Πρόγραμμα Σπουδών


  • Μαθήματα Υποχρεωτικά και Επιλογής
2ο Εξάμηνο
Μαθήματα Υποχρεωτικά και Επιλογής

ΥΠΟΧΡΕΩΤΙΚΑ ΜΑΘΗΜΑΤΑ

  • ΕΙΣΑΓΩΓΗ ΣΤΗ ΔΙΑΧΕΙΡΙΣΗ ΔΕΔΟΜΕΝΩΝ
    (ΑΕ202)
  • ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΠΡΟΧΩΡΗΜΕΝΕΣ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΠΤΙΚΗΣ ΑΝΑΛΥΤΙΚΗΣ
    (ΑΕ201)

Ταραμπάνης Κωνσταντίνος   

Περιγραφή

Εισαγωγή στη Διαχείριση Δεδομένων (Introduction to Data Management methods and techniques) 

Κωδικός μαθήματος:

1022-ΑΕ202

Εξάμηνο:

Β’

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:

Πληροφοριακά Συστήματα

Υπεύθυνος (συνδιδασκαλία):

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

 

Υπεύθυνος (συνδιδασκαλία):

Ευάγγελος Καλαμπόκης

Email:

ekal@uom.edu.gr

Web:

https://kalampok.is

Τηλ:

2310-891588

Γραφείο

315, Κτήριο Θ

Ώρες Γραφείου

Ανακοινώνονται στην ιστοσελίδα


Βιβλιογραφία

 Oracle Academy “Database Design and Programming with SQL” [Online Course]


Λογισμικό

 Oracle SQL, Cloudera, MongoDB, HBase

 

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Στόχος του μαθήματος είναι η εισαγωγή των φοιτητών στην διαχείριση διαφορετικών μορφών δεδομένων που απαντώνται στις σύγχρονες επιχειρήσεις. Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να:

  • Δημιουργούν μοντέλα δεδομένων
  • Συντάσσουν και εκτελούν περίπλοκα SQL ερωτήματα
  • Διακρίνουν τις διαφορές των παραδοσιακών συστημάτων διαχείρισης δεδομένων και των συστημάτων διαχείρισης μεγάλων δεδομένων.
  • Συνοψίζουν τα χαρακτηριστικά του Hadoop και του MapReduce προγραμματιστικού μοντέλου.
  • Εκτελούν προγράμματα χρησιμοποιώντας Hadoop.
  • Διακρίνουν τις διαφορετικές κατηγορίες NoSQL βάσεων δεδομένων και να περιγράφουν τα χαρακτηριστικά τους

Η διδασκαλία της SQL θα βασιστεί στο εκπαιδευτικό υλικό και την εκπαιδευτική πλατφόρμα της Oracle καθώς το Πανεπιστήμιο Μακεδονίας είναι μέλος του Oracle Academy.

Το μάθημα απαιτεί την ενεργή συμμετοχή των φοιτητών οι οποίοι θα εφαρμόζουν στην πράξη την διδασκόμενη ύλη και θα εκπονούν εβδομαδιαίες εργασίες καθ’ όλη τη διάρκεια του εξαμήνου.

Το μάθημα δεν απαιτείται προηγούμενες γνώσεις σε προγραμματισμό ή βάσεις δεδομένων.

 

Περιεχόμενο – Σχέδιο διαλέξεων

  1. Εισαγωγή στις σχεσιακές βάσεις δεδομένων
  2. Μοντελοποίηση δεδομένων
  3. Η γλώσσα SQL
  4. Συναρτήσεις single row
  5. Δεδομένα από πολλαπλούς πίνακες
  6. Συγκεντρωτικές αναφορές
  7. Εμφωλευμένα ερωτήματα SQL
  8. Hadoop και MapReduce
  9. Πρακτική εφαρμογή Hadoop/MapReduce
  10. Key value NoSQL stores (e.g. Amazon DynamoDB, Redis)
  11. Document NoSQL stores (e.g. MongoDB, Elasticsearch) - JSON
  12. Extensible NoSQL stores (e.g. BigTable, HBase, Cassandra)
  13. Τελικές εξετάσεις

 

Αξιολόγηση Επίδοσης

[1] Γραπτές Εξετάσεις 30%

[2] Εβδομαδιαίες ασκήσεις  30%

[3] Τελική εργασία 50% (bonus 10%)

 

 

 

 

Μοσχίδης Οδυσσέας   

Περιγραφή

Εξόρυξη Δεδομένων και προχωρημένες τεχνικές Προβλεπτικής Αναλυτικής (Advanced Predictive Analytics and Data Mining)

Κωδικός μαθήματος:

1022-ΑΕ201

Εξάμηνο:

Β’

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

 

Υπεύθυνος/οι μαθήματος 

Τμήμα:

Οργάνωσης και Διοίκησης Επιχειρήσεων

Τομέας:

Ποσοτικές Μέθοδοι – Διερευνητική Στατιστική

Υπεύθυνος (συνδιδασκαλία):

Οδυσσέας Μοσχίδης (Καθηγητής)

Email:

fmos@uom.edu.gr

Web:

users.uom.gr/~fmos

Τηλ:

2310-891592

Γραφείο

403, Κτήριο ΗΘ

Ώρες Γραφείου

Ανακοινώνονται στην ιστοσελίδα

 

Υπεύθυνος (συνδιδασκαλία):

Άγγελος Μάρκος (Επίκουρος Καθηγητής)

Email:

amarkos@eled.duth.gr

Web:

http://amarkos.gr

Τηλ:

 

Γραφείο

 

Ώρες Γραφείου

Ανακοινώνονται στην ιστοσελίδα

 

Βιβλιογραφία 

Gareth, J., Witten, D., Hastie, T. and Tibshirani, R. An Introduction to Statistical Learning: With Applications in R. New York: Springer, 2013.

Kuhn, M., and Johnson, K. Applied Predictive Modeling. New York: Springer, 2013.

