Κωνσταντάρας Ιωάννης   

Περιγραφή

Αναλυτική Επιχειρησιακών Δεδομένων I (Business Analytics I-Descriptive Analytics and Introduction to Predictive Analytics) 

Κωδικός μαθήματος:	1022-ΑΕ103
Εξάμηνο:	A’
Είδος:	Υποχρεωτικό
Θεωρία – Πρακτική (ποσοστά):	50 – 50
Γλώσσα διδασκαλίας:	Ελληνικά – Αγγλική ορολογία και βιβλιογραφία
Ώρες διδασκαλίας:	3 ώρες την εβδομάδα
ECTS:	7,5
Σελίδα μαθήματος	Compus

 

Τμήμα, Τομέας, Υπεύθυνος 

Τμήμα:	Οργάνωσης και Διοίκησης Επιχειρήσεων
Τομέας:	Ποσοτικές Μέθοδοι – Λήψη Αποφάσεων
Υπεύθυνος (συνδιδασκαλία):	Ιωάννης Κωνσταντάρας (Επικ. Καθηγητής)
Email:	ikonst@uom.edu.gr
Web:	users.uom.gr/~ikonst
Τηλ:	2310-891695
Γραφείο	428, Κτήριο H
Ώρες Γραφείου	Ανακοινώνονται στην ιστοσελίδα

 

Βιβλιογραφία

James R. Evans, Business Analytics, Pearson Education, 2016.

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

S. Christian Albright, Wayne L. Winston, Business Analytics: Data Analysis & Decision Making, Cengage Learning, 2015

Glenn J. Myatt., Making Sense of Data: A Practical Guide to Exploratory Data Analysis and Data Mining, Willey 2007.

Λογισμικό

SPSS, Excel, R

 

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Οι επιχειρηματικές αποφάσεις συχνά λαμβάνονται κάτω από συνθήκες αβεβαιότητας. Στο σύγχρονο επιχειρηματικό περιβάλλον, οι τεχνολογικές εξελίξεις έχουν διευκολύνει τη συλλογή μεγάλων δεδομένων (Big Data) που μπορούν ενδεχομένως να βελτιώσουν τη διαδικασία λήψης αποφάσεων. Η Επιχειρησιακή Αναλυτική (Business Analytics) αναφέρεται στους τρόπους με τους οποίους οι επιχειρήσεις, τα μη κερδοσκοπικά ιδρύματα και οι κυβερνήσεις μπορούν να χρησιμοποιήσουν τα δεδομένα αυτά για να αποκτήσουν γνώσεις και να λάβουν καλύτερες αποφάσεις. Η ικανότητα αποτελεσματικής χρήσης των δεδομένων για την λήψη γρήγορων, ακριβών και κερδοφόρων αποφάσεων αποτελεί ένα κρίσιμο στρατηγικό πλεονέκτημα για τις επιχειρήσεις. Η Επιχειρησιακή Αναλυτική (Business Analytics) στηρίζεται βασικά σε ποσοτικές και στατιστικές μεθόδους και σε διαδικασίες βελτιστοποίησης, για τον εντοπισμό των προτύπων και των τάσεων στα δεδομένα, τα οποία τελικά οδηγούν σε ρεαλιστικές προβλέψεις. Ο στόχος αυτού του μαθήματος είναι να βοηθήσει τους φοιτητές στο να γνωρίσουν και να μάθουν μια ποικιλία από τα βασικά στατιστικά εργαλεία, χρήσιμα για τη σύνοψη και παρουσίαση των παρελθόντων γεγονότων και πληροφοριών. Οι φοιτητές θα μάθουν πώς να μετατρέπουν ακατέργαστα δεδομένα σε περιγραφικές περιλήψεις που μπορούν εύκολα να παρουσιαστούν και να κατανοηθούν. Επιπλέον θα εισάγει τους φοιτητές στις θεμελιώδεις έννοιες της Στατιστικής Συμπερασματολογίας, όπως η εκτίμηση παραμέτρων και ο Έλεγχος Υποθέσεων, καθώς και σε στατιστικά εργαλεία χρήσιμα στην Επιχειρησιακή Αναλυτική, όπως η Ανάλυση Συσχέτισης και η Ανάλυση Χρονοσειρών. Έμφαση θα δοθεί περισσότερο στις εφαρμογές, τις έννοιες και την ερμηνεία των αποτελεσμάτων, παρά στη θεωρία και τους υπολογισμούς. Για την υλοποίηση όλων των παραπάνω, θα χρησιμοποιηθεί βασικά το στατιστικό πακέτο SPSS, ώστε οι φοιτητές να εξοικειωθούν με το συγκεκριμένο λογισμικό και να μπορούν να πραγματοποιούν οποιαδήποτε ανάλυση δεδομένων.

