ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ
Ονοματεπώνυμο: Ζήσος Ιωάννης
Αριθμός Μητρώου: 2012019049
Θέμα
Τίτλος στα Ελληνικά: Ανάπτυξη Πολυκριτήριου Συστήματος Συστάσεων για προσωποποιημένο Μάρκετινγκ
Τίτλος στα Αγγλικά: Development of Multicriteria Recommender System for personalized Marketing
Εξεταστική Επιτροπή:
Νικόλαος Ματσατσίνης, Καθηγητής (Επιβλέπων - Μέλος Τριμελούς Επιτροπής)
Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης
Ευάγγελος Γρηγορούδης, Καθηγητής (Μέλος Τριμελούς Επιτροπής)
Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης
Αθανάσιος Σπυριδάκος, Καθηγητής (Μέλος Τριμελούς Επιτροπής)
Σχολή Διοίκησης και Οικονομίας, Πανεπιστήμιο Δυτικής Αττικής
Μάρω Βλαχοπούλου, Καθηγήτρια
Σχολή Επιστημών Πληροφορίας, Πανεπιστήμιο Μακεδονίας
Παύλος Δελιάς, Αναπληρωτής Καθηγητής
Τμήμα Λογιστικής και Χρηματοοικονομικής, ΤΕΙ Ανατολικής Μακεδονίας-Θράκης
Στέλιος Τσαφαράκης, Επίκουρος Καθηγητής
Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης
Νικόλαος Τσότσολας, Επίκουρος Καθηγητής
Σχολή Διοίκησης και Οικονομίας, Πανεπιστήμιο Δυτικής Αττικής
Περίληψη
Περίληψη της εργασίας στα Ελληνικά:
Ένα από τα πιο καίρια ερωτήματα για τους χρήστες του διαδικτύου, είναι πώς θα καταφέρουν να διαχειριστούν την τεράστια ποσότητα διαθέσιμης πληροφορίας, ώστε να καταλήξουν σε επιλογή προϊόντων που ανταποκρίνονται όσο το δυνατό καλύτερα στις προτιμήσεις και ανάγκες τους. Αντίστοιχα, οι εταιρείες που παρέχουν προϊόντα ή υπηρεσίες μέσω του διαδικτύου, προσπαθούν συστηματικά να εντοπίσουν μεθόδους ώστε να αποκωδικοποιήσουν με ακρίβεια τα προφίλ προτίμησης των χρηστών, με στόχο να καταφέρουν να προσαρμόσουν κατάλληλα τα προϊόντα τους και να αυξήσουν τις πωλήσεις τους.
Για τους παραπάνω λόγους, η επιστημονική και ερευνητική κοινότητα που δραστηριοποιείται στο τομέα της ανάλυσης δεδομένων και το μάρκετινγκ έχει επικεντρώσει την προσπάθεια της, στην δημιουργία μεθοδολογιών που θα απαντήσουν όσο το δυνατόν πιο αποτελεσματικά τα παραπάνω ερωτήματα. Οι περισσότερες από αυτές τις μεθοδολογίες καταλήγουν στην ανάπτυξη προσαρμοστικών συστημάτων που αντλούν δεδομένα από το διαδίκτυο και εξάγουν προτάσεις για τους χρήστες. Η πιο γνωστή κατηγορία τέτοιου είδους συστημάτων είναι τα συστήματα συστάσεων (Recommender Systems).
Στην παρούσα ερευνητική εργασία παρουσιάζεται η μεθοδολογία και τα αποτελέσματα πιλοτικής λειτουργίας ενός νέου υβριδικού συστήματος συστάσεων που βασίζεται στη χρήση μεθόδων συναισθηματικής και πολυκριτήριας ανάλυσης καθώς και μεθόδων φιλτραρίσματος. Η μεθοδολογία καταλήγει σε τέσσερα διαφορετικά είδη σύστασης, με άκρως ενδιαφέροντα αποτελέσματα.
Μέσω του μεθοδολογικού πλαισίου γίνεται εφικτός ο προσδιορισμός των προτιμησιακών προφίλ των χρηστών του συστήματος, τα οποία εν συνεχεία αντιστοιχίζονται σε «προφίλ πελατών» που επιλέγουν συγκεκριμένα προϊόντα/υπηρεσίες που τους «ταιριάζουν».