Larose, D. T., and Larose, C. D. Data mining and predictive analytics. John Wiley & Sons, 2015.

 

Λογισμικό

 R, Excel, Spss

 

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι 

Η αυξημένη δραστηριότητα σε τομείς όπως το διαδίκτυο, το ηλεκτρονικό εμπόριο, το ηλεκτρονικό επιχειρείν, τα ηλεκρονικά μεγάλου πλήθους ερωτηματολόγια κλπ, έχουν αυξήσει σημαντικά τον όγκο και την πολυπλοκότητά των δεδομένων που συλλέγονται και αποθηκεύονται, αυξάνοντας τη σημασία και αξία τους στη λήψη επιχειρησιακών αποφάσεων. Η Εξόρυξη Δεδομένων (Data Mining) αναφέρεται στην εξεύρεση της υπάρχουσας ενδιαφέρουσας δομής σε μεγάλα σύνολα δεδομένων με χρήση τεχνικών της στατιστικής, της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Στόχος της εξόρυξης δεδομένων είναι η πληροφορία που θα εξαχθεί και τα πρότυπα που θα προκύψουν να έχουν δομή κατανοητή έτσι ώστε να συμβάλλουν στη διαδικασία λήψης αποφάσεων. Οι τεχνικές της Προβλεπτικής Αναλυτικής (Predictive Analytics) υπερβαίνουν την απλή περιγραφή των δεδομένων και βασίζονται στο παρελθόν για να κάνουν προβλέψεις για το μέλλον. Οι τεχνικές αυτές είναι ιδιαίτερα σημαντικές καθώς διευκολύνουν τους λήπτες επιχειρησιακών αποφάσεων στην αξιολόγηση όλων των πιθανών ενδεχομένων π.χ για έσοδα, κέρδη, μερίδιο αγοράς, πιθανότητα πραγματοποίησης μιας πώλησης, πιθανότητα απώλειας ενός πελάτη, κ.ά, αφού πρώτα λάβουν υπόψη μια σειρά από προβλεπτικούς παράγοντες όπως έξοδα μάρκετινγκ, διαδικασίες διασφάλισης ποιότητας, αριθμός πωλητών, κ.ά. Το μάθημα αυτό εστιάζει σε προχωρημένες μεθόδους εξόρυξης δεδομένων και προβλεπτικής αναλυτικής, παρουσιάζοντας με τρόπο συστηματικό τις πιο σημαντικές προβλεπτικές τεχνικές μοντελοποίησης, καθώς και  εφαρμογές τους σε πραγματικά δεδομένα management, operations, marketing κλπ. Με την ολοκλήρωση του μαθήματος αναμένεται ότι οι φοιτητές και οι φοιτήτριες θα είναι σε θέση να αντλούν και να διαμορφώνουν σύνολα δεδομένων από συναφείς πηγές, να διατυπώνουν ορθά ερευνητικά ερωτήματα και να καταστρώνουν σχεδιασμούς για αυτά, να επιλέγουν τις κατάλληλες τεχνικές μοντελοποίησης και ανάλυσης δεδομένων που οδηγούν στην εξαγωγή χρήσιμων προτύπων γνώσης, τη διατύπωση προβλέψεων καθώς και τη διαδικασία λήψης αποφάσεων. Επίσης να αξιολογούν και να συγκρίνουν την αποτελεσματικότητα των μεθόδων και να επικοινωνούν τα ευρήματα των αναλύσεων σε στελέχη οργανισμών και επιχειρήσεων.   

 

Περιεχόμενο – Σχέδιο διαλέξεων 

  1. Introduction – Data Exploration and Data Pre-processing
  2. Linear Regression
  3. Cluster Analysis (Hierarchical and k-means)
  4. Dimension Reduction (Principal Components Analysis)
  5. Dimension Reduction (Correspondence Analysis)
  6. Logistic Regression, Discriminant Analysis
  7. Model Evaluation (Resampling Methods) – K-Nearest Neighbors, Naïve Bayes
  8. Model Selection, Regularization and Model Tuning
  9. Tree-based methods: Classification and regression trees
  10. Association Rules
  11. Support Vector Machines
  12. Case Studies
  13. Final Exam

 

 Αξιολόγηση Επίδοσης 

[1] Γραπτές Εξετάσεις  70%

[2] Ασκήσεις-εργασίες  30% 

ΜΑΘΗΜΑΤΑ ΕΠΙΛΟΓΗΣ

  • ΑΝΑΛΥΣΗ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ
    (ΑΕ204)
  • ΑΝΑΛΥΤΙΚΗ ΣΤΗ ΔΙΑΧΕΙΡΙΣΗ ΛΕΙΤΟΥΡΓΙΩΝ ΚΑΙ ΤΗΝ ΕΦΟΔΙΑΣΤΙΚΗ ΑΛΥΣΙΔΑ
    (ΑΕ207)
  • ΑΝΑΛΥΤΙΚΗ ΣΤΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΔΙΟΙΚΗΣΗ
    (ΑΕ206)
  • ΑΝΑΛΥΤΙΚΗ ΤΟΥ ΔΙΑΔΙΚΤΥΟΥ
    (ΑΕ208)
  • ΑΝΑΛΥΤΙΚΗ ΤΟΥ ΜΑΡΚΕΤΙΝΓΚ ΚΑΙ ΤΩΝ ΚΟΙΝΩΝΙΚΩΝ ΔΙΚΤΥΩΝ
    (ΑΕ205)
  • ΤΕΧΝΙΚΕΣ ΠΡΟΣΟΜΟΙΩΣΗΣ ΣΤΗΝ ΑΝΑΛΥΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ
    (ΑΕ209)

Γεωργίου Ανδρέας   

Περιγραφή

Ανάλυση Αποφάσεων και Βελτιστοποίηση (Decision Analysis and Optimization) 

Κωδικός μαθήματος:

1022-ΑΕ204

Εξάμηνο:

B’

Είδος:

Επιλογής

Θεωρία – Πρακτική (ποσοστά):

50 – 50

Γλώσσα διδασκαλίας:

Ελληνικά – Αγγλική ορολογία και βιβλιογραφία

Ώρες διδασκαλίας:

 

ECTS:

 

Σελίδα μαθήματος

Σελίδα διδάσκοντα και Compus

 

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 

H.P. Williams (2013). “Model Building in Mathematical Programing - 5th edition”,  John Wiley & Sons Ltd, UK.

