Ερευνητικά έργα DABILab

SCVis Logo
Εκπαιδευτικοί πόροι για την προβολή της ευρωπαϊκής λιανικής εφοδιαστικής αλυσίδας μόδας
European Fashion Retail Supply Chain Visibility Training Resource

Χρηματοδοτούμενο από το πρόγραμμα Erasmus+ Key Action 2.

Συντονιστής φορέας: University of Gloucester, UK

Διάρκεια: 1/11/2017 ως 30/10/2019.
Προϋπολογισμός: 250.000€

Επιστημονικά υπεύθυνος για το ΔΙΠΑΕ: Δρ Γιώργος Σταλίδης, Καθηγητής

Το έργο στοχεύει στη δημιουργία ενός ψηφιακού διαδικτυακού εργαλείου και του κατάλληλου επαιδευτικού υλικού, ικανό να διαπιστώνει κενά γνώσης και να παρέχει εύκολα προσβάσιμους πόρους προς μαθητευόμενους που είναι προσανατολισμένοι στην ενίσχυση της καριέρας τους.

Περισσότερες πληροφορίες και σχετικές δημοσιεύσεις στην ιστοσελίδα του έργου SCVis
Τεχνολογίες Ανάλυσης Δεδομένων και Διαχείρισης Γνώσης στο Σχεδιασμό Τουριστικών Προϊόντων 
Data Analysis and Knowledge Management Technologies for Planning Tourism Products

Χρηματοδοτούμενο από το πρόγραμμα Αρχιμήδης ΙΙΙ, ΕΣΠΑ

Φορέας υλοποίησης: Εργαστήριο Ανάλυσης Δεδομένων και Πολυμεσικών Εφαρμογών, Τμήμα Εμπορίας και Διαφήμισης, ΑΤΕΙΘ

Πεδίο έρευνας: Ευφιή Συστήματα
Διάρκεια: 1/4/2012 ως 31/3/2015
Προϋπολογισμός: 75.000€

Επιστημονικά υπεύθυνος:
Δρ Γεώργιος Σταλίδης (από 9/2014 ως τη λήξη)
Καθ. Καραπιστόλης Δημήτριος (από την έναρξη ως 31/8/2014 )

Στο DANKMAN εφαρμόζονται εξελιγμένες μέθοδοι ανάλυσης δεδομένων και μοντελοποίησης γνώσης στην υποστήριξη της διαχείρισης τουριστικών προορισμών. Η ανάπτυξη και υλοποίηση των μεθόδων βασίζεται σε τεχνολογίες αιχμής της πληροφορικής και συγκεκριμένα στο συνδυασμό λογισμικού παραγοντικής ανάλυσης, νευρωνικών δικτύων και συστημάτων διαχείρισης γνώσης, καθώς και σύγχρονων εργαλείων διαδικτυακών εφαρμογών.

Περισσότερες πληροφορίες και σχετικές δημοσιεύσεις στην ιστοσελίδα του έργου DANKMAN

Συμμετοχή σε ερευνητικά έργα μέσω συνεργασίας με άλλα εργαστήρια

 

FLEXIBLE RECOMMENDER SYSTEMS FOR BIG DATA (FRES)

Χρηματοδοτούμενο από το πρόγραμμα ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ (ΕΣΠΑ)

Φορέας υλοποίησης: ArxNet

Επιστημονικός συντονισμός: Εργαστήριο Ευφυών Συστημάτων και Διαδικτυακών Εφαρμογών, Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων, ΔΙΠΑΕ

Επιστημονικά υπεύθυνος: Καθ. Κωνσταντίνος Διαμαντάρας 

Μέλος Εργαστηρίου Ανάλυσης Δεδομένων και Επιχειρηματικής Ευφυϊας που συμμετέχει: Δρ. Γιώργος Σταλίδης

Προϋπολογισμός: 130.000 €
Διάρκεια: 7/2018 – 7/2021

Τα Συστήματα Συστάσεων (Recommender Systems) είναι ένα ραγδαία εξελισσόμενο πεδίο των τεχνολογιών Εξαγωγής Πληροφορίας από Δεδομένα που προσφέρει λύσεις σε σημαντικά προβλήματα του μάρκετινγκ και της διαφήμισης: π.χ. η εύρεση νέων προϊόντων που θα αρέσουν σε κάποιον πελάτη, με βάση τις προτιμήσεις άλλων πελατών με παρόμοιες προτιμήσεις, που είναι φίλοι ή ανήκουν σε κάποια κοινή ομάδα.

Οι στόχοι του έργου χωρίζονται σε δύο κατηγορίες, ερευνητικούς και εμπορικούς. Στους ερευνητικούς στόχους συγκαταλέγεται η βιομηχανική έρευνα με αντικείμενο την παράλληλη και κατανεμημένη υλοποίηση παραμετροποιημένου συστήματος
συστάσεων που θα καλύπτει τις ανάγκες επιχειρήσεων με δεδομένα πολύ μεγάλου όγκου. Στους εμπορικούς στόχους συγκαταλέγεται η ανάπτυξη καινοτόμου πακέτου λογισμικού το οποίο θα εφαρμόζει τα αποτελέσματα της βιομηχανικής έρευνας και επίσης η εφαρμογή, δοκιμή και προώθηση του προϊόντος.

Συνεισφορά DABILab (Ερευνητής: Γ. Σταλίδης)

  • Εφαρμογή μεθόδων Πολυδιάστατης Παραγοντικής Ανάλυσης στην εξερευνητική ανάλυση ιστορικού πωλήσεων και στην πρόβλεψη των μελλοντικών παραγγελιών πελατών σούπερ μάρκετ για την αποστολή έξυπνων προσωποποιημένων προσφορών μέσω mobile app. 
  • Συνεισφορά στην ανάπτυξη επιχειρηματικών σεναρίων για την αξιοποίηση συστημάτων προσωποποιημένων συστάσεων.

Σχετικές δημοσιεύσεις

Stalidis, G., Siomos T., Kaplanoglou, P., Katsalis, A., Karaveli, I., Delianidi, M. and Diamantaras K. (2020). Multidimensional Factor and Cluster analysis vs embedding-based learning for personalized supermarket offer recommendations. In “Studies in Classification, Data Analysis, and Knowledge Organization” Eds T. Chadjipadelis, B. Lausen, A. Markos, T. R. Lee, A. Montanari and R. Nugent (in press).

Stalidis G., Delianidi M., Christantonis K., Kaplanoglou P. I., Karaveli I., Katsalis A., Siomos T., Salampasis M. and Diamantaras K. (2020), «Personalised offer recommendations in retail combining factor and cluster analysis, neural networks and graph databases», 8th International Conference on Contemporary Marketing Issues, Virtual, 11-13 September,  Proc pp 269-271

Stalidis G., Kaplanoglou P., Diamantaras K. (2019), “Multidimensional data analysis of shopping records towards knowledge-based recommendation techniques”, 16th Conf of the International Federation of Classification Societies, 26-29 Aug 2019, Thessaloniki.

Stalidis G., Diamantaras K. (2019), “Offers just for you: intelligent recommendation of personalised offers employing multidimensional statistical models”, 7th International Conference on Contemporary Marketing Issues, 10-12 July, Heraklion, Proc pp 328-330.

 

Ευφυής Πλατφόρμα ψηφιακού πολυκαναλικού μάρκετινγκ με δυναμική μάθηση μονοπατιών και μηχανική γνώσης (TREELYTICS)

Χρηματοδοτούμενο από το πρόγραμμα ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ (ΕΣΠΑ)

Φορέας υλοποίησης: MyCompany Projects O.E.

Επιστημονικός συντονισμός:Εργαστήριο Συστημάτων Υπολογιστών, Ασφάλειας και Δικτύων (ΣΥΑΔ), Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων, ΔΙΠΑΕ.

Επιστημονικά υπεύθυνος: Καθ. Περικλής Χατζημίσιος 

Αναπληρωτής Επιστημονικά Υπεύθυνος: Δρ. Γιώργος Σταλίδης

Διάρκεια: 2/2020 – 8/2022

Το έργο Treelytics στοχεύει στην ανάπτυξη μιας εξελιγμένης μονάδας τεχνητής νοημοσύνης που να μπορεί να ενσωματωθεί σε υπάρχουσες πλατφόρμες ψηφιακού (digital) marketing, διαδικτυακών πωλήσεων (ecommerce) και διαχείρισης πελατειακών σχέσεων (Customer Relationship Management – CRM), προσδίδοντας αυξημένες δυνατότητες πρόβλεψης της συμπεριφοράς των πελατών και παραγωγής εξατομικευμένων συστάσεων.

Η μονάδα Treelytics εστιάζει: (α) στην εκμάθηση της δυναμικής συμπεριφοράς δυνητικών πελατών ώστε να επιτυγχάνεται πρόβλεψη με μορφή χρονοσειράς, ενισχύοντας την ακρίβεια των προβλέψεων και αυξάνοντας την απόδοση σε εφαρμογές τύπου event marketing και next best action. (β) Στην ολοκλήρωση μεθόδων μηχανικής μάθησης και μοντελοποίησης γνώσης, ώστε να υπάρχει δυνατότητα προσαρμογής στις πολιτικές των επιχειρήσεων και ενσωμάτωσης εξειδικευμένης ερευνητικής γνώσης.

Συνεισφορά DABILab 

  • Συνεισφορά στην μοντελοποίηση και διαχείριση γνώσης και στην ανάπτυξη μονάδας Βάσης Γνώσης . 

Σχετικές δημοσιεύσεις

  • Metsai A., Tabakis I.-M., Karamitsios K., Kotrotsios K., Chatzimisios P., Stalidis G., Goulianas K. (2022), “Reinforcement Learning for Neural Collaborative Filtering”, IEEE 4th International Conference on Artificial Intelligence in Information and Communication, 21-24 February 2022, Shilla Stay Jeju, Korea
  • Metsai A., Tabakis I.-M., Karamitsios K., Kotrotsios K., Chatzimisios P., Stalidis G., Goulianas K. (2022), “Evolution of Neural Collaborative Filtering for Recommender Systems, 14th International Conference on Knowledge and Smart Technology, 26-29 January 2022, Chonburi, Thailand
  • Metsai A. I., Tabakis, I.Μ., Karamitsios K., Kotrotsios, K., Chatzimisios, P., Stalidis  G., Goulianas, K. (2021), “Customer Journey: Applications of AI & Machine Learning on E-Commerce”, 14th International Conference on Interactive Mobile and Communication Technologies and Learning, Thessaloniki.