 

 

Περιεχόμενο – Σχέδιο διαλέξεων

 

           

1. Introduction to Data Analysis and Business Analytics
2. Describing and Summarizing Data
3. Visualizing and Understanding Data
4. Data preparation-Cleaning Data and data transformations
5. Descriptive Statistical Measures-Relationships between two variables
6. Probability Distributions and Data Modeling
7. Sampling and Estimation-Creating representative and unbiased samples
8. Inferential statistics-Confidence intervals
9. Inferential statistics-Designing and Performing Hypothesis Tests
10. Chi-square Tests
11. Comparative statistics-Visualizing relationships and correlation coefficient
12. Time Series Analysis and Forecasting
13. Final Exam

 

Αξιολόγηση Επίδοσης

[1] Γραπτές Εξετάσεις  70%

[2] Ασκήσεις-εργασίες  30%

 

 

 

Ταραμπάνης Κωνσταντίνος   

Περιγραφή

Τίτλος:  ΕΙΣΑΓΩΓΗ ΣΤΗ ΔΙΑΧΕΙΡΙΣΗ "ΜΕΓΑΛΩΝ" ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΫΙΑΣ (INTRODUCTION TO BIG DATA AND BUSINESS INTELLIGENCE SYSTEMS) 

Κωδικός μαθήματος:	1022-ΑΕ102
Εξάμηνο:	A’ – Προκαταρκτικό μάθημα
Είδος:	Υποχρεωτικό
Θεωρία – Πρακτική (ποσοστά):	0 -100
Γλώσσα διδασκαλίας:	Ελληνικά – Αγγλική ορολογία και βιβλιογραφία
Ώρες διδασκαλίας:	3 ώρες την εβδομάδα
ECTS:	7,5
Σελίδα μαθήματος	Compus

 

Τμήμα, Υπεύθυνος 

Τμήμα:	Οργάνωσης και Διοίκησης Επιχειρήσεων
Τομέας:	Πληροφοριακά Συστήματα
Υπεύθυνος:	Κωνσταντίνος Ταραμπάνης (Καθηγητής)
Email:	kat@uom.edu.gr
Web:	http://islab.uom.gr
Τηλ:	2310-891544
Γραφείο	307, Κτήριο Θ
Ώρες Γραφείου	Ανακοινώνονται στην ιστοσελίδα

 

Βιβλιογραφία

Provost, F. and Fawcett T., Data Science for Business, 2013, O’Rielly, Sebastopol, CA.

Sharda, R., Delen, D., Turban, E., Business Intelligence and Analytics, Systems for Decision Support, 2014, Pearson Education, Essex, England.

 

Λογισμικό

Python, Jupyter Notebook

 

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Στόχος του μαθήματος είναι η θεωρητική και πρακτική εισαγωγή των φοιτητών στις έννοιες των μεγάλων δεδομένων, της επιχειρηματικής ευφυΐας και της αναλυτικής δεδομένων. Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να:

• Εξηγούν τις σύγχρονες εξελίξεις στον τομέα των μεγάλων δεδομένων και της επιχειρηματικής ευφυΐας.
• Αναφέρουν επιτυχημένα σενάρια αξιοποίησης μεγάλων δεδομένων και αναλυτικής δεδομένων σε σύγχρονες επιχειρήσεις παγκοσμίως.
• Περιγράφουν τις βασικές έννοιες και λειτουργίες των data warehouses.
• Διακρίνουν διαφορετικούς τύπους οπτικοποιήσεων δεδομένων και να επιλέγουν τον κατάλληλο.
• Περιγράφουν τη διαδικασία, μεθόδους, και εργαλεία για την εφαρμογή αναλυτικής προβλέψεων (predictive analytics) σε επιχειρήσεις.
• Αναγνωρίζουν διάφορες σύγχρονες τεχνολογίες διαχείρισης μεγάλων δεδομένων όπως Hadoop, NoSQL, graph databases κλπ.
• Κατανοούν τη χρήση εργαλείων λογισμικού για την αξιοποίηση της αναλυτικής μεγάλων δεδομένων από επιχειρήσεις.

