{
  "meta": {
    "title": "Οδηγός Επιλογής Βιογραφικού για τη Θέση Data Scientist στην Ελλάδα και την Κύπρο",
    "description": "Ανακαλύψτε πώς να δημιουργήσετε ένα αποτελεσματικό βιογραφικό για τη θέση Data Scientist στην Ελλάδα και την Κύπρο. Περιλαμβάνει περιγραφή ρόλου, δεξιότητες, συμβουλές και πολλά παραδείγματα.",
    "language": "el"
  },
  "resume": {
    "metadata": {
      "version": 1,
      "lastModified": "2025-03-01T12:00:00.000Z",
      "fullName": "Νίκος Παπαδοπούλου",
      "email": "nikos.pap*******************",
      "phones": [
        "+30 690 *******"
      ],
      "city": "Αθήνα",
      "country": "Ελλάδα",
      "links": [
        "https://linkedin.com/********************"
      ],
      "language": "el"
    },
    "content": {
      "role": "Data Scientist",
      "summary": "Εφαρμόζω προηγμένες μεθόδους ανάλυσης δεδομένων και τεχνικές μηχανικής μάθησης για την επίλυση σύνθετων επιχειρηματικών προβλημάτων. Με πάνω από έξι χρόνια εμπειρίας στην ανάπτυξη μοντέλων που αυξάνουν την αποδοτικότητα και οδηγούν σε σημαντική οικονομική εξοικονόμηση. Απόφοιτος πολυτεχνικής σχολής με εξειδίκευση στην Τεχνητή Νοημοσύνη και Data Mining. Αγαπώ την εξερεύνηση δεδομένων και την καινοτομία, και αναζητώ συνεχώς τρόπους βελτίωσης των διαδικασιών μέσω ανάλυσης δεδομένων.",
      "skills": [
        {
          "category": "Μηχανική Μάθηση και Τεχνητή Νοημοσύνη",
          "items": [
            "Ανάλυση Δεδομένων",
            "Προγνωστικά Μοντέλα",
            "Αλγόριθμοι Μηχανικής Μάθησης",
            "Deep Learning",
            "Έννοια Νευρωνικών Δικτύων",
            "Εφαρμογές ΤΝ σε Επιχειρήσεις"
          ]
        },
        {
          "category": "Προγραμματισμός και Τεχνολογίες",
          "items": [
            "Python (NumPy, Pandas, Scikit-learn, TensorFlow)",
            "R",
            "SQL",
            "Big Data Technologies (Spark, Hadoop)",
            "Data Visualization (Tableau, Power BI)",
            "Cloud Platforms (AWS, Google Cloud)"
          ]
        },
        {
          "category": "Ανάλυση Δεδομένων και Στατιστική",
          "items": [
            "EDA (Exploratory Data Analysis)",
            "Στατιστική Υπολογιστική",
            "Μοντελοποίηση Δεδομένων",
            "Data Cleaning",
            "Optimization",
            "Βελτιστοποίηση Αλγορίθμων"
          ]
        },
        {
          "category": "Διοίκηση Έργων και Συνεργασία",
          "items": [
            "Agile Methodologies",
            "Scrum",
            "Διαχείριση Ομάδας",
            "Τεχνική Αναφορά και Παρουσίαση",
            "Επικοινωνία με Μη Τεχνικούς Χρήστες",
            "Καινοτομία σε Επιχειρηματικά Σενάρια"
          ]
        },
        {
          "category": "Soft Skills",
          "items": [
            "Κριτική Σκέψη",
            "Ομαδική Εργασία",
            "Ανάλυση Προβλημάτων",
            "Επίλυση Συγκρούσεων",
            "Ευελιξία και Προσαρμοστικότητα",
            "Ενθουσιασμός για Μάθηση"
          ]
        }
      ],
      "experience": [
        {
          "company": "TechInnovations Ltd.",
          "role": "Data Scientist",
          "from": "2022-01",
          "to": null,
          "isCurrent": true,
          "location": "Αθήνα, Ελλάδα",
          "description": "Εργάστηκα στην ανάπτυξη και ενσωμάτωση μοντέλων μηχανικής μάθησης για την βελτίωση της εξατομίκευσης των υπηρεσιών πελατών, οδηγώντας σε 30% αύξηση της ικανοποίησης των πελατών. Διαχειρίστηκα μεγάλα δεδομένα από διάφορες πηγές και ανέπτυξα αυτοματοποιημένα εργαλεία ανάλυσης για την υποστήριξη επιχειρηματικών αποφάσεων.",
          "achievements": [
            "Ανάπτυξη ενός μοντέλου πρόβλεψης που μείωνε τα σφάλματα κατά 15% και αυξάνοντας το επιτοκιακό ποσοστό ακρίβειας κατά 20%.",
            "Ενσωμάτωση συστημάτων ανάλυσης δεδομένων σε πλατφόρμα AWS, μειώνοντας το χρόνο επεξεργασίας δεδομένων κατά 50%.",
            "Εκπαίδευση ομάδας 5 ατόμων στον τομέα της μηχανικής μάθησης και δεδομένων διάρκειας 3 μηνών."
