Τύπος
ΕΠΙΛΟΓΗΣ

Κωδικός Τμήματος
MIS

Τμήμα
ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ

Περιγραφή

Στο μάθημα πραγματοποιείται μια ανασκόπηση τεχνικών της αναλυτικής των επιχειρήσεων (business analytics) με έμφαση στον τρίτο πυλώνα, εκείνο της καθοδηγητικής αναλυτικής των αποφάσεων (prescriptive analytics). Βασικές έννοιες και εργαλεία των δύο πρώτων πυλώνων, δηλαδή, της περιγραφικής αναλυτικής (descriptive analytics) και της αναλυτικής των προβλέψεων (predictive analytics), παρουσιάζονται αρχικά στην εισαγωγική διάλεξη. Στη συνέχεια, πραγματοποιείται γνωριμία με τις μεθόδους και εφαρμογές της Διοικητικής Επιστήμης (Management Science/Operations Research) στη λήψη βέλτιστων αποφάσεων. Οι διαλέξεις εξειδικεύονται στον γραμμικό προγραμματισμό, όπου δίνεται έμφαση στη διαδικασία μοντελοποίησης και χρήσης των αποτελεσμάτων του εκάστοτε προγράμματος στη διαδικασία λήψης διοικητικών αποφάσεων, στη χρήση εργαλείων μοντελοποίησης και στην λήψη αποφάσεων με ένα η περισσότερους στόχους. Κατόπιν πραγματοποιείται εισαγωγή στις στοχαστικές μεθόδους και πιο συγκεκριμένα στη θεωρία ουρών αναμονής. Η ενότητα αυτή οδηγεί ομαλά στο δεύτερο τμήμα του μαθήματος που είναι η γνωριμία και οι εφαρμογές της τεχνικής της προσομοίωσης (διακριτών γεγονότων). Για τις διδακτικές ανάγκες χρησιμοποιείται σχετικό εκπαιδευτικό υλικό στο εργαστήριο.

Στόχοι μαθήματος:

Αναμένεται ότι φοιτητές που θα επιλέξουν να παρακολουθήσουν το μάθημα μετά την ολοκλήρωσή του θα μπορούν:

• Να κατανοούν βασικές αρχές και έννοιες της αναλυτικής των επιχειρήσεων συνδέοντας τις με γνώσεις που έχουν αποκτήσει σε προπτυχιακό επίπεδο.
• Να αντιλαμβάνονται τον τρόπο ανάπτυξης ενός μοντέλου που θα περιγράφει ένα πραγματικό πρόβλημα, εντοπίζοντας τα σημαντικά στοιχεία που μπορούν να επηρεάσουν τη λήψη της βέλτιστης απόφασης με βάση του στόχους που τίθενται.
• Να εφαρμόζουν μία συστηματική μεθοδολογία εντοπισμού εναλλακτικών λύσεων ενός προβλήματος ειδικά μάλιστα τις περιπτώσεις που πρέπει να χειριστούν μεγάλα δεδομένα.
• Να χρησιμοποιούν γλώσσες μοντελοποίησης μαθηματικού προγραμματισμού και προσομοίωσης (OPL και Extend αντίστοιχα) για την ανάπτυξη μοντέλων και τη λήψη αποφάσεων.

Περίγραμμα μαθήματος:

• Ορισμός της αναλυτικής των επιχειρήσεων, κατηγοριοποίηση των αναλυτικών μεθοδολογιών και μοντέλων, εφαρμογές. Βασικές έννοιες και εργαλεία της περιγραφικής αναλυτικής (descriptive analytics) και της αναλυτικής των προβλέψεων (predictive analytics).
• Εισαγωγή στην Επιχειρησιακή Έρευνα ως καθοδηγητική αναλυτική των αποφάσεων (prescriptive analytics). Η προσέγγιση της λήψης αποφάσεων με τη χρήση μαθηματικών μοντέλων
• Εισαγωγή στον Γραμμικό Προγραμματισμό.
• Αναλυτική των Επιχειρήσεων με εφαρμογές του Γραμμικού Προγραμματισμού.
• Ανάπτυξη γραμμικών προγραμμάτων με τη χρήση της γλώσσας OPL.
• Ανάλυση περιπτώσεων ενός ή περισσοτέρων στόχων.
• Στοχαστικές μέθοδοι – Συστήματα εξυπηρέτησης με τυχαίες αφίξεις. Εφαρμογές συστημάτων εξυπηρέτησης.
• Εισαγωγή στην προσομοίωση. Βασικά δομικά στοιχεία μοντέλων προσομοίωσης.
• Ακολουθίες τυχαίων αριθμών, γεννήτριες.
• Ανάλυση δεδομένων εισόδου και αποτελεσμάτων (Input and output data analysis)
• Τεχνικές μοντελοποίησης με το Extend
• Ανάλυση περιπτώσεων προσομοίωσης
• Τελικές εξετάσεις.