Η διδασκαλία του μαθήματος θα περιλαμβάνει και σενάρια χρήσης αναλυτικής δεδομένων για την λήψη αποφάσεων που σχετίζεται με σύγχρονα επιχειρηματικά προβλήματα μεγάλων εταιρειών (π.χ. Instacart, Airbnb, BNP Paribas, Zillow) σε διάφορους κλάδους όπως ηλεκτρονικό εμπόριο, τραπεζική, τουρισμός και διαχείριση ακινήτων.

 

Περιεχόμενο – Σχέδιο διαλέξεων

  Βασικές έννοιες της Αναλυτικής Δεδομένων και του Business Intelligence

1. Data and Databases
2. Data Warehouses
3. Data visualisations
4. Predictive analytics
5. Text mining and sentiment analysis
6. Web mining
7. Social Network Analysis
8. Big Data: Hadoop, NoSQL, SPARK
9. Semantic Web and linked data
10. Artificial Intelligence
11. Privacy and Ethics
12. Τελικές εξετάσεις

 

Αξιολόγηση Επίδοσης

[1] Γραπτές Εξετάσεις 70%

[2] Εβδομαδιαίες ασκήσεις και συμμετοχή στο μάθημα 30%

 

 

 

 

Παπαθανασίου Ιάσων   

Περιγραφή

Εργαλεία Λογισμικού στην Αναλυτική των Επιχειρήσεων (Software Tools for Business Analytics) 

Κωδικός μαθήματος:	1022-ΑΕ101
Εξάμηνο:	A’ – Προκαταρκτικό μάθημα
Είδος:	Υποχρεωτικό
Θεωρία – Πρακτική (ποσοστά):	0 -100
Γλώσσα διδασκαλίας:	Ελληνικά – Αγγλική ορολογία και βιβλιογραφία
Ώρες διδασκαλίας:	3 ώρες την εβδομάδα
ECTS:	7,5
Σελίδα μαθήματος	Compus

 Τμήμα, Υπεύθυνος 

Τμήμα:	Οργάνωσης και Διοίκησης Επιχειρήσεων
Υπεύθυνος:	Ιάσων Παπαθανασίου (Αναπληρωτής Καθηγητής)
Email:	jasonp@uom.edu.gr
Τηλ:	2310-891571
Γραφείο	203, Κτήριο Θ
Ώρες Γραφείου	Ανακοινώνονται στο Compus

  

Βιβλιογραφία

Haslwanter, T. “An introduction to Statistics with Python. With applications in the Life Sciences”. Springer, 2016.

Johansson, R. “Numerical Python. A practical techniques approach for Industry”. Springer, 2015.

Linge, S. and Langtangen, H. P. “Programming for Computations - Python. A gentle introduction to Numerical Simulations with Python”. Springer, 2016.

Rahlf, T. “Data Visualisation with R”. Springer, 2017.

Daróczi, G. “Mastering Data Analysis with R”. Packt Publishing 2015.

Documentation for packages: NetworkX, Pandas, Seaborn, matplotlib, scipy, numpy, graphviz, gnuplot.py.  

 

 Λογισμικό

 Python, Anaconda, Spyder, NetworkX, Pandas, Seaborn, matplotlib, scipy, numpy, graphviz, gnuplot, gnuplot.py, R.   