          ]
        },
        {
          "company": "Cyprus Data Solutions",
          "role": "Senior Data Analyst",
          "from": "2019-05",
          "to": "2021-12",
          "isCurrent": false,
          "location": "Λάρνακα, Κύπρος",
          "description": "Υποστήριξα την ανάπτυξη και υλοποίηση επιχειρηματικών λύσεων μέσω αναλύσεων δεδομένων, οδηγώντας σε βελτιώσεις 25% στην αποδοτικότητα των διαδικασιών. Ασχολήθηκα με τον σχεδιασμό και την εφαρμογή μοντέλων ανάλυσης δεδομένων για το μάρκετινγκ και τις πωλήσεις.",
          "achievements": [
            "Βελτίωση του στόχου καμπάνιας κατά 15% μέσω ανάλυσης δεδομένων πελατών και προφίλ χρηστών.",
            "Ανάπτυξη dashboards και αναφορών που αυξήσαν την ταχύτητα λήψης αποφάσεων κατά 35%.",
            "Επίτευξη μείωσης αχρησιμοποίητων δεδομένων σε 10% μέσω ολοκληρωμένων λύσεων καθαρισμού και συνδυασμού δεδομένων."
          ]
        },
        {
          "company": "StartUpX",
          "role": "Data Analyst",
          "from": "2017-03",
          "to": "2019-04",
          "isCurrent": false,
          "location": "Αθήνα, Ελλάδα",
          "description": "Συνεργάστηκα στο σχεδιασμό και την υλοποίηση αναλύσεων δεδομένων για την ανάπτυξη υπηρεσιών και προϊόντων start-up, με στόχο την καλύτερη κατανόηση πελατών και αγοράς. Δημιούργησα πινακοθήκες που διευκόλυναν τη λήψη αποφάσεων και ενίσχυσαν την εμπορική στρατηγική.",
          "achievements": [
            "Εξασφάλισα 20% αύξηση στις πωλήσεις μέσω στρατηγικών μάρκετινγκ βασισμένων σε δεδομένα.",
            "Βελτίωσα την ακρίβεια πρόβλεψης σε επίπεδα 90% με νέα μοντέλα ανάλυσης δεδομένων.",
            "Δημιούργησα αυτοματοποιημένα dashboards που μείωναν το χρόνο αναφοράς κατά 40%."
          ]
        }
      ],
      "education": [
        {
          "school": "Εθνικό Μετσόβιο Πολυτεχνείο",
          "degree": "Πτυχίο",
          "field": "Μηχανική Ηλεκτρονικών Υπολογιστών και Πληροφορική",
          "location": "Αθήνα, Ελλάδα",
          "summary": "Βασική εκπαίδευση στις αρχές υπολογιστικών συστημάτων, προγραμματισμού και ανάλυσης δεδομένων, με έμφαση στη μηχανική μάθηση και τεχνητή νοημοσύνη.",
          "from": "2012-09",
          "to": "2016-06",
          "isCurrent": false
        }
      ],
      "languages": [
        {
          "language": "Ελληνικά",
          "level": "native"
        },
        {
          "language": "Αγγλικά",
          "level": "fluent"
        },
        {
          "language": "Γαλλικά",
          "level": "intermediate"
        }
      ]
    },
    "createdAt": "2025-03-01T12:00:00.000Z",
    "updatedAt": "2025-03-01T12:00:00.000Z"
  },
  "sections": [
    {
      "id": "what-role-does",
      "title": "Τι κάνει ένας Data Scientist και γιατί είναι καίριος σε κάθε επιχείρηση;",
      "content": [
        {
          "type": "paragraph",
          "text": "Ο ρόλος του Data Scientist διαδραματίζει θεμελιώδη ρόλο στην ψηφιακή εποχή μας, καθώς μετατρέπει τεράστιες ποσότητες δεδομένων σε πολύτιμες επιχειρηματικές γνώσεις. Αναπτύσσει μοντέλα πρόβλεψης, αναλύει δεδομένα σε πραγματικό χρόνο και προτείνει στρατηγικές για την αύξηση της αποδοτικότητας και της ανταγωνιστικότητας της επιχείρησης."
        },
        {
          "type": "bullets",
          "content": [
            "Εξαγάγει χρήσιμα συμπεράσματα από περίπλοκα και μεγάλου όγκου δεδομένα.",
            "Αναπτύσσει και εκπαιδεύει μοντέλα μηχανικής μάθησης και τεχνητής νοημοσύνης.",
            "Συνεργάζεται με ομάδες ανάπτυξης και επιχειρηματικής στρατηγικής.",
            "Υποστηρίζει αποφάσεις με δεδομένα, ελαχιστοποιώντας τα ρίσκα.",
            "Αναλύει τις τάσεις της αγοράς και κατασκευάζει προγνωστικά μοντέλα.",
            "Βελτιώνει λειτουργικές διαδικασίες μέσω αυτοματισμού και τεχνολογιών Big Data.",
            "Εντάσσει λύσεις ανάλυσης δεδομένων σε επιχειρηματικές πλατφόρμες."
          ]
        }
      ]
    },
    {
      "id": "key-skills",
      "title": "Βασικές Δεξιότητες και Τεχνολογίες που Χρησιμοποιούν οι Data Scientists",
      "content": [
        {
          "type": "paragraph",
          "text": "Οι Data Scientists χρειάζεται να διαθέτουν ένα ευρύ φάσμα δεξιοτήτων, τόσο τεχνικών όσο και soft skills, για να διαχειρίζονται πολύπλοκα έργα ανάλυσης δεδομένων και να εντάσσουν λύσεις στην επιχειρηματική στρατηγική. Παρακάτω παρουσιάζονται οι πιο σημαντικές κατηγορίες και τεχνολογίες."
        },
        {
          "type": "bullets",
          "content": [
            "Μηχανική μάθηση και τεχνητή νοημοσύνη: αυξάνοντας την ακρίβεια και ταχύτητα ανάλυσης",
            "Προγραμματισμός: Python, R, SQL, και εργαλεία Big Data",
            "Ανάλυση και στατιστική: EDA, μοντελοποίηση, στατιστικές δοκιμές",
            "Οπτικοποίηση δεδομένων: Tableau, Power BI, δημιουργία dashboards",
            "Cloud computing και τεχνολογίες αποθήκευσης δεδομένων",
            "Διαχείριση έργων και Agile μεθοδολογίες",
            "Επικοινωνία και παρουσίαση ευρημάτων σε μη τεχνικό κοινό",
            "Ομαδική εργασία και κρίσιμη σκέψη"
          ]
        }
      ]
    },
    {
      "id": "market-stats",
      "title": "Στατιστικά για την Αγορά Εργασίας και τις Ευκαιρίες για Data Scientists",
      "content": [
        {
          "type": "paragraph",
          "text": "Ο τομέας της επιστημονικής ανάλυσης δεδομένων παρουσιάζει συνεχή ανάπτυξη, με αυξανόμενη ζήτηση σε Ελλάδα και Κύπρο, αλλά και διεθνώς. Οι ευκαιρίες εργασίας διευρύνονται, ενώ οι μισθοί ανταποκρίνονται στη σημασία της ειδικότητας."
        },
        {
          "type": "stats",
          "content": [
            "Ο ετήσιος μισθός για Data Scientist στην Ελλάδα κυμαίνεται μεταξύ 25.000 και 50.000 ευρώ, ανάλογα με την εμπειρία και τις δεξιότητες.",
            "Η ζήτηση για ειδικούς στη δεδομένων στην Ευρώπη αυξάνεται με ρυθμό 20% ετησίως.",
            "Περίπου 35% των εταιρειών στη Μέση Ανατολή και την Ευρώπη αναζητούν ενεργά Data Scientists το 2025.",
            "Οι προοπτικές εργασίας για High-skilled Data Scientists θα αυξηθούν κατά 30% μέσα στα επόμενα 5 χρόνια.",
            "Οι διεθνείς εταιρείες επενδύουν σε cloud-based λύσεις ανάλυσης δεδομένων, δημιουργώντας νέα κενά εργασίας."