Έτσι, καταλήγουμε σε προσωποποιημένες συστάσεις προϊόντων στον χρήστη του συστήματος, που είναι ανάλογες των προτιμήσεων του. Επιπλέον δίνεται στο χρήστη η δυνατότητα να φιλτράρει τις διαθέσιμες εναλλακτικές με σχετική επιλογή από ένα σύνολο κατ’ αποκοπή κριτηρίων. Η χρήση του κατωφλιού ελάχιστης ικανοποίησης, που προσδιορίζεται από τα αποτελέσματα της ανάλυσης συναισθήματος στα σχόλια των πελατών, εγγυάται την ποιότητα των συστάσεων.
Τα δεδομένα του συστήματος είναι πραγματικές απόψεις και βαθμολογίες χρηστών για καταλύματα, καθώς και χαρακτηριστικά καταλυμάτων που αντλήθηκαν από γνωστή διαδικτυακή πλατφόρμα κρατήσεων.
H ανάπτυξη του συστήματος βασίστηκε στην μεθοδολογία CRISP-DM(Shearer, 2000a).
Η αξιολόγηση του συστήματος συστάσεων γίνεται με μέτρηση της ακρίβειας προβλέψεων αξιολογήσεων σε πείραμα με πραγματικούς χρήστες.
Για τη μελέτη περίπτωσης χρησιμοποιήθηκαν δεδομένα για τα τουριστικά καταλύματα του Νομού Χανίων. Τα πιο σημαντικά χαρακτηριστικά της συγκεκριμένης ερευνητικής προσπάθειας είναι:
α. H χρήση μεγάλου όγκου πραγματικών δεδομένων σε αντίθεση με τις περισσότερες από τις υπάρχουσες έρευνες που χρησιμοποιούν έτοιμα τεστ σετ δεδομένων.
β. Η χρησιμοποίηση όλης της διαθέσιμης αντλημένης πληροφορίας προκειμένου να καταλήξουμε σε σύσταση. Πιο συγκεκριμένα στην παρούσα μεθοδολογία χρησιμοποιούνται δεδομένα βαθμολογιών προϊόντων για την ανάλυση ικανοποίησης πελατών, δεδομένα απόψεων για τη συναισθηματική ανάλυση, στατικά δεδομένα των προϊόντων σαν κατ’ αποκοπή κριτήρια σε αντίθεση με τις περισσότερες μελέτες όπου χρησιμοποιούνται είτε βαθμολογίες, είτε ανάλυση σχολίων για την τελική σύσταση.
γ. Η χρήση των αποτελεσμάτων της ανάλυσης συναισθήματος σαν κατώφλια ποιότητας σύστασης.
δ. Η επιτυχής εφαρμογή παραλλαγής της πρόσφατα παρουσιασθείσας μεθόδου WAP, για την δημιουργία προτιμησιακού προφίλ χρήστη.
ε. Η απαίτηση για εισαγωγή ελάχιστων δεδομένων από το χρήστη.
στ. Ο ελάχιστος χρόνος που απαιτείται για την παραγωγή της σύστασης κατά τη λειτουργία του συστήματος.
η. Η αποφυγή άντλησης προσωπικών δεδομένων του χρήστη για χρήση τους στη διαδικασία της σύστασης.
θ. H αποφυγή του προβλήματος της καθυστερημένης εκκίνησης (cold start).
ι. Τα άκρως ικανοποιητικά αποτελέσματα με βάση τις μετρικές που χρησιμοποιήθηκαν για τη δοκιμή του συστήματος.
κ. Η χρησιμότητα του συστήματος είναι χαρακτηριστική για όλες τις ομάδες στόχου, καθώς δίνεται η δυνατότητα παροχής χρήσιμης πληροφορίας τόσο στον πελάτη με σύσταση ανάλογη των αναγκών του, όσο και στον πάροχο υπηρεσίας/προϊόντος, προσδιορίζοντας του τις τάσεις όσον αφορά την ικανοποίηση των πελατών.
Οι κύριες μετρικές που χρησιμοποιούνται για την μέτρηση της ποιότητας των συστάσεων που παράγονται είναι οι: MSE, RMSE, MAE, MAPE.
H διατριβή ολοκληρώνεται, με προτάσεις, για μελλοντική έρευνα και επέκταση του παρόντος συστήματος.
Ημερομηνία Εξέτασης
Ημέρα/Μήνας/Έτος: 17/08/2018 (Τρίτη 17 Ιουλίου 2018)
Ώρα: 12π.μ.
Αίθουσα Εξέτασης
Αίθουσα: Αίθουσα Συνεδριάσεων Σχολής Μ.Π.Δ (Δ5.015)
Κτίριο: Δ5