D. Bertsimas & J.N. Tsitsiklis (1997). “Introduction to Linear Optimization”, Athena Scientific, Massachusetts, USA.

G.L. Nemhauser & L.A. Wolsey (1988). “Integer and Combinatorial Optimization”, John Wiley & Sons Ltd, USA.

Anderson D. R., D. J. Sweeney and T. A. Williams, An introduction to Management Science: Quantitative Approaches to Decision Making, ≥13th ed, Thomson.

 

Λογισμικό

POM/QM, IBM ILOG CPLEX 12.8 – Python API

 

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι 

Η Βελτιστοποίηση (Optimization) υπήρξε εξ’ αρχής ένας από τους ακρογωνιαίους λίθους του επιστημονικού πεδίου της Επιχειρησιακής Έρευνας/Διοικητικής Επιστήμης (Operational Research/Management Science), προγόνου θα έλεγε κανείς του πεδίου που σήμερα ονομάζουμε Αναλυτική των Επιχειρήσεων (Business Analytics) και ειδικότερα του Prescriptive Analytics. Πλέον, στην εποχή των μεγάλων δεδομένων η βελτιστοποίηση αποτελεί την “ατμομηχανή” των ραγδαίων εξελίξεων στον τομέα της αναλυτικής, καθώς η ανάπτυξη αλγοριθμικών μεθοδολογιών ικανών να ανταποκριθούν στις ανάγκες του κλάδου, ανατροφοδοτεί σε μεγάλο βαθμό την περαιτέρω εξέλιξη του. Το συγκεκριμένο μάθημα αποτελεί συνέχεια του εισαγωγικού μαθήματος “Η Διοικητική Επιστήμη στην Επιχειρησιακή Αναλυτική”, ωστόσο έμφαση δίνεται σε δύο άξονες με αναλογία 2 προς 1: (α) στον άξονα που αναδεικνύει τις αλγοριθμικές μεθοδολογίες επίλυσης προβλημάτων μαθηματικού προγραμματισμού και (β) στον άξονα της συνοπτικής εισαγωγής στη θεωρία αποφάσεων, ένα αντικείμενο που καταδεικνύει την αξία της υποκειμενικότητας στη λήψη αποφάσεων. Στην εισαγωγική διάλεξη του πρώτου άξονα πραγματοποιείται συνοπτική επανάληψη εννοιών και μεθοδολογιών του υποχρεωτικού μαθήματος ΟR/MS καθώς οι έννοιες αυτές αποτελούν κλειδιά για τις επόμενες ενότητες. Για την πρακτική επίλυση των προβλημάτων στον συγκεκριμένο άξονα θα χρησιμοποιηθεί το Python API της IBM ILOG CPLEX 12.8.  Το παραπάνω περιβάλλον αποτελεί έναν από τους κυρίαρχους και πιο ισχυρούς λύτες κυρτών (convex) και ακέραιων (integer) προγραμμάτων. Η εξοικείωση με native Python και την βιβλιοθήκη numpy θεωρείται δεδομένη από το προπαιτούμενο μάθημα «Εργαλεία Λογισμικού». Στο υπο-τμήμα του γραμμικού προγραμματισμού θα καλυφθεί η μορφή του αλγορίθμου simplex που χρησιμοποιείται στην πράξη (revised simplex) καθώς και η δυϊκή του μορφή (dual simplex) που είναι αναπόσπαστο κομμάτι κάθε σύγχρονου λύτη γραμμικών προβλημάτων. Στο υπο-τμήμα του ακέραιου γραμμικού προγραμματισμού, θα συζητηθούν προχωρημένες τεχνικές μοντελοποίησης με την χρήση δυαδικών μεταβλητών καθώς και τους δύο κυριότερους αλγόριθμους επίλυσης τέτοιων προγραμμάτων (branch and bound, Gomory’s cutting plane method). Στη συνέχεια θα συζητηθούν ορισμένα κλασικά προβλήματα συνδυαστικής βελτιστοποίησης (combinatorial optimization) τα οποία παρουσιάζουν εξαιρετικό πρακτικό αλλά και θεωρητικό ενδιαφέρον. Τέλος θα παρουσιαστούν δύο αλγορίθμοι διάσπασης (decomposition) προβλημάτων σε επιμέρους “όμοια” προβλήματα, διαδικασία που  επιτρέπει την επίλυση προβλημάτων μεγάλης κλίμακας (large scale optimization). Σημειώνεται, ότι ένα τμήμα του μαθήματος (1/3) θα αφιερωθεί σε μία στοιχειώδη εισαγωγή σε μεθόδους προγραμματισμού πολλαπλών στόχων και πολυκριτήριας λήψης αποφάσεων. Στο πλαίσιο αυτό θα παρουσιαστούν κλασικές μέθοδοι του προγραμματισμού πολλαπλών στόχων (goal programming) και άλλων μη παραμετρικών προσεγγίσεων όπως η μέθοδος AHP και η μέθοδος DEA.

 

Περιεχόμενο – Σχέδιο διαλέξεων 

  1. From Operational Research  to Business Analytics; an “optimized” evolution. Revision of key notions (OR/MS compulsory course), Linear Programing (LP).
  2. Introduction to the Python API of IBM ILOG CPLEX. Linear programming applications.
  3. Optimizing linear programs in practice: The revised simplex algorithm, dual linear programming  and the dual simplex algorithm.
  4. Integer Programing (IP)  and the expressive modeling capacity of the integrality condition. 
  5. On the optimization of Integer Linear Programs (ILP). The branch and bound algorithm, and Gomory’s cutting plane algorithm. 
  6. Special cases of ILPs: Traveling salesman, knapsack, set covering, set packing, vehicle routing and other combinatorial optimization problems.
  7. Large scale optimization : The Dantzig-Wolfe decomposition algorithm and
  8. Large scale optimization ΙΙ: The Bender’s decomposition algorithm
  9. Introduction to Multiobjective optimization – basic concepts
  10. Goal Programming
  11. Linear models of efficiency – DEA
  12. AHP and extensions
  13. Final Exam.

Αξιολόγηση Επίδοσης 

[1] Γραπτές Εξετάσεις 70%

[2] Ενεργός συμμετοχή 10%

[3] Ασκήσεις 30% (bonus 10%)

Τσιρώνης Λουκάς   

Περιγραφή

Αναλυτική  στη  Διαχείριση  Λειτουργιών  και  την  Εφοδιαστική  Αλυσίδα (Operations and Supply Chain Analytics - O/SC-Analytics)

 

Κωδικόςμαθήματος:

1022-ΑΕ207

Εξάμηνο:

B’

Είδος:

Επιλογής

Θεωρία – Εργασία (ποσοστά):

60 – 40

Γλώσσα διδασκαλίας:

Ελληνικά – Αγγλική ορολογία και βιβλιογραφία

Ώρες διδασκαλίας:

3 ώρες την εβδομάδα

ECTS:

7,5

Σελίδα μαθήματος

Σελίδα διδασκόντων και Compus

 

Τμήμα, Υπεύθυνος

Τμήμα:

Οργάνωσης και Διοίκησης Επιχειρήσεων

Υπεύθυνος (συνδιδασκαλία):

Ι. Παπαθανασίου (Αναπλ. Καθηγητής)

Email:

jason@uom.edu.gr

Τηλ:

2310891571

Γραφείο

203, Κτήριο Θ

Ώρες Γραφείου

Ανακοινώνονται στο Compus

 

Υπεύθυνος (συνδιδασκαλία):

Λ. Τσιρώνης (Επίκουρος Καθηγητής)

Email:

loukas@uom.edu.gr

Τηλ:

2310-891874

Γραφείο

228 Κτήριο Η

Ώρες Γραφείου

Ανακοινώνονται στην ιστοσελίδα

 

Βιβλιογραφία

Βασική βιβλιογραφία (επιλεγμένα κεφάλαια από τα παρακάτω):

Chopra S. and Meindl P. (2012), Supply Chain Management: Strategy, Planning and Operation, 5th Edition, Pearson Education, USA.

Feigin G. (2011). Supply Chain Planning and Analytics: The right product to the right place at the right time, Business Expert Press, New York, USA.

Mathirajan, M., Sadagopan, S., Rajendran, C., Ravindran, A., Balasubramanian, P. (2016). Analytics in Operations/Supply Chain Management. I K International Publishing House.

Ramanathan, R., Mathirajan, M. and Ravindran A.R. (2017). Big Data Analytics Using Multiple Criteria Decision-Making Models. CRC Press

Singh, S. (2016). Project Management Analytics: A Data-Driven Approach to Making Rational and Effective Project Decisions. Pearson Education, Inc.

Soluade, O. (2015). Business Analytics in Production & Operations Management: A Modular Approach. LAP LAMBERT Academic Publishing

Watson, M., Lewis, S., Cacioppi, P. and Jayaraman, J. (2012). Supply Chain Network Design: Applying Optimization and Analytics to the Global Supply Chain. FT Press.

Σημειώσεις διαλέξεων των διδασκόντων στο http://compus.uom.gr/xxxxxxxxxx

Συμπληρωματική βιβλιογραφία:

Cachon, G., & Terwiesch, C. (2013). Matching supply with demand: An introduction to operations management. McGraw-Hill Education.

Fisher M. and Raman A. (2008). The new Science of Retailing: How analytics are transforming the supply chain and improving performance, Harvard Business Press, Boston, Massachusetts, USA.

Handfield R. (2006). Supply Market Intelligence: A managerial handbook for building sourcing strategies, Taylor and Francis Group, Auerbach Publications, New York, USA.

Nahmias, S. and Olsen, T. (2015). Production and Operations Analysis. 7th ed. Long Grove, IL: Waveland Press.

Samuel H. Huang, Supply Chain Management for Engineers, CRC Press.

Silver, E.A. and Pyke, D.F. and Peterson, R. (1998). Inventory Management and Production Planning and Scheduling. John Wiley and Sons.

Simchi-Levi, D., Kaminsky, P., and Simchi-Levi, E. (2008) Designing and Managing the Supply Chain: Concepts, Strategies and Case Studies. 3rd Edition, McGraw-Hill Irwin, Boston.

 

Λογισμικό

 EXCEL, LINGO, MCDM software

 

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Η αναλυτική  στη  διαχείριση  λειτουργιών  και  την  εφοδιαστική  αλυσίδα (Operations and Supply Chain Analytics – O/SC-Analytics) είναι ένας από τους ταχύτερα αναπτυσσόμενους τομείς εφαρμογών επιχειρηματικής ευφυΐας (Business Intelligence). Σημαντικό στοιχείο του μαθήματος O/SC-Analytics είναι η έγκαιρη πρόσβαση σε τάσεις και μετρήσεις σε βασικούς δείκτες απόδοσης, ενώ οι πρόσφατες εξελίξεις στις τεχνολογίες της πληροφορίας και της επικοινωνίας συνέβαλαν στην ταχεία αύξηση της λήψης αποφάσεων προσανατολισμένης στα δεδομένα.

Ο κύριος στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με ζητήματα τακτικής και στρατηγικής, γύρω από το σχεδιασμό και τη λειτουργία των αλυσίδων εφοδιασμού, την ανάπτυξη αναλυτικών δεξιοτήτων για την επίλυση πραγματικών προβλημάτων και τη διδασκαλία των φοιτητών σε ένα ευρύ φάσμα μεθόδων και εργαλείων τους τομείς της προγνωστικής, περιγραφικής αναλυτικής για την αποτελεσματική διαχείριση των δικτύων ζήτησης και προμήθειας.

Το μάθημα αυτό μελετά τους βασικούς τομείς αποφάσεων στον σχεδιασμό και τη λειτουργία της αλυσίδας εφοδιασμού Οι φοιτητές αρχικά θα μάθουν ποια δεδομένα χρειάζονται και πώς θα χρησιμοποιήσουν αυτά τα δεδομένα για να μετρήσουν την απόδοση της αλυσίδας εφοδιασμού, όπως επίπεδα αποθεμάτων, διαθεσιμότητα προϊόντων, απόδοση προμηθευτή, αποδοτικότητα των αποθηκών και επίπεδα εξυπηρέτησης πελατών. Στη βάση αυτή, θα μάθουν πώς να εφαρμόζουν διάφορα εργαλεία και μεθόδους για να αναλύουν τις τάσεις, να εξάγουν γνώση και επιχειρηματική ευφυΐα και να λαμβάνουν αποφάσεις. Τα θέματα που καλύπτονται θα χωριστούν στον σχεδιασμό και τη διαχείριση λειτουργιών της εφοδιαστικής αλυσίδας, συμπεριλαμβανομένων -μεταξύ άλλων- της αναλυτικής των προμηθευτών, του προγραμματισμού της παραγωγικής ικανότητας, της αντιστοίχισης της ζήτησης και της προσφοράς, του σχεδιασμού πωλήσεων και λειτουργιών, της ανάλυσης θέσης και της διαχείρισης δικτύου, διαχείριση αποθεμάτων, διανομή και θέσεις εγκατάστασης. Τέλος, μέσω της ανάλυσης και της συζήτησης μελετών περίπτωσης (case studies), θα εκτιμήσουν και θα λάβουν χρήσιμες γνώσεις σχετικά με τον τρόπο βελτιστοποίησης της αξίας των διαδικασιών και λειτουργιών της αλυσίδας εφοδιασμού, για τον εξορθολογισμό των στόχων και τον σχεδιασμό ευέλικτων αλυσίδων εφοδιασμού.

 

Στο τέλος του μαθήματος οι φοιτητές θα:

  • Μάθουν πώς να βελτιστοποιούν τις διαδικασίες της αλυσίδας εφοδιασμού έτσι ώστε να μπορούν να επιτύχουν τον στρατηγικό στόχο μιας εταιρείας είτε για αποδοτικότητα είτε για ανταποκρισιμότητα.
  • Κατανοούν τους στόχους μιας αλυσίδας εφοδιασμού, θα εξηγούν τις επιπτώσεις των αποφάσεων στην αλυσίδα εφοδιασμού για την επιτυχία μιας εταιρείας και θα προσδιορίζουν τους βασικούς τομείς αποφάσεων.
  • Προσδιορίζουν τους κύριους μοχλούς απόδοσης της αλυσίδας εφοδιασμού και θα καθορίζουν τους βασικούς δείκτες απόδοσης της αλυσίδας εφοδιασμού
  • Γνωρίζουν πως να εξάγουν γνώση από τις δυναμικές πληροφορίες σχετικά με τη μελλοντική ζήτηση, τη διαθέσιμη παραγωγική ικανότητα και τις πηγές εφοδιασμού
  • Αναπτύσσουν μοντέλα για την λήψη αποφάσεων σχεδιασμού δικτύου και θα χρησιμοποιούν μεθόδους βελτιστοποίησης για τη λήψη αποφάσεων για τον προγραμματισμό της εγκατάστασης και την ανάλυση αντίστοιχων αποφάσεων
  • Χρησιμοποιούν μεθοδολογίες για να αξιολογούν τις αποφάσεις σχετικά με τον προγραμματισμό της αλυσίδας εφοδιασμού και την κατανομή δυναμικότητας υπό αβεβαιότητα
  • Εφαρμόζουν μεθόδους πρόβλεψης για τον προσδιορισμό των τάσεων της προσφοράς και της ζήτησης.
  • Εξοικειωθούν με εργαλεία όπως: EXCEL, LINGO και MCDM software για την διεξαγωγή αναλύσεων.

 

Περιεχόμενο – Σχέδιο διαλέξεων 

Εβδομάδα

Θέμα διάλεξης

Διδάσκων

1

Intro – Syllabus - Operations management analytics

Τσιρώνης

2

Supply chain (SC) analytics-data sources – new paradigms (i.e. IoT, Physical Internet, Blockchain, Social media)

Τσιρώνης

3

SC network design analytics

Τσιρώνης

4

Predictive analytics - Collaborative Planning Forecasting and Replenishment (CPFR) analytics

Τσιρώνης

5

Project Management analytics

Τσιρώνης

6

Operations research in O/SC-Analytics

Παπαθανασίου

7

Inventory management in O/SC-Analytics

Παπαθανασίου

8

Transportation models analytics

Παπαθανασίου

9

Multi Criteria Decision Aid in O/SC-analytics

Παπαθανασίου

10

Markov models in O/SC-Analytics

Προσκεκλημένος (Διαμαντίδης)

11

Game theory in O/SC-Analytics

Προσκεκλημένος (Διαμαντίδης)

12

Παρουσιάσεις εργασιών

Παπαθανασίου/Τσιρώνης

13

Εξετάσεις

Παπαθανασίου/Τσιρώνης

 

 Αξιολόγηση Επίδοσης

 [1] Γραπτές Εξετάσεις 50%

[2] Γραπτή εργασία – παρουσίαση 50%

 

Ελευθεριάδης Ιορδάνης   

Περιγραφή

Τίτλος: Αναλυτική στη Χρηματοοικονομική Διοίκηση (Financial Management Analytics)

 

Κωδικός μαθήματος:

1022-ΑΕ206

Εξάμηνο:

B’

Είδος:

Επιλογής

Θεωρία – Πρακτική (ποσοστά):

70 – 30

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:

Χρηματοοικονομική

Υπεύθυνος (συνδιδασκαλία):

Ελευθεριάδης Ιορδάνης (Καθηγητής)

Email:

jordan@uom.edu.gr

Web:

 

Τηλ:

2310-891591

Γραφείο

402, Κτήριο Θ

Ώρες Γραφείου

Ανακοινώνονται στην ιστοσελίδα

 

Υπεύθυνος (συνδιδασκαλία):

Ευγενία Αναγνωστοπούλου

Email:

eanagno@uom.edu.gr

Web:

 

Τηλ:

2310-891591

Γραφείο

02, Κτήριο Θ

Ώρες Γραφείου

Ανακοινώνονται στην ιστοσελίδα

 

Βιβλιογραφία 

Analytics for Insurance: The Real Business of Big Data (The Wiley Finance Series) 1st Edition., Predictive Data Mining Models (Computational Risk Management) 1st ed. 2017 Edition, Kindle Edition, Tableau Your Data!: Fast and Easy Visual Analysis with Tableau Software 2nd Edition, Business Risk and Simulation Modelling in Practice: Using Excel, VBA and @RISK (The Wiley Finance Series) 1st Edition, Άρθρα από διεθνή περιοδικά

 Λογισμικό

Excel, @Risk

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Στόχος του μαθήματος είναι η θεωρητική και πρακτική εισαγωγή των φοιτητών στις έννοιες των μεγάλων δεδομένων, στον χώρο της Χρηματοοικονομικής, της Τραπεζικής και της Διαχείρισης Κινδύνου. Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να:

  • Εξηγούν τις σύγχρονες εξελίξεις στην χρήση μεγάλων δεδομένων στον χώρο της Χρηματοοικονομικής.
  • Να εντοπίζουν τα απαραίτητα χρηματοοικονομικά δεδομένα και να συντάσσουν αναλυτικές αναφορές που θα χρησιμεύουν ως πολύτιμες πηγές πληροφοριών για την επιχείρηση.
  • Αξιοποιούν μεγάλα δεδομένα για την πραγματοποίηση προβλέψεων και επιλογή των αποδοτικότερων επενδυτικών σχεδίων.
  • Περιγράφουν τη διαδικασία, μεθόδους, και εργαλεία για την διαχείριση κινδύνου με χρήση μεγάλων δεδομένων.
  • Κατανοούν τη χρήση εργαλείων λογισμικού για την αξιοποίηση της αναλυτικής μεγάλων δεδομένων στον χώρο της Χρηματοοικονομικής.

Η διδασκαλία του μαθήματος θα περιλαμβάνει μελέτες περιπτώσεων και παραδείγματα με χρήση εργαλείων λογισμικού.

 Περιεχόμενο – Σχέδιο διαλέξεων

  1.  Χρηματοοικονομικός σχεδιασμός και ανάλυση
  2. Ανάλυση Χρηματοοικονομικών Καταστάσεων
  3. Χρήση Ποσοτικών Μεθόδων στην Χρηματοοικονομική και στην Διαχείριση Κινδύνου
  4. Εργαλεία Λογισμικού για την Ανάλυση Μεγάλων Δεδομένων στην Χρηματοοικονομική
  5. Αναλυτική Δεδομένων με χρήση Excel
  6. Αναλυτική Δεδομένων στις Επιχειρήσεις Παροχής Χρηματοοικονομικών Υπηρεσιών και στις Ασφαλιστικές Εταιρίες
  7. Νευρωνικά Δίκτυα, Μεγάλα Δεδομένα και αξιοποίησή τους για την αξιολόγηση πιστοληπτικής ικανότητας
  8. Μελέτη Χρήσης Μεγάλων Δεδομένων για την τμηματοποίηση πελατών
  9. Big Data Use Cases in Banking and Financial Services, Personalized Marketing
  10. Μελέτες Περιπτώσεων Χρήσης Μεγάλων Δεδομένων για την Διαχείριση Κινδύνου
  11. Χρήση μεγάλων δεδομένων για την πρόληψη της απάτης
  12. Μεγάλα δεδομένα και η αξιοποίησή τους από τις επιχειρήσεις Fintech
  13. Τελικές εξετάσεις

 Αξιολόγηση Επίδοσης

[1] Γραπτές Εξετάσεις 70%

[2] Εργασίες - συμμετοχή στο μάθημα 30%

 

 

 

 

Περιγραφή

Αναλυτική του Διαδικτύου (Web and Text Analytics) 

Κωδικός μαθήματος:

1022-ΑΕ208

Εξάμηνο:

Β’

Είδος:

Μάθημα Επιλογής

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:

Πληροφοριακά Συστήματα

Υπεύθυνος (συνδιδασκαλία):

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

 

Υπεύθυνος (συνδιδασκαλία):

Ευάγγελος Καλαμπόκης

Email:

ekal@uom.edu.gr

Web:

https://kalampok.is

Τηλ:

2310-891588

Γραφείο

315, Κτήριο Θ

Ώρες Γραφείου

Ανακοινώνονται στην ιστοσελίδα

 

Βιβλιογραφία

DuCharme B., Learning SPARQL, Second Edition, 2013, O’Reilly

Στεφανιδάκης Μ., Παπαδάκης, Ι., Ανδρόνικος, Θ., Ανοικτά Συνδεδεμένα Δεδομένα και Εφαρμογές, 2016, Ελληνικά Ακαδημαϊκά Ηλεκτρονικά Συγγράμματα.

T. Heath & C. Bizer, Linked Data: Evolving the Web into a Global Data Space, 2011, http://linkeddatabook.com/editions/1.0/

 

Λογισμικό

Virtuoso RDF store, MongoDB, Tableau, R

 

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Στόχος του μαθήματος είναι η εισαγωγή των φοιτητών στην αναλυτική με χρήση δεδομένων που είναι διαθέσιμα στον παγκόσμιο Ιστό όπως ανοικτά κυβερνητικά δεδομένα, συνδεδεμένα δεδομένα, δεδομένα από μέσα κοινωνικής δικτύωσης, κλπ. Μετά την ολοκλήρωση του μαθήματος οι φοιτητές θα είναι σε θέση να:

  • Περιγράφουν πηγές δεδομένων στον παγκόσμιο Ιστό.
  • Συλλέγουν συνδεδεμένα δεδομένα μέσω SPARQL ερωτημάτων
  • Αναλύουν σημασιολογικά συνδεδεμένα δεδομένα του παγκόσμιου Ιστού μέσω οπτικοποιήσεων και στατιστικών αναλύσεων
  • Συλλέγουν, αποθηκεύουν και αναλύουν δεδομένα από μέσα Κοινωνικής Δικτύωσης
  • Εφαρμόζουν μεθόδους Natural Language Processing σε δεδομένα από μέσα Κοινωνικής Δικτύωσης

Το μάθημα απαιτεί την ενεργή συμμετοχή των φοιτητών οι οποίοι θα εφαρμόζουν στην πράξη την διδασκόμενη ύλη και θα εκπονούν εβδομαδιαίες εργασίες καθ’ όλη τη διάρκεια του εξαμήνου.

Το μάθημα δεν απαιτείται προηγούμενες γνώσεις σε προγραμματισμό ή βάσεις δεδομένων.

  

Περιεχόμενο – Σχέδιο διαλέξεων

  1. Πηγές δεδομένων στον παγκόσμιο Ιστό
  2. Συνδεδεμένα δεδομένα – το μοντέλο RDF
  3. Στατιστικά συνδεδεμένα δεδομένα
  4. Η γλώσσα SPARQL
  5. Συλλογή δεδομένων από τον Ιστό των συνδεδεμένων δεδομένων
  6. Αναλυτική συνδεδεμένων δεδομένων
  7. Δεδομένα από μέσα κοινωνικής δικτύωσης
  8. Συλλογή δεδομένων μέσω Twitter API
  9. Αποθήκευση δεδομένων του Twitter
  10. Αναλυτική δεδομένων κοινωνικών δικτύων
  11. Sentiment analysis και NLP
  12. Εφαρμογή NLP σε δεδομένα κοινωνιών δικτύων
  13. Τελικές εξετάσεις
  14.  

Αξιολόγηση Επίδοσης

 [1] Γραπτές Εξετάσεις 30%

[2] Εβδομαδιαίες ασκήσεις  30%

[3] Τελική εργασία 50% (bonus 10%)

 

 

 

 

Χατζηθωμάς Λεωνίδας   

Περιγραφή

Αναλυτική του Μάρκετινγκ και των Κοινωνικών Δικτύων (Marketing and Social Media Analytics) 

Κωδικός μαθήματος:

1022-ΑΕ205

Εξάμηνο:

B’

Είδος:

Επιλογής

Θεωρία – Πρακτική (ποσοστά):

50 – 50

Γλώσσα διδασκαλίας:

Ελληνικά – Αγγλική ορολογία και βιβλιογραφία

Ώρες διδασκαλίας:

3 ώρες την εβδομάδα

ECTS:

7,5

Σελίδα μαθήματος

Σελίδα στο Compus

 

Τμήμα, Τομέας, Υπεύθυνος 

Τμήμα:

Οργάνωσης και Διοίκησης Επιχειρήσεων

Τομέας:

Μάρκετινγκ

Υπεύθυνος:

Λεωνίδας Χατζηθωμάς (Επίκουρος Καθηγητής)

Email:

hatzithomas@uom.edu.gr

Web:

https://www.researchgate.net/profile/Hatzithomas_Leonidas

Τηλ:

2310-891684

Γραφείο

301, Κτήριο Θ’

Ώρες Γραφείου

Ανακοινώνονται στο compus

 

Προσκεκλημένος Ομιλητής:

Γεώργιος Παλταγιάν

Email:

gpaltag@uom.edu.gr

Web:

 

Τηλ:

 

Γραφείο

 

Ώρες Γραφείου

Ανακοινώνονται στο compus

 

Προσκεκλημένη Ομιλήτρια:

Κωνσταντίνα Καμβύση (Postdoctoral researcher)

Email:

nakam@uom.gr

Web:

 

Τηλ:

2310891525

Γραφείο

Εργαστήριο Επιχειρηματικής Αριστείας, 2ος όροφος, Κτίριο Θ’

Ώρες Γραφείου

Ανακοινώνονται στο compus


Βιβλιογραφία

Hemann, C. and Burbary, K., 2013. Digital marketing analytics: Making sense of consumer data in a digital world. Pearson Education.

Mizik N., Hanssens D. M. (2018). Handbook of Marketing Analytics: Methods and Applications in Marketing, Edward Elgar Publishing: Northampton MA.

Sorger, S., 2013. Marketing Analytics: Strategic Models and Metrics. Admiral Press.

Winston, W.L., 2014. Marketing analytics: Data-driven techniques with Microsoft Excel. John Wiley & Sons.