          ]
        }
      ]
    },
    {
      "id": "highlight-experience",
      "title": "Παραδείγματα Επιτυχημένων Εμπειριών και Επιτεύγματα",
      "content": [
        {
          "type": "doDont",
          "content": "Πελάτες συχνά επιλέγουν να παρουσιάζουν συγκεκριμένους στόχους και αποτελέσματα. Επομένως, περιγράψτε με διακριτικότητα τις προκλήσεις που αντιμετωπίσατε και πώς τις αντιμετωπίσατε αποτελεσματικά. Αποφύγετε γενικά ή ασαφή statements."
        },
        {
          "type": "bullets",
          "content": [
            "Ανάπτυξη προγνωστικών μοντέλων που μείωσαν τα λάθη πρόβλεψης κατά 15% μέσα σε 6 μήνες.",
            "Ενσωμάτωση λύσεων ανάλυσης σε πλατφόρμες Cloud, για άμεση πρόσβαση σε δεδομένα και αναλύσεις.",
            "Οργάνωση σεμιναρίων και εκπαίδευση ομάδας 8 ατόμων στον τομέα της ανάλυσης δεδομένων, αυξάνοντας την αποδοτικότητά τους.",
            "Κατασκευή αυτοματοποιημένων συστημάτων αναφοράς που επέτρεψαν την καταγραφή KPIs σε πραγματικό χρόνο.",
            "Βελτίωση της ακρίβειας ταξινόμησης πελατών κατά 20% μέσω δοκιμών και βελτιστοποίησης αλγορίθμων."
          ]
        }
      ]
    },
    {
      "id": "education-certificates",
      "title": "Εκπαιδευτικά και Πιστοποιητικά που Ενισχύουν το Προφίλ ενός Data Scientist",
      "content": [
        {
          "type": "paragraph",
          "text": "Η συνεχής εκπαίδευση αποτελεί βασική προϋπόθεση για την επιτυχία στον χώρο της ανάλυσης δεδομένων. Πιστοποιήσεις και εκπαιδευτικά προγράμματα σε τεχνολογίες και μεθόδους αποδεικνύουν την εξειδίκευση και το πάθος για το αντικείμενο."
        },
        {
          "type": "bullets",
          "content": [
            "Certified Data Scientist από το DataCamp ή το Coursera",
            "AWS Certified Machine Learning - Specialty",
            "Google Cloud Certified - Professional Data Engineer",
            "Advanced Python for Data Science (Udemy)",
            "Πιστοποίηση σε Big Data τεχνολογίες (Cloudera ή Hortonworks)"
          ]
        }
      ]
    },
    {
      "id": "portfolio-projects",
      "title": "Παραδείγματα Επιχειρηματικών έργων και Portfolio",
      "content": [
        {
          "type": "paragraph",
          "text": "Η δημιουργία ενός portfolio που αποδεικνύει τις ικανότητές σας μπορεί να κάνει τη διαφορά στην αναζήτηση εργασίας. Περιλαμβάνει έργα σπουδαστών, συνεργασίες ή προσωπικές πρωτοβουλίες με εμπεριστατωμένες λύσεις και αποτελέσματα."
        },
        {
          "type": "bullets",
          "content": [
            "Ανάλυση δεδομένων πελατών και πρόβλεψη αναγκών μέσω Python και Machine Learning.",
            "Δημιουργία Dashboard σε Tableau για τακτική παρακολούθηση KPIs σε πραγματικό χρόνο.",
            "Ανάπτυξη αυτοματοποιημένου συστήματος καθαρισμού και διασταύρωσης δεδομένων σε Google Cloud.",
            "Προβολή τάσεων αγοράς και καταναλωτικών προφίλ με γλώσσα R και ggplot2."
          ]
        }
      ]
    },
    {
      "id": "common-mistakes",
      "title": "Κοινά Λάθη κατά τη Δημιουργία Βιογραφικού και Πώς να Τα Αποφύγετε",
      "content": [
        {
          "type": "paragraph",
          "text": "Πολλοί υποψήφιοι κάνουν λάθη που μειώνουν τις πιθανότητές τους για πρόσληψη. Η προσοχή στη δομή, η σαφήνεια και η εστίαση στα επιτεύγματα είναι απαραίτητα στοιχεία ενός εντυπωσιακού βιογραφικού."
        },
        {
          "type": "bullets",
          "content": [
            "Μη αναφορά μετρήσιμων αποτελεσμάτων ή επιτευγμάτων.",
            "Χρήση γενικών εκφράσεων και επαναλαμβανόμενων λέξεων-κλειδιών.",
            "Μη προσαρμογή του βιογραφικού στη συγκεκριμένη θέση εργασίας.",
            "Έλλειψη σωστής δομής και ορθής ορθογραφίας.",
            "Αγνόηση της σημασίας των λέξεων-κλειδιών για το ATS (Applicant Tracking System)."
          ]
        }
      ]
    },
    {
      "id": "resume-sections-tips",
      "title": "Οδηγίες και Συμβουλές για Τη Δημιουργία Ενός Ιδανικού Βιογραφικού",
      "content": [
        {
          "type": "paragraph",
          "text": "Οι καλύτεροι ειδικοί προσαρμόζουν το βιογραφικό τους σε κάθε αγγελία. Χρησιμοποιούν ισχυρά, σαφής επικεφαλίδες και εστιάζουν σε μετρήσιμα αποτελέσματα και επιτεύγματα. Ακολουθούν μερικές από τις πιο χρήσιμες τεχνικές."
        },
        {
          "type": "bullets",
          "content": [
            "Προσαρμόστε την επαγγελματική περίληψη και τις δεξιότητες με βάση το κείμενο της αγγελίας.",
            "Χρησιμοποιήστε λέξεις-κλειδιά που εμφανίζονται συχνά σε αναζητήσεις εργασίας.",
            "Αναδείξτε επιτυχίες και αποτελέσματα με συγκεκριμένους αριθμούς και ποσοστά.",
            "Μην υπερβαίνετε τις 2-3 σελίδες μήκους, διατηρώντας το περιεχόμενο περιεκτικό.",
            "Προσθέστε links σε portfolio, GitHub ή LinkedIn προφίλ."
          ]
        }
      ]
    },
    {
      "id": "ats-keywords",
      "title": "Λέξεις-Κλειδιά για Το Αυτόματο Σύστημα Ανίχνευσης (ATS) στους Βιογραφικούς",
      "content": [
        {
          "type": "paragraph",
          "text": "Πολλές επιχειρήσεις και εταιρείες χρησιμοποιούν συστήματα ATS για να διαλογήσουν τα βιογραφικά. Είναι σημαντικό να ενσωματώσετε λέξεις-κλειδιά σχετικές με τη θέση και την ειδικότητα, ώστε να αυξήσετε τις πιθανότητες να διακριθεί το βιογραφικό σας."
        },
        {
          "type": "bullets",
          "content": [
            "Data Analysis",
            "Machine Learning",
            "Python",
            "SQL",
            "Big Data",
            "Deep Learning",
            "Data Visualization",
            "AWS",
            "Predictive Modeling",
            "Statistical Analysis"
          ]
        },
        {
          "type": "quote",
          "text": "Παραδείγματα λέξεων-κλειδιών περιλαμβάνουν 'Μοντέλα πρόβλεψης', 'Ανάλυση δεδομένων', 'Big Data technologies', και 'Δημιουργία dashboards'."
        }
      ]
    },
    {
      "id": "adapt-to-vacancy",
      "title": "Προσαρμόστε το Βιογραφικό στην Αγγελία Εργασίας",
      "content": [
        {
          "type": "paragraph",
          "text": "Για να αυξήσετε τις πιθανότητες πρόσληψης, πρέπει να προσαρμόσετε το βιογραφικό σε κάθε θέση. Οι υπηρεσίες μας προσφέρουν διαδικτυακούς οδηγούς και εργαλεία για να ενσωματώσετε σωστά τις λέξεις-κλειδιά και τα επιτεύγματά σας, βασιζόμενοι στο κείμενο της αγγελίας."
