networks to evaluate the performance of advertising campaigns |