Τύπος
ΕΠΙΛΟΓΗΣ

Κωδικός Τμήματος
BA

Τμήμα
ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

Περιγραφή

1.       ΓΕΝΙΚΑ

2.       ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

3.       ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

4.       ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

5.       ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

Τύπος
ΥΠΟΧΡΕΩΤΙΚΟ

Κωδικός Τμήματος
MBADS

Τμήμα
Π.Μ.Σ. ΣΤΗΝ ΑΝΑΛΥΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ ΚΑΙ ΕΠΙΣΤΗΜΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ

Περιγραφή

Η Διοικητική Επιστήμη στην Επιχειρησιακή Αναλυτική (Business Analytics with Management Science models and methods – Prescriptive Analytics)

 Τμήμα, Τομέας, Υπεύθυνος 

Βιβλιογραφία

Evans J, Business Analytics, Methods, Models and Decisions, Pearson, 2017.

Camm J, Cochran J., Fry M., Ohlmann J., Anderson D., Sweeney D., Williams T., Essentials of Business Analytics, Cengage Learning, 2015.

Anderson DR, Sweeney DJ, Williams TA, Camm JD, Cochran JJ., An Introduction to Management Science 13th - 15th ed, Cengage Learning, 2010-2018

Lawrence JA, Pasternack BA. Applied Management Science. California State University–

Fullerton. 2002.

Aslani A, Business Analytics with Management Science Models and Methods, Pearson

Education, 2015.

Drake M, The Applied Business Analytics Casebook, Pearson Education, 2014.

Λογισμικό

Excel, POM/QM, Python Optimization Modeling Objects (Pyomo)

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Η διαδικασία λήψης βέλτιστων επιχειρησιακών αποφάσεων που στηρίζεται στη συλλογή, ταξινόμηση, επεξεργασία και ανάλυση δεδομένων δεν είναι κάτι καινούργιο. Είναι αντικείμενο καταρχάς της Στατιστικής (συλλογή, ταξινόμηση, διερεύνηση, πρόβλεψη) και στη συνέχεια της Επιχειρησιακής Έρευνας (ταξινόμηση, διερεύνηση, βελτιστοποίηση) εδώ και πολλές δεκαετίες. Οι μεταβολές που παρατηρούνται τα τελευταία χρόνια αφορούν κυρίως (α) στην ποικιλία των πηγών άντλησης δεδομένων, (β) στη στενή σύζευξη των μεθοδολογιών της Στατιστικής και της Επιχειρησιακής Έρευνας με την Πληροφορική αυτοματοποιώντας αρκετές διαδικασίες μοντελοποίησης και λήψης αποφάσεων (machine learning) αλλά ιδίως (γ) αφορούν την ποικιλομορφία των δεδομένων αυτών καθ’ αυτών, που παρουσιάζουν ένα ή περισσότερα από τα εξής χαρακτηριστικά: μεγάλο όγκο (volume), μεγαλύτερη ποικιλία πηγών (variety), ταχύτητα γένεσης (velocity), ασάφεια ή μεταβλητότητα (variability, veracity) αλλά και αξία (value), αναδεικνύοντας πολλές προκλήσεις για τους λήπτες αποφάσεων. Η Επιχειρησιακή Αναλυτική (Business Analytics) διακρίνεται σε τρία κύρια επίπεδα ανάλυσης: Descriptive – Explanatory Analytics (επεξεργασία δεδομένων και εξαγωγή πληροφοριών από στοιχεία του παρελθόντος και του παρόντος), Predictive Analytics (βασίζεται στο παρελθόν και το παρόν για να αναπτύξει μοντέλα πρόβλεψης - predictive ή κατηγοριοποίησης - classify) και Prescriptive Analytics (χρησιμοποιεί μοντέλα που στηρίζονται στα προηγούμενα αποτελέσματα ώστε να προτείνει βέλτιστους τρόπους λειτουργίας – prescriptions = συνταγές). Tο παρόν μάθημα ξεκινά με μία εκτενή εισαγωγική παρουσίαση και των τριών πυλώνων της Αναλυτικής και εστιάζει στη συνέχεια στην Καθοδηγητική Αναλυτική (Prescriptive Analytics) δηλαδή στο πλαίσιο της μοντελοποίησης για τη λήψη βέλτιστων αποφάσεων. Σημειώνεται, ότι στο πλαίσιο αυτό, συναντάμε τρεις κυρίαρχες ομάδες μεθοδολογιών: (α) τις τεχνικές της Επιχειρησιακής Έρευνας (Operational Research), (β) τις τεχνικές του σχεδιασμού πειραμάτων της Στατιστικής (Design of Experiments) και (γ) τις τεχνικές Προσομοίωσης (Simulation) που συχνά θεωρούμε ότι ανήκουν και αυτές στην ενότητα 3 της Επιχειρησιακής Έρευνας. Στο μάθημα παρουσιάζουμε μερικές από τις πιο σημαντικές τεχνικές μοντελοποίησης επιχειρησιακών διαδικασιών για τη λήψη βέλτιστων αποφάσεων με τους κανόνες της συστημικής προσέγγισης που αποτελεί τη βάση των μεθόδων της Επιχειρησιακής Έρευνας (ή όπως αλλιώς την ονομάζουμε, της Διοικητικής Επιστήμης (Management Science) ή ακόμη της Επιστήμης των Αποφάσεων). Με την ολοκλήρωση του μαθήματος και σε συνδυασμό με τα υπόλοιπα υποχρεωτικά μαθήματα του Α’ εξαμήνου του προγράμματος, στα οποία παρουσιάζονται οι άλλοι δύο πυλώνες της Επιχειρησιακής Αναλυτικής, αναμένεται ότι οι φοιτητές και οι φοιτήτριες θα είναι σε θέση να κατανοήσουν τον ρόλο του της Διοικητικής Επιστήμης (Management Science) στη διαχείριση και ανάλυση των δεδομένων, να μπορούν να αναπτύξουν ένα μοντέλο λήψης αποφάσεων με αφορμή μία πραγματική επιχειρησιακή κατάσταση, να επεξεργάζονται λύσεις που παρέχουν βέλτιστες τιμές των μέτρων απόδοσης των στόχων του λήπτη αποφάσεων, να συγκρίνουν εναλλακτικά σενάρια με βάση τα μέτρα αυτά και να προσεγγίζουν συστηματικά την εξερεύνηση της δομής των λύσεων αυτών αναλύοντας σε βάθος τον τρόπο λειτουργίας ενός συστήματος και των αλληλεπιδράσεων μεταξύ των συστατικών του στοιχείων (systems approach).