        },
        {
          "type": "bullets",
          "content": [
            "Ανεβάστε το βιογραφικό και την αγγελία στην πλατφόρμα μας.",
            "Χρησιμοποιήστε τα εργαλεία προσαρμογής για να ενσωματώσετε τις λέξεις-κλειδιά.",
            "Επισημάνετε τις πιο σχετικές δεξιότητες και επιτυχίες.",
            "Ελέγξτε το τελικό αποτέλεσμα και βελτιώστε το σύμφωνα με τις προτάσεις."
          ]
        }
      ]
    },
    {
      "id": "faq",
      "title": "Συχνές Ερωτήσεις (FAQ) για τον ρόλο του Data Scientist",
      "content": [
        {
          "type": "paragraph",
          "text": "Αυτές οι ερωτήσεις συχνά αναζητούνται από όσους επιδιώκουν να μπουν στον χώρο της επιστήμης δεδομένων. Επιπλέον, παρέχουν χρήσιμες απαντήσεις και συμβουλές για την αναζήτηση εργασίας και την ανάπτυξη επαγγελματικής καριέρας."
        },
        {
          "type": "subheading",
          "text": "Ποια είναι τα βασικά προσόντα που χρειάζονται για να ξεκινήσω ως Data Scientist;"
        },
        {
          "type": "paragraph",
          "text": "Ένα ανταγωνιστικό πτυχίο σε τομείς όπως η Πληροφορική, η Στατιστική ή τα Μαθηματικά, συνήθως συνοδευόμενο από πιστοποιήσεις σε μηχανική μάθηση και προγραμματισμό, είναι το πρώτο βήμα."
        },
        {
          "type": "subheading",
          "text": "Πόσο σημαντικό είναι το portfolio για την εύρεση εργασίας;"
        },
        {
          "type": "paragraph",
          "text": "Εντοπίζοντας τα πιο αξιόλογα projects που δείχνουν τις δεξιότητές σας, το portfolio μπορεί να διακριθεί. Περιλαμβάνει ανάλυση δεδομένων, προβλέψεις, dashboards και σχετικές λύσεις."
        },
        {
          "type": "subheading",
          "text": "Τι είδους λογισμικό και γλώσσες πρέπει να μαθαίνω;"
        },
        {
          "type": "paragraph",
          "text": "Οι βασικές γλώσσες είναι η Python και η R, ενώ η SQL είναι απαραίτητη για διαχείριση δεδομένων. Επιπλέον, η εξοικείωση με Cloud Platforms και Big Data εργαλεία αυξάνει τις πιθανότητες."
        },
        {
          "type": "subheading",
          "text": "Πόσο χρόνο χρειάζομαι για να γίνω ένας ολοκληρωμένος Data Scientist;"
        },
        {
          "type": "paragraph",
          "text": "Με συστηματική εκπαίδευση και πρακτική, ο χρόνος κυμαίνεται από 1 έως 3 χρόνια, ανάλογα με τις προϋπάρχουσες γνώσεις και το προσωπικό επίπεδο δέσμευσης."
        },
        {
          "type": "subheading",
          "text": "Ποια είναι τα πιο δημοφιλή εργαλεία ανάλυσης δεδομένων;"
        },
        {
          "type": "paragraph",
          "text": "Τα εργαλεία περιλαμβάνουν Python, R, Tableau, Power BI, καθώς και πλατφόρμες Cloud όπως το AWS και το Google Cloud."
        },
        {
          "type": "subheading",
          "text": "Πώς μπορώ να βελτιώσω τις δεξιότητές μου συνεχώς;"
        },
        {
          "type": "paragraph",
          "text": "Μέσω διαρκούς εκπαίδευσης, συμμετοχής σε open-source έργα, συμμετοχής σε σεμινάρια, και παρακολούθησης ειδήσεων και νέων τεχνολογιών."
        },
        {
          "type": "subheading",
          "text": "Πώς μπορώ να προχωρήσω επαγγελματικά στον τομέα;"
        },
        {
          "type": "paragraph",
          "text": "Ξεκινήστε με έργα και πιστοποιήσεις, αναπτύξτε το δίκτυο επαφών, και επιδιώξτε να συμμετέχετε σε έργα που θα βελτιώσουν τις δεξιότητές σας και θα δείξουν τις ικανότητές σας στην αγορά."
        }
      ]
    }
  ]
}