e-Επιχειρείν — Ιούνιος 2024¶
Μεταγραφή από τα στιγμιότυπα ηλεκτρονικής εξέτασης Ιουνίου 2024 και τη σελίδα IMG_6725.png.
Screenshot_from_2024-06-15_20-07-21.png¶
- KPIs και μετρικές είναι έννοιες πρακτικά ταυτόσημες
[Σημείωση μεταγραφής: πολύ μικρό απόσπασμα οθόνης. Φαίνεται μόνο η ερώτηση 2, χωρίς επιλογές απάντησης ή επικεφαλίδα.]
Screenshot_2024-06-18_at_1.48.38_AM.png¶
- Την τεχνολογία EDI (Electronic Data Interchange) τη χρησιμοποιούσαν οι τράπεζες από τη δεκαετία του 1960 προκειμένου να μεταφέρουν ηλεκτρονικά χρηματικούς πόρους.
Σημείωση: το στιγμιότυπο περιέχει μόνο αυτή την ερώτηση, χωρίς επικεφαλίδα ή αριθμό σελίδας.
Screenshot_from_2024-06-16_10-48-16.png¶
8. Με το clustering ένα σύνολο από αντικείμενα (σελίδες, χρήστες, προϊόντα) αντιστοιχούνται σε κάποια από τις κλάσεις ενός συνόλου προκαθορισμένων κλάσεων με βάση την ομοιότητα μεταξύ τους.
[Σχήμα: κενό τετράγωνο πλαίσιο επιλογής στα αριστερά της ερώτησης]
Σημείωση: το στιγμιότυπο είναι πολύ μικρό και το κείμενο δυσδιάκριτο· η μεταγραφή μπορεί να μην είναι ακριβής, ελέγξτε το πρωτότυπο.
Screenshot_2024-06-17_at_12.png¶
- Η πρόταση αξίας είναι μέρος ενός επιχειρηματικού μοντέλου και αφορά το πώς η επιχείρηση θα δημιουργεί έσοδα, θα έχει κέρδη και θα προσφέρει καλή απόδοση στα επενδυμένα κεφάλαια.
Screenshot_2024-06-18_at_1.53.19_AM.png¶
- Οι proxy servers είναι μια από τις βασικές αιτίες που χάνονται αιτήσεις σελίδων από τα log files που καταγράφονται στο server που βρίσκονται αποθηκευμένες οι σελίδες ενός e-shop.
Screenshot_2024-06-16_at_4.19.13_PM.png¶
Ερώτηση 12 / 28 (Σωστό / Λάθος — 1 βαθμός)
Τα rule-based chatbots χρησιμοποιούν τεχνικές NLP
- [ ] Σωστό
- [ ] Λάθος
[Σχήμα: οθόνη ερώτησης σωστού/λάθους. Η λέξη «NLP» είναι επισημασμένη (μπλε φόντο).] Σημείωση: το στιγμιότυπο περιέχει χειρόγραφες ή επιλεγμένες απαντήσεις φοιτητή, που δεν μεταγράφονται.
Screenshot_2024-06-17_at_11.24.55_PM.png¶
Ερώτηση 13 / 28 (Πολλαπλής Επιλογής (Μοναδική Απάντηση) — 2 βαθμοί)
Η εξατομίκευση με τεχνικές web usage mining βασίζεται σε:
- [ ] Explicit profiling
- [ ] Implicit profiling
- [ ] legacy data
Σημείωση: η φωτογραφία περιέχει χειρόγραφες ή επιλεγμένες απαντήσεις φοιτητή, που δεν μεταγράφονται.
Screenshot_2024-06-18_at_11.47.55_AM.png¶
- Το «δικαίωμα στη λήθη» αναφέρεται στο ότι οι άνθρωποι έχουν το δικαίωμα να λησμονούν (να μην θυμούνται) κάποιες λεπτομέρειες κατά τη χρήση λογισμικού και το λογισμικό είναι υποχρεωμένο να τους υπενθυμίζει τις πληροφορίες αυτές όταν προκύψει ανάγκη.
IMG_6725.png¶
Θέμα 3 (3 μονάδες)
Υποθέστε ότι είστε ιδιοκτήτης ενός web site που πουλάει βιβλία. Κάθε μήνα η κίνηση καταγράφεται σε log files. Από την ανάλυση των logs προκύπτουν τα ακόλουθα: α) το μήνα Ιούνιο 2008 είχατε 235 εγγεγραμμένους συνδρομητές, β) τον ίδιο μήνα 45 μοναδικοί επισκέπτες κυκλοφόρησαν στις ιστοσελίδες σας πραγματοποιώντας 270 επισκέψεις, γ) συνολικά στις σελίδες που επισκέφτηκαν έμειναν 1.350 λεπτά, δ) το πιο δημοφιλές section του site είναι τα βιβλία H/Y που αποτελείται από 9 σελίδες, ε) ο χρήστης Γιώργος Παππάς επισκέφτηκε το site μια φορά και κυκλοφόρησε στις σελίδες με τα βιβλία H/Y αλλά πήγε σε 3 μόνο σελίδες του, στ) την 1η Ιουλίου λάβατε emails από 15 χρήστες οι οποίοι επιθυμούσαν να διαγραφούν από τη λίστα των συνδρομητών σας για διάφορους λόγους (π.χ. ακριβές τιμές, άσχημο service, ενοχλητικές διαφημίσεις, spam emails). Με βάση τα παραπάνω υπολογίστε:
α) το stickiness του μήνα Ιουνίου β) το user focus για το χρήστη Γιώργο Παππά γ) το ρυθμό επαναφοράς του site σας
Θέμα 4 (3 μονάδες)
Ένα ηλεκτρονικό κατάστημα που εμπορεύεται κινηματογραφικές ταινίες εξετάζει το ενδεχόμενο να παρέχει στους πελάτες του προτάσεις ταινιών που συμφωνούν με τις προτιμήσεις τους. Θεωρώντας ότι οι πελάτες δεν δηλώνουν ρητά το τι είδους ταινίες τους αρέσουν αλλά αφού παρακολουθήσουν μια ταινία την βαθμολογούν, προτείνετε τεχνική ανάλυσης δεδομένων κατάλληλη για την περίπτωση και εξηγείστε μέσω παραδείγματος τον τρόπο με τον οποίο θα κ[δυσανάγνωστο]λήγει το σύστημα σε προτάσεις ταινιών. Έχει πρακτικούς περιορισμούς η εφαρμογή της τεχνικής;
Σημείωση: η φωτογραφία περιέχει χειρόγραφες απαντήσεις φοιτητή.
Λύσεις (⚪ AI, μη επαληθευμένο)
Κατάσταση: ⚪ AI, μη επαληθευμένο Πηγή: λύσεις AI (antigravity-gemini, deepseek-flash), ανεξάρτητη επανάληψη και αντιπαραβολή· καμία δεν έχει ελεγχθεί από άνθρωπο
Προσοχή
Λύση από AI — ελέγξτε την· δεν έχει επαληθευτεί από άνθρωπο. Η ένδειξη «δύο λύσεις συμφωνούν» δεν σημαίνει ότι η απάντηση είναι σωστή.
AI λύσεις — 2024-06¶
Οι λύσεις γράφτηκαν από μοντέλα AI και δεν έχουν ελεγχθεί από άνθρωπο. Η αρίθμηση ακολουθεί το αρχείο θεμάτων.
Θέμα 2¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή
Λάθος. Όλα τα KPIs είναι μετρικές, αλλά κάθε μετρική δεν είναι KPI. KPI είναι κρίσιμη μετρική συνδεδεμένη με συγκεκριμένους επιχειρηματικούς στόχους.
Θέμα 6¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: μέτρια
Λάθος. Το EDI αφορά την ηλεκτρονική ανταλλαγή δομημένων επιχειρηματικών εγγράφων (π.χ. παραγγελίες, τιμολόγια). Η ηλεκτρονική μεταφορά χρηματικών πόρων είναι EFT/ηλεκτρονικές πληρωμές, όχι EDI με τη στενή έννοια.
Θέμα 8¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή
Λάθος. Το clustering είναι μη επιβλεπόμενη ομαδοποίηση χωρίς προκαθορισμένες κλάσεις. Η αντιστοίχιση αντικειμένων σε προκαθορισμένες κλάσεις είναι ταξινόμηση (classification).
Θέμα 9¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή
Λάθος. Η πρόταση αξίας περιγράφει την αξία που προσφέρεται στον πελάτη και τη διαφοροποίηση της επιχείρησης. Το πώς δημιουργούνται έσοδα, κέρδη και απόδοση επενδυμένων κεφαλαίων αφορά το revenue/profit model.
Θέμα 11¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή
Σωστό. Proxy servers, όπως και οι browser caches, μπορούν να εξυπηρετήσουν σελίδες χωρίς να φτάσει το αίτημα στον origin server· έτσι η επίσκεψη δεν καταγράφεται στα server logs.
Θέμα 12¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: μέτρια
Λάθος. Τα rule-based chatbots βασίζονται κυρίως σε προκαθορισμένους κανόνες, λέξεις-κλειδιά και ροές, όχι σε τεχνικές NLP. Τα NLP-based chatbots είναι συνήθως AI/ML chatbots.
Θέμα 13¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή
2η επιλογή: Implicit profiling. Το web usage mining αναλύει έμμεσα δεδομένα συμπεριφοράς (clickstream/logs), δηλαδή βασίζεται σε έμμεσο προφίλ χρήστη. Το explicit profiling βασίζεται σε δεδομένα που δηλώνει ρητά ο χρήστης.
Θέμα 19¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή
Λάθος. Το «δικαίωμα στη λήθη» (GDPR) αφορά το δικαίωμα διαγραφής ή παύσης επεξεργασίας προσωπικών δεδομένων, όχι υποχρέωση του λογισμικού να υπενθυμίζει πληροφορίες στον χρήστη.
Θέμα 3¶
Αξιοπιστία: 2 από 3 ανεξάρτητες λύσεις συμφωνούν (η άλλη διαφωνούσε) · εμπιστοσύνη λύτη: μέτρια
Χρησιμοποιώ τους εξής ορισμούς:
[
\text{Stickiness}=\frac{\text{συνολικός χρόνος παραμονής}}{\text{αριθμός μοναδικών επισκεπτών}},
]
[
\text{User focus}=\frac{\text{σελίδες που επισκέφθηκε ο χρήστης}}{\text{συνολικές σελίδες του section}},
]
[
\text{Return rate}=\frac{\text{επισκέψεις}}{\text{μοναδικοί επισκέπτες}}.
]
α) Stickiness Ιουνίου: [ \frac{1350}{45}=30 \text{ λεπτά ανά μοναδικό επισκέπτη}. ]
β) User focus για τον Γιώργο Παππά: [ \frac{3}{9}=\frac{1}{3}\approx 33.3\%. ] Δηλαδή επισκέφθηκε το ένα τρίτο των 9 σελίδων της ενότητας «βιβλία Η/Υ».
γ) Ρυθμός επαναφοράς: [ \frac{270}{45}=6 \text{ επισκέψεις ανά μοναδικό επισκέπτη}, ] δηλαδή κατά μέσο όρο 5 επιστροφές ανά επισκέπτη.
Σημείωση: Αν στο μάθημα το stickiness ορίζεται ανά επίσκεψη, τότε είναι \(1350/270=5\) λεπτά· αν το return rate ορίζεται ως ποσοστό επαναλαμβανόμενων επισκέψεων, τότε είναι \((270-45)/270\approx 83.3\%\). Τα 235 και 15 αφορούν ενδεχόμενη μέτρηση churn/unsubscribe rate \((15/235\approx 6.38\%)\) και δεν χρειάζονται για τα τρία ζητούμενα.
Θέμα 4¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: υψηλή
Κατάλληλη τεχνική είναι το συνεργατικό φιλτράρισμα (collaborative filtering), π.χ. user-based ή item-based, με πίνακα βαθμολογιών χρηστών-ταινιών. Επειδή οι χρήστες δεν δηλώνουν προτιμήσεις είδους αλλά βαθμολογούν ταινίες, το σύστημα αξιοποιεί ομοιότητες στα μοτίβα βαθμολόγησης.
Παράδειγμα: αν ο χρήστης \(A\) έχει βαθμολογήσει ψηλά τις ταινίες \(X,Y\), και χρήστες με παρόμοιες βαθμολογίες με τον \(A\) βαθμολογούν ψηλά μια ταινία \(Z\) που ο \(A\) δεν έχει δει, το σύστημα προτείνει το \(Z\) στον \(A\). Σε item-based CF, βρίσκονται ταινίες όμοιες με όσες άρεσαν στον \(A\), με βάση τις βαθμολογίες όλων, και προτείνονται οι κορυφαίες μη παρακολουθημένες.
Πρακτικοί περιορισμοί: cold start για νέους χρήστες/ταινίες, αραιότητα του πίνακα βαθμολογιών, υπολογιστική κλιμάκωση, «gray sheep» χρήστες με χαμηλή ομοιότητα, μεροληψία υπέρ δημοφιλών ταινιών, μεταβαλλόμενες προτιμήσεις, ψευδείς βαθμολογίες/shilling attacks και ζητήματα ιδιωτικότητας.