Εφαρμογή των recommender systems στις επιχειρήσεις.

Απλή σελίδα τεκμηρίου
dc.contributor.advisorΠαναγιωτάκης, Κωνσταντίνοςel
dc.contributor.advisorPanagiotakis, Konstantinosen
dc.contributor.authorΤσέρου, Πολυξένηel
dc.contributor.authorTserou, Polyxenien
dc.date.accessioned2026-05-21T09:00:05Z
dc.date.available2026-05-21T09:00:05Z
dc.date.issued2026-05-21
dc.description.abstractΗ ραγδαία ψηφιοποίηση έχει καταστήσει τα συστήματα συστάσεων (Recommender Systems – RS) κρίσιμο μηχανισμό εξατομίκευσης και υποστήριξης αποφάσεων. Η παρούσα εργασία διερευνά τον ρόλο τους στο σύγχρονο επιχειρηματικό περιβάλλον, συνδυάζοντας βιβλιογραφική ανασκόπηση και συγκριτική ανάλυση επιλεγμένων μελετών περίπτωσης από τον διεθνή και τον ελληνικό χώρο (Amazon, Netflix, Spotify, Tripadvisor, Skroutz, e-food, Public.gr). Στο θεωρητικό μέρος αναλύονται οι βασικές κατηγορίες RS, οι κύριες μετρικές αξιολόγησης και κρίσιμες προκλήσεις όπως η ψυχρή εκκίνηση και η μεροληψία. Στο τεχνολογικό μέρος παρουσιάζονται σύγχρονες τάσεις (βαθιά μάθηση, μεγάλα γλωσσικά μοντέλα, συνομιλιακά συστήματα). Το εφαρμοσμένο μέρος εξετάζει κάθε πλατφόρμα με κριτήρια την μορφή προσωποποίησης, τα τεκμηριωμένα τεχνικά στοιχεία και τα επιχειρησιακά οφέλη, ενώ όπου οι τεχνικές λεπτομέρειες δεν είναι δημόσια διαθέσιμες, η ανάλυση παραμένει ενδεικτική. Τα ευρήματα αναδεικνύουν ότι η στρατηγική αξιοποίηση των RS μπορεί να αποτελέσει παράγοντα διαφοροποίησης, ακόμη και σε αγορές μικρότερης κλίμακας όπως η ελληνική, υπό την προϋπόθεση της προσαρμογής στις τοπικές ιδιαιτερότητες. Τέλος, διατυπώνονται προτάσεις για μελλοντική έρευνα με έμφαση στην ενσωμάτωση σύγχρονης AI, την ανάπτυξη διαφανών συστημάτων και τη δημιουργία προσαρμοσμένων λύσεων για την ελληνική αγορά.el
dc.description.abstractThe rapid digitalization of everyday life has established Recommender Systems (RS) as a critical mechanism for personalization and decision support. This study examines their role in the contemporary business environment by combining a literature review with a comparative analysis of selected case studies from both the international and Greek markets (Amazon, Netflix, Spotify, Tripadvisor, Skroutz, e-food, Public.gr). The theoretical part analyzes the main categories of RS, key evaluation metrics, and critical challenges such as cold start and bias. The technological section presents modern trends (deep learning, large language models, conversational systems). The applied part examines each platform based on criteria including the form of personalization, the documented technical details, and the business benefits; where technical specificities are not publicly available, the analysis remains indicative. The findings indicate that the strategic utilization of RS can act as a differentiating factor, even in smaller-scale markets such as Greece, provided they are adapted to local specificities. Finally, recommendations for future research are proposed, with an emphasis on the integration of modern AI, the development of transparent and interpretable systems, and the creation of customized, cost-effective solutions for the Greek market.en
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11643
dc.language.isoel
dc.publisherΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectσυστήματα συστάσεων
dc.subjectηλεκτρονικό εμπόριο
dc.subjectεξατομίκευση
dc.subjectμηχανική μάθηση
dc.subjectτεχνητή νοημοσύνη
dc.subjectμελέτες περίπτωσης
dc.subjectελληνική αγορά
dc.subjectrecommender systems
dc.subjecte-commerce
dc.subjectpersonalization
dc.subjectmachine learning
dc.subjectartificial intelligence
dc.subjectcase studies
dc.subjectGreek market
dc.titleΕφαρμογή των recommender systems στις επιχειρήσεις.el
dc.titleApplication of recommender systems in business.en
dc.typeΠτυχιακή Εργασία
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
TserouPolyxeni2026.pdf
Μέγεθος:
4.62 MB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Πτυχιακές εργασίες / Bachelor Theses