 

Λογισμικό

SPSS, AMOS, Excel

 

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Στην εποχή των μεγάλων δεδομένων οι επιχειρήσεις αντιμετωπίζουν αυξανόμενες προκλήσεις αναφορικά με την επεξεργασία, σύνθεση και κατανόηση των καταναλωτικών και πελατειακών τους δεδομένων. Η αναλυτική του μάρκετινγκ αφορά στον εντοπισμό και την αξιοποίηση συγκεκριμένων προτύπων καταναλωτικής συμπεριφοράς, μέσα από την ανάλυση δεδομένων συλλεχθέντων στο εσωτερικό ή το εξωτερικό περιβάλλον την επιχείρησης με σκοπό την επίλυση στρατηγικών προβλημάτων του μάρκετινγκ ή/και τη λήψη αποφάσεων. Οι φοιτητές θα έχουν τη δυνατότητα να εντρυφήσουν στις στρατηγικές του μάρκετινγκ μέσα από τη χρήση συγκεκριμένων αναλυτικών εργαλείων, τεχνικών και μετρικών και την ανάπτυξη μοντέλων αξιολόγησης των εταιρικών επιλογών. Θα δοθεί ιδιαίτερη έμφαση στα ψηφιακά εργαλεία του μάρκετινγκ και ιδιαίτερα στη χρήση των μετρικών για την αξιολόγηση των τακτικών μάρκετινγκ στα κοινωνικά δίκτυα και τις μηχανές αναζήτησης.  Οι φοιτητές θα έχουν τη δυνατότητα να αναπτύξουν περαιτέρω πρακτικές δεξιότητες στη χρήση των στατιστικών πακέτων SPSS και AMOS. Συγκεκριμένα οι φοιτητές θα εξοικειωθούν με αναλυτικά εργαλεία και μεθόδους που χρησιμοποιούνται στα σύγχρονα τμήματα μάρκετινγκ όπως είναι: η Cluster Analysis, η Conjoint Analysis, η Principal Component Analysis, το Structural Equation Modeling, η Regression Analysis, η Recency Frequency Monetary (RFM) Analysis και τα Decision Trees. Η δομή του μαθήματος αντανακλά τις σύγχρονες ανάγκες των επιχειρήσεων για στελέχη με αναλυτικές ικανότητες που δύνανται να υποστηρίξουν τη εταιρική διαδικασία λήψης αποφάσεων στο πλαίσιο της στρατηγικής μάρκετινγκ.

 

 Περιεχόμενο – Σχέδιο διαλέξεων

  1. Introduction to Marketing Analytics
  2. Who are our customers? Marketing Segmentation and Cluster Analysis
  3. Case study: Banking Customers Segmentation
  4. What do customers want? New Product Development and Conjoint Analysis
  5. Understanding Customers’ Attitudes – Principal Component Analysis
  6. Modeling Customers’ Decision Making – Structural Equation Modeling
  7. Online Promotion Mix: Google & Social Media Analytics
  8. Case study: Understanding Customer Value
  9. Case study: Bank Marketing
  10. Case study: Customer loyalty
  11. Case study: Revenue Management to control the booking process
  12. Presentations
  13. Final Exam

 

Αξιολόγηση Επίδοσης

[1] Γραπτές Εξετάσεις 60%

[2] Εργασία 30%

[3] Παρουσίαση 10%

 

Γεωργίου Ανδρέας   

Περιγραφή

Τεχνικές Προσομοίωσης στην Αναλυτική των Επιχειρήσεων (Simulation Techniques in Business Analytics) 

Κωδικός μαθήματος:

1022-AE209

Εξάμηνο:

Β’

Είδος:

Επιλεγόμενο

Θεωρία – Πρακτική (ποσοστά):

50 – 50

Γλώσσα διδασκαλίας:

Ελληνικά – Αγγλική ορολογία και βιβλιογραφία

Ώρες διδασκαλίας:

3 ώρες την εβδομάδα

ECTS:

7,5

Σελίδα μαθήματος

Σελίδα διδάσκοντα και Compus

 

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 

Γεωργίου Α., Κωνσταντάρας Ι. και Καπάρης Κ., Τεχνικές Προσομοίωσης στη Διοικητική Επιστήμη, Ελληνικά Ακαδημαϊκά Ηλεκτρονικά Συγγράμματα και Βοηθήματα, Αθήνα, 2015.  

Laguna M. and J. Marklund, Business Process Modeling, Simulation and Design, 2n ed 2013.

Albright S.C. and Winston W., Business Analytics: Data Analysis and Decision Making, Cengage Learning, 2013.

Extend Software, manual and reference.

 

Λογισμικό

 Excel, Extend, Simul8

 

Συνοπτική Περιγραφή και Μαθησιακοί Στόχοι

Tο μάθημα εστιάζει στην προσομοίωση ως μία από τις πιο δημοφιλείς τεχνικές της Επιχειρησιακής Έρευνας για τη λήψη αποφάσεων σε μη αναλυτικό περιβάλλον. Παρουσιάζονται καταρχάς οι βασικές θεωρητικές βάσεις της τεχνικής ενώ στη συνέχεια επιχειρείται εκβάθυνση στις εφαρμογές και στα προβλήματα που αντιμετωπίζονται με τη χρήση λογισμικού. Με την ολοκλήρωση του μαθήματος αναμένεται ότι οι φοιτητές και οι φοιτήτριες θα είναι σε θέση να αναπτύσσουν ένα στοιχειώδες μοντέλο προσομοίωσης 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 και να εφαρμόζουν μία συστηματική μεθοδολογία εντοπισμού και αξιολογησης εναλλακτικών λύσεων του προβλήματος.

 

Περιεχόμενο – Σχέδιο διαλέξεων 

  1. Stochastic systems and Queuing
  2. Introduction to Simulation Modeling.
  3. Random number generators and random variates.
  4. Probability Distributions and input data analysis
  5. Output Data Analysis
  6. Discrete event simulation basics.
  7. Simulation Techniques using Discrete event simulation environment 
  8. Applications of Discrete event simulation
  9. Simulation with built-in Excel tools
  10. Financial Models
  11. Process Models
  12. Marketing Models
  13. Final Exam.


Αξιολόγηση Επίδοσης

[1] Γραπτές Εξετάσεις 70%

[2] Ενεργός συμμετοχή 10%

[3] Ασκήσεις 30% (bonus 10%)

 

 

 

Wheelchair Blue
Accessibility Tools
Fonts PlusIncrease Text
Fonts MinusDecrease Text
ContrastHigh Contrast
GrayscaleGrayscale
Readable FontReadable Font