 Ενδεικτικό σχέδιο διαλέξεων 

1. Introduction: Business Analytics orientation and the Management Science context.

2. Linear Programming (LP) models: Assumptions and basic constructing principles.

3. Elements of optimization using Linear Programs: The graphical solution
4. Post optimality analysis and applications of LPs
5. Applications of LP in Marketing Analytics
6. Introduction to Network Analysis and LP formulations
7. Flows in Networks: Algorithms, Max Flow/Min Cut.
8. Shortest path Dijkstra
9. The simplex method and variants
10. Introduction to Python for optimization problems
11. Applications using Python
12. Final Exam.

 Αξιολόγηση Επίδοσης

 [1] Γραπτές Εξετάσεις: 60%

[2] Coursework: 40%

[3] Bonus ενεργητικής συμμετοχής στις διαλέξεις: 10%

Τύπος
ΥΠΟΧΡΕΩΤΙΚΟ

Κωδικός Τμήματος
BA

Τμήμα
ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

Περιγραφή

1. ΓΕΝΙΚΑ

2.       ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

3.       ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

4.       ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

1. 5.       ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

Τύπος
ΕΠΙΛΟΓΗΣ

Κωδικός Τμήματος
BA

Τμήμα
ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

Περιγραφή

1. ΓΕΝΙΚΑ

2.       ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

3.       ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

4.       ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

5.       ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

Τύπος
ΥΠΟΧΡΕΩΤΙΚΟ

Κωδικός Τμήματος
MHM

Τμήμα
Π.Μ.Σ. ΣΤΗ ΔΙΟΙΚΗΣΗ ΥΠΗΡΕΣΙΩΝ ΥΓΕΙΑΣ

Περιγραφή

Η περιγραφή του μαθήματος δεν είναι διαθέσιμη

Περιλαμβάνει Βιβλία ή/και μονογραφίες σε διεθνείς ή ελληνικούς εκδοτικούς οίκους. Κεφάλαια ή άρθρα συλλογικών τόμων ή επιμέλεια τόμων σε διεθνείς ή ελληνικούς εκδοτικούς οίκους.

2019

• A. C. Georgiou, G. Oikonomou, G. Tsiotras & K. Kaparis (2019) Μελέτες Περιπτώσεων Επιχειρησιακής ́Ερευνας, Θεσσαλονίκη: Εκδόσεις Μπένου.

2015

• A. C. Georgiou, I. Konstantaras & K. Kaparis (2015) Τεχνικές Προσομοίωσης στη Διοίκηση Επιχειρήσεων, Θεσσαλονίκη: Ελληνικά Ακαδημαϊκά Συγγράμματα και Βοηθήματα, Θεσσαλονική.

2011

• L. Galli, K. Kaparis & A.N. Letchford (2011) Gap inequalities for the max-cut problem: a cutting plane algorithm. In A.R. Mahjoub, V. Markakis, I. Milis & V.T. Paschos (eds.) Combinatorial Optimization. Lecture Notes in Computer Science, vol. 7422. Berlin: Springer.

2010

• K. Kaparis & A.N. Letchford (2010) Cover Inequalities, In J.J. Cochran et al. (eds.) Encyclopedia of Operations Research and Management Science, Wiley/EORMS.

Περιλαμβάνει Άρθρα σε διεθνή ή ελληνικά επιστημονικά περιοδικά (με κριτές).

2023

• K. Kaparis, I. Mourtos, and A. Letchford, “On cut polytopes and graph minors,” Discrete Optimization, vol. 50, 2023.
• M. Aidinidou, K. Kaparis, and A. Georgiou, “Analysis, prioritization and strategic planning of flood mitigation projects based on sustainability dimensions and a spatial/value ahp-gis system,” Expert Systems with Applications, vol. 211:118566, 2023.

2020

• K. Kaparis, Ι. Μourtos & A.N. Letchford (2020) On matroid parity and matching polytopes. Discrete Applied Mathematics, 284:322-331.
• K. Kaparis, F. Djeumou Fomeni & A.N. Letchford: A cut and branch algorithm for the quadratic knapsack problem. Accepted to appear in Discrete Optimization. February 2020.

2018

• K. Kaparis, & A.N. Letchford (2018) A note on the circulant inequalities for the max-cut problem. Operations Research Letters, 46(4):443-447

2015

• F. Djeumou Fomeni, K. Kaparis & A.N. Letchford (2015) Cutting planes for first-level RLT relaxations of mixed 0-1 programs. Mathematical Programming, 151(2):639–658.

2014

• M. Downing, M. Chipulu, U. Ojiako & K. Kaparis (2014) Advanced inventory planning and forecasting solutions: A case study of the UKTLCS Chinook maintenance programme. Production Planning & Control, 25(1):73–90.

2012

• L. Galli, K. Kaparis & A.N. Letchford (2012) Complexity results for the gap inequalities for the max-cut problem. Operations Research Letters, 40(3):149–152.
• J. Fliege, K. Kaparis & B. Khosravi (2012) Operations research in the space industry. European Journal of Operational Research, 217(2):233–240.

2011

• L. Galli, K. Kaparis & A.N. Letchford (2011) Gap inequalities for non-convex mixed-integer quadratic programs. Operations Research Letters, 39(5):297–300.
• M. Downing, M. Chipulu, U. Ojiako & K. Kaparis (2011) Forecasting in air force supply chains. International Journal of Logistics Management, 22(1):127–144.

2010

• K. Kaparis & A.N. Letchford (2010) Separation algorithms for 0-1 knapsack polytopes. Mathematical Programming, 124(1-2):69-91.

2009

• R. Teunter, O. Tang & K. Kaparis (2009) Heuristics for the economic lot scheduling problem with returns. International Journal of Production Economics, 118(1):323–330.

2008

• R. Teunter, O. Tang & K. Kaparis (2008) Multi-product economic lot scheduling problem with separate production lines for manufacturing and remanufacturing. European Journal of Operational Research, 191:1241–1253
• K. Kaparis & A.N. Letchford (2008) Local and global lifted cover inequalities for the 0-1 multidimensional knapsack problem. European Journal of Operational Research, 186(1):91–103

Περιλαμβάνει Άρθρα σε δημοσιευμένα πρακτικά διεθνών ή ελληνικών συνεδρίων (με κριτές).

2016

• V. Aletras, A. Georgiou, A. Mavrodi, K. Kaparis, I. Konstantaras, V. Sachpekidis, S. Michailidou, T. Gatzos, I. Styliadis, P. Stafylas (2016) Investigating performance in-dicators and service quality improvement in an outpatient cardiology department. Value in Health, 19(7):663.