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Η γλώσσα Python είναι μια μοντέρνα γλώσσα προγραμματισμού που διακρίνεται ιδιαίτερα για τον ευανάγνωστο κώδικά της και την ευκολία χρήσης της. Διαθέτει επίσης πλέον μία πληθώρα από εργαλεία που την κάνουν πολύ χρήσιμη, ευέλικτη και αποδοτική για επιστημονικές εργασίες. Η R είναι επίσης μία μοντέρνα γλώσσα που χρησιμοποιείται κυρίως για στατιστική επεξεργασία. Το μάθημα αφορά την εκμάθηση προχωρημένων τεχνικών των παραπάνω γλωσσών για την επίλυση προβλημάτων δικτύων, αλγοριθμικής ανάλυσης, στατιστικής και οπτικοποίησης δεδομένων. Είναι εργαστηριακό και το σύνολο του λογισμικού που χρησιμοποιείται είναι Ελεύθερο Λογισμικό / Λογισμικό Ανοικτού Κώδικα (ΕΛ/ΛΑΚ). Επίσης θεωρείται προπαρασκευαστικό, με την έννοια ότι το σύνολο του λογισμικού και των τεχνικών που διδάσκονται θα χρησιμοποιηθούν αργότερα στις εργασίες των υπολοίπων μαθημάτων του μεταπτυχιακού. Αρχικά θα γίνει μια σύντομη εισαγωγή στις λειτουργίες των γλωσσών αυτών, που αφορά τον καθορισμό των μεταβλητών, εντολών, δομών δεδομένων και την παραμετροποίηση του περιβάλλοντος εργασίας. Στη συνέχεια και με την ολοκλήρωση του μαθήματος, οι φοιτητές θα πρέπει να μπορούν να γράψουν κώδικα Python και R σχετικό με τα θέματα που προαναφέρθηκαν, δηλαδή να χρησιμοποιούν τα συγκεκριμένα εργαλεία για να δουλεύουν με πίνακες και άλλες δομές δεδομένων, να οπτικοποιούν δεδομένα και να μπορούν να τα αναπαραστήσουν με ευανάγνωστα και σωστά δομημένα διαγράμματα, να υλοποιούν αλγόριθμους, να αναπαραστούν δίκτυα και παράλληλα να τα οπτικοποιούν και τέλος να είναι σε θέση να κάνουν εκτεταμένες στατιστικές αναλύσεις.  

 

Περιεχόμενο – Σχέδιο διαλέξεων

1. Introduction to Python I (installation, editors, variables, etc)
2. Introduction to Python II (data structures, functions, I/O)
3. Arrays and scientific programming with Python (packages: numpy, scipy)
4. Algorithm analysis with Python
5. Statistics with Python I (package: pandas)
6. Statistics with Python II (package: StatsModels)
7. Networks with Python (package: NetworkX)
8. Network visualization with Python (packages: matplotlib, graphviz)
9. Data visualization with Python (packages: matplotlib, gnuplot.py, seaborn)
10. Introduction to R (installation, editors, variables, etc)
11. Statistics with R I
12. Statistics with R II
13. Final Exam

 

Αξιολόγηση Επίδοσης 

 

[1] Γραπτές Εξετάσεις 60%

[2] Ενεργός συμμετοχή 10%

[3] Ασκήσεις 30%

Γεωργίου Ανδρέας   Καπάρης Κωνσταντίνος   

Περιγραφή

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

Κωδικός μαθήματος:	1022-ΑΕ104
Εξάμηνο:	A’
Είδος:	Υποχρεωτικό
Θεωρία – Πρακτική (ποσοστά):	50 – 50
Γλώσσα διδασκαλίας:	Ελληνικά – Αγγλική ορολογία και βιβλιογραφία
Ώρες διδασκαλίας:	3 ώρες την εβδομάδα
ECTS:	7,5
Σελίδα μαθήματος	Εclass

 Τμήμα, Τομέας, Υπεύθυνος 

Τμήμα:	Οργάνωσης και Διοίκησης Επιχειρήσεων
Τομέας:	Ποσοτικές Μέθοδοι – Λήψη Αποφάσεων
Υπεύθυνος (συνδιδασκαλία):	Ανδρέας Γεωργίου (Καθηγητής)
Email:	acg@uom.edu.gr
Web:	users.uom.gr/~acg
Τηλ:	2310-891569
Γραφείο	305, Κτήριο Θ
Ώρες Γραφείου	Ανακοινώνονται στην ιστοσελίδα

 

Υπεύθυνος (συνδιδασκαλία):	Κωνσταντίνος Καπάρης (Επίκουρος Καθηγητής)
Email:	k.kaparis@uom.edu.gr
Web:	https://kaparis.uom.gr/wp/
Τηλ:	2310-891573
Γραφείο	205, Κτήριο Θ
Ώρες Γραφείου	Ανακοινώνονται στην ιστοσελίδα

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%