Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας

Μόνιμο URI για αυτήν την κοινότηταhttps://pyxida.aueb.gr/handle/123456789/49

Το Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας ιδρύθηκε το 1999 στο πλαίσιο της πολιτικής του Οικονομικού Πανεπιστημίου να συνδέσει τη σύγχρονη διοικητική επιστήμη με τις νέες τεχνολογίες και τις οργανωσιακές σπουδές. Για το λόγο αυτό είναι μοναδικό στην ειδίκευσή του στην Ελλάδα Πανεπιστημιακό Τμήμα. Αποστολή του Τμήματος είναι η διδασκαλία και η έρευνα στους τομείς της διοικητικής επιστήμης που συνδέονται με την τεχνολογία και τις οργανωσιακές σπουδές καθώς και η αξιοποίηση των νέων τεχνολογιών, και ιδιαίτερα της πληροφορικής και των επικοινωνιών, στη χάραξη επιχειρηματικής στρατηγικής, στη λήψη αποφάσεων και στην αναδιοργάνωση των επιχειρηματικών δραστηριοτήτων.Οι σπουδές στο Τμήμα είναι τεχνοκρατικά και πολύ καλά οργανωμένες. Ακόμη, έχουν έντονη διεθνή διάσταση με έμφαση στην έρευνα και την ανάπτυξη νέας γνώσης. Το επιστημονικό προσωπικό του Τμήματος έχει έντονη παρουσία στον ακαδημαϊκό χώρο και υψηλή αναγνωρισιμότητα, Το υψηλό επίπεδο των σπουδών στο Τμήμα τεκμηριώνεται από την ευχέρεια με την οποία οι πτυχιούχοι του συνεχίζουν μεταπτυχιακές σπουδές σε Πανεπιστήμια πρώτης γραμμής του εξωτερικού και από το γεγονός ότι οι διδάκτορες του Τμήματος κάνουν δημοσιεύσεις σε σημαντικά διεθνή περιοδικά, ενώ έχουν ήδη αναλάβει θέσεις ΔΕΠ εντός και εκτός Ελλάδας. Οι πτυχιούχοι του Τμήματος είναι ανταγωνιστικοί ως στελέχη και ως σύμβουλοι σε όλες τις παραδοσιακές ειδικότητες της Διοίκησης Επιχειρήσεων, στο νέο περιβάλλον του Ηλεκτρονικού Επιχειρείν και της Κοινωνίας της Πληροφορίας όπως Διοίκηση Παραγωγής, Χρηματοοικονομικά, Διοίκηση Ανθρωπίνων Πόρων, κ. ά.URL: http://www.dmst.aueb.gr

Περιήγηση

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω

Τώρα δείχνει 1 - 7 από 7

Application of SARIMA and Prophet models in forecasting road traffic accidents in Greece
(31-1-2023) Παπαδήμας, Σταύρος; Papadimas, Stavros; Athens University of Economics and Business, Department of Management Science and Technology; Lekakos, Georgios; Mourtos, Yiannis; Korfiatis, Nikolaos
Σκοπός της παρούσας εργασίας είναι η ανάλυση των τροχαίων ατυχημάτων στην Ελλάδα και η ανάπτυξη κατάλληλων μοντέλων πρόβλεψης, ανάλογα με το είδος του ατυχήματος και τoν τύπο του οδοστρώματος.Για το σκοπό αυτό, ελήφθησαν στοιχεία που αφορούν τη χρονική περίοδο 2014 – 2021 από την Στατιστική Επετηρίδα της Ελληνικής Αστυνομίας και με τη βοήθεια της γλώσσας προγραμματισμού Python εξετάστηκε η καταλληλόλητα και εν συνεχεία η αποτελεσματικότητα δύο ιδιαίτερα γνωστών μοντέλων χρονοσειράς, SARIMA και Prophet. Ειδικότερα, μελετήθηκαν εννέα διαφορετικές χρονοσειρές δεδομένων και διαπιστώθηκε ότι, σε γενικότερες γραμμές το μοντέλο ανοιχτού κώδικα Prophet δύναται να προβλέψει με μικρότερο ποσοστό λάθους τις μελλοντικές τιμές των τροχαίων ατυχημάτων, καθώς προσαρμόστηκε καλύτερα στις απότομες μεταβολές που επήλθαν στον αριθμό των τροχαίων ατυχημάτων λόγω των μέτρων περιορισμού που θέσπισε η κυβέρνηση κατά την περίοδο της πανδημίας.Ένα από τα σημαντικότερα προβλήματα που καταγράφηκαν και επηρέασαν την εύρεση αλλά και την αποδοτικότητα των μοντέλων ήταν η απαγόρευση κυκλοφορίας στους δρόμους της Ελλάδας, κατά το Β ́, Δ ́ τρίμηνο του έτους 2020 και στις αρχές του έτους 2021. Ωστόσο, εκτιμάται ότι η χρήση μοντέλων χρονοσειράς μπορεί να είναι ιδιαίτερα ωφέλιμη στην πρόβλεψη των τροχαίων ατυχημάτων και μπορεί να βοηθήσει τις αρχές επιβολής του νόμου ή τις λοιπές αρμόδιες αρχές στη λήψη μέτρων για τη περαιτέρω μείωση των τραυματισμών (θανατηφόρων, σοβαρών, ελαφρών) στα τροχαία ατυχήματα.
Crypto price prediction using sentiment analysis of arbitrary Blockchain content
(31-01-2024) Κλειτσίκας, Χαράλαμπος; Kleitsikas, Charalampos; Athens University of Economics and Business, Department of Management Science and Technology; Lekakos, Georgios; Poulymenakou, Angeliki; Korfiatis, Nikolaos
Εκτός από την χρήση του ως ψηφιακό κατανεμημένο σύστημα πληρωμών, το blockchain του Bitcoin, έχει επίσης χρησιμοποιηθεί για την αποθήκευση αυθαίρετου περιεχομένου λόγω της αμετάβλητης φύσης του. Αυτό κυμαίνεται από δεδομένα κειμένου έως αρχεία όπως εικόνες, που συχνά περιέχουν συνδέσμους, αφιερώματα και παράνομο περιεχόμενο. Σε αντίθεση με την υπάρχουσα βιβλιογραφία που ταξινομεί αυτά τα δεδομένα είτε εποπτικά είτε με τη χρήση ευρετικών μεθόδων, η παρούσα εργασία προτείνει τη χρήση τεχνικών επεξεργασίας φυσικής γλώσσας για την ανάλυση του αυθαίρετου περιεχομένου, ανοίγοντας το δρόμο για αυτόματες καινοτόμες προσεγγίσεις στην ανάλυση και τον εντοπισμό του δημόσιου συναισθήματος που υπάρχει κωδικοποιημένο στο blockchain. Έμφαση δίνεται στην ανακάλυψη πιθανών συσχετίσεων μεταξύ μηνυμάτων με στόχο την αλλαγή της δυναμικής της χρηματοπιστωτικής αγοράς, ιδίως στην αγορά των κρυπτονομισμάτων. Χρησιμοποιώντας στατιστικούς ελέγχους και προσεγγίσεις Μηχανικής Μάθησης διαπιστώνουμε για πρώτη φορά, την ύπαρξη συσχετίσεων και την προβλεπτική ικανότητα του συναισθήματος των μηνυμάτων που ενσωματώνονται στα blockchains των δύο πιο δημοφιλών κρυπτονομισμάτων, του Bitcoin και του Ethereum, με τις διακυμάνσεις των τιμών τους. Μέσω αυτής της διερεύνησης, συμβάλλουμε στον τομέα του blockchain analytics, προτείνοντας την Επεξεργασία Φυσικής Γλώσσας ως ένα ισχυρό εργαλείο για την επεξεργασία δεδομένων του blockchain για την ανάλυση συναισθήματος και την θεματική ανάλυση
Explainable machine learning models for credit scoring
(07/14/2022) Georgiadis, Theofilos; Γεωργιάδης, Θεόφιλος; Athens University of Economics and Business, Department of Management Science and Technology; Lekakos, Georgios; Mourtos, Yiannis; Korfiatis, Nikolaos
In this thesis we will test many different machine learning models for credit scoring. Credit scoring is the technique used to predict the probability of default for a client that wants to take a loan and decide if he/she should be granted the loan or not. Firstly, we will test the performance of the different models compared to the traditional model used in credit scoring which is the logistic regression to see if we can achieve better performance using more advanced models. Then we will explain the predictions of the models to see how each feature contributed to the prediction, which is a very important aspect in this sector, which is highly regulated.
Granger causaliy: application on greek online pharmacy
(29-03-2024) Πασχαλίδου, Χαραλαμπία; Paschalidou, Charalampia; Athens University of Economics and Business, Department of Management Science and Technology; Fraidaki, Katerina; Androutsopoulos, Konstantinos; Korfiatis, Nikolaos
Ο σκοπός της διπλωματικής εργασίας ήταν η ανάλυση δεδομένων για την ανίχνευση, σχέσης αιτιότητας κατά Granger, μεταξύ των κορυφαίων σε πωλήσεις προϊοντικών κατηγοριών στον κλάδο του Ελληνικού Online Φαρμακείου. Η ανάλυση έγινε σε δεδομένα πωλήσεων επιχείρησης που δραστηριοποιείται στον κλάδο του online φαρμακείου (eshop) στην Ελλάδα, αποκλειστικά σε επίπεδο προϊοντικής κατηγορίας, και αφορά ολόκληρο το έτος 2022. Για την ανάλυση αυτή και για την εξαγωγή συμπερασμάτων, χρησιμοποιήθηκε η γλώσσα προγραμματισμού Pyhton. Οι κατηγορίες μελετήθηκαν κατά ζεύγη, και η ανάλυση κατέδειξε την ύπαρξη σχέσεων αιτιότητας κατά Granger μεταξύ ορισμένων ζευγών ενώ μεταξύ άλλων ζευγών, ουδεμία τέτοια σχέση εντοπίστηκε. Συγκεκριμένα, για το σκοπό της παρούσας διπλωματικής εργασίας, έγινε μια πρωταρχική ανάλυση δεδομένων, ακολούθησαν έλεγχοι υποθέσεων σχετικά με έννοιες όπως η σταθερότητα και η γραμμικότητα των δεδομένων, διεξάχθηκε ο κύριος έλεγχος-στόχος υπόθεσης ύπαρξης αιτιότητας κατά Granger, καθώς και μελετήθηκε η κατεύθυνση των σχέσεων αιτιότητας (μονόδρομη ή αμφίδρομη), στις προϊοντικές κατηγορίες όπου βρέθηκε να υπάρχουν τέτοιες σχέσεις. Τέλος, τα ευρήματα μελετήθηκαν υπό το φάσμα της εφαρμογής σε επιχειρηματικό επίπεