Η δυναμική τιμολόγηση αποτελεί μία από τις σημαντικότερες στρατηγικές πρακτικές του σύγχρονου ξενοδοχειακού κλάδου, καθώς επηρεάζει άμεσα τη διαχείριση εσόδων, την ανταγωνιστικότητα και την εμπειρία πελάτη. Παράλληλα, η ραγδαία ανάπτυξη της τεχνητής νοημοσύνης και των τεχνολογιών μηχανικής μάθησης δημιουργεί νέες δυνατότητες πρόβλεψης ζήτησης και αυτοματοποιημένης προσαρμογής τιμών, μετασχηματίζοντας τις πρακτικές revenue management.

Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση της σχέσης μεταξύ τεχνητής νοημοσύνης, δυναμικής τιμολόγησης, αντιλαμβανόμενης αξίας, δικαιοσύνης τιμής και εμπειρίας πελάτη στο πλαίσιο των μικρομεσαίων ξενοδοχειακών επιχειρήσεων. Παράλληλα, εξετάζεται ο ρόλος του ψηφιακού μετασχηματισμού ως παράγοντα που ενισχύει την αποτελεσματικότητα της αξιοποίησης τεχνολογιών AI στις στρατηγικές τιμολόγησης.

Η εργασία βασίζεται σε ποσοτική ερευνητική προσέγγιση και αναπτύσσει ένα πολυεπίπεδο εννοιολογικό μοντέλο που συνδέει την οργανωσιακή ικανότητα αξιοποίησης τεχνητής νοημοσύνης με τη δυναμική τιμολόγηση, την αντιλαμβανόμενη αξία, τη δικαιοσύνη τιμής, την εμπειρία πελάτη, την πιστότητα και την επιχειρησιακή απόδοση. Η έρευνα βασίστηκε σε δύο δείγματα: 87 στελέχη μικρομεσαίων ξενοδοχειακών επιχειρήσεων και 200 ταξιδιώτες/πελάτες. Η ανάλυση πραγματοποιήθηκε με τη μέθοδο μερικής ελάχιστης τετραγωνικής μοντελοποίησης δομικών εξισώσεων (PLS-SEM) με χρήση 5.000 bootstrap subsamples.

Η συμβολή της μελέτης εντοπίζεται τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο. Θεωρητικά, επιχειρείται η ενοποίηση διαφορετικών ερευνητικών πεδίων που αφορούν την τεχνητή νοημοσύνη, τη δυναμική τιμολόγηση και την εμπειρία πελάτη. Πρακτικά, η εργασία στοχεύει στην ανάπτυξη ενός εφαρμόσιμου πλαισίου αξιοποίησης AI-driven pricing στρατηγικών προσαρμοσμένου στις ανάγκες των μικρομεσαίων ξενοδοχειακών επιχειρήσεων.

Dynamic pricing constitutes one of the most important strategic practices in the modern hospitality industry, as it directly affects revenue management, competitiveness, and customer experience. At the same time, the rapid development of artificial intelligence and machine learning technologies creates new opportunities for demand forecasting and automated price adjustment, transforming traditional revenue management practices.

The purpose of this thesis is to investigate the relationship between artificial intelligence, dynamic pricing, perceived value, price fairness, and customer experience in small and medium-sized hotel enterprises. Additionally, the study examines the role of digital transformation as a factor enhancing the effectiveness of AI-based pricing strategies.

The study adopts a quantitative research approach and develops a multi-level conceptual model linking AI capability with dynamic pricing, perceived value, price fairness, customer experience, loyalty, and business performance. The research was based on two samples: 87 managers of small and medium-sized hotel enterprises and 200 travelers/customers. The analysis was conducted using Partial Least Squares Structural Equation Modeling (PLS-SEM) with 5,000 bootstrap subsamples.

The contribution of the study is both theoretical and practical. Theoretically, it attempts to integrate different research streams related to artificial intelligence, dynamic pricing, and customer experience. Practically, the study aims to develop an applicable AI-driven pricing framework tailored to the needs of small and medium-sized hotel enterprises.