Η παρούσα διπλωματική εργασία στοχεύει στην ανάπτυξη μιας Αποθήκης Δεδομένων (ΑΔ) για την υποστήριξη λήψης αποφάσεων στη βιομηχανία της εστίασης. Η εργασία καλύπτει όλα τα στάδια ανάπτυξης μιας ΑΔ, από τη συλλογή, καθαρισμό και αποθήκευση δεδομένων έως την ανάλυση και την παρουσίαση αποτελεσμάτων.

Η συλλογή δεδομένων πραγματοποιήθηκε μέσω του Google Places API και περιλαμβάνει πληροφορίες όπως βαθμολογίες, αξιολογήσεις και χαρακτηριστικά επιχειρήσεων. Τα δεδομένα καθαρίστηκαν και αποθηκεύτηκαν σε σχήμα χιονονιφάδας, ώστε να υποστηρίζονται σύνθετα ερωτήματα SQL. Η ανάλυση παρείχε δείκτες όπως μέση βαθμολογία, παρεχόμενες υπηρεσίες και κατανομή συναισθημάτων, ενώ η οπτικοποίηση έγινε στο Power BI Desktop με τη δημιουργία μιας διαδραστικής αναφοράς.

Παράλληλα, εφαρμόστηκε Ανάλυση Συναισθήματος με δύο μεθόδους, η πρώτη με χρήση βιβλιοθηκών Επεξεργασίας Φυσικής Γλώσσας σε Python (TextBlob και VADER) και η δεύτερη με ερωτήματα SQL, βασισμένα σε λεξικολογικούς κανόνες. Οι μέθοδοι συγκρίθηκαν ως προς την ακρίβεια και την ερμηνεία των συναισθημάτων στις αξιολογήσεις.

Η εργασία αποδεικνύει ότι η στοχευμένη αξιοποίηση δεδομένων και τεχνικών επιχειρηματικής ευφυΐας μπορεί να ενισχύσει τη στρατηγική διαχείριση των επιχειρήσεων της βιομηχανίας εστίασης, να βελτιώσει την κατανόηση της πελατειακής εμπειρίας και να υποστηρίξει τη λήψη τεκμηριωμένων αποφάσεων

This thesis aims to develop a Data Warehouse (DW) to support decision making in the food service industry. The study covers all stages of DW development, from data collection, cleaning, and storage to analysis and result presentation.

Data collection was carried out through the Google Places API and included information such as ratings, reviews, and business characteristics. The data was cleaned and stored in a snowflake schema, enabling the execution of complex SQL queries. The analysis provided key indicators such as average ratings, offered services, and sentiment distribution, while visualization was implemented in Power BI Desktop through the creation of an interactive report.

In parallel, Sentiment Analysis was applied using two approaches: the first with Natural Language Processing libraries in Python (TextBlob and VADER), and the second with SQL queries based on lexicon rules. The methods were compared in terms of accuracy and the interpretation of sentiments expressed in the reviews.

The study demonstrates that the targeted use of data and business intelligence techniques can enhance the strategic management of businesses in the food service industry, improve the understanding of customer experience, and support evidence-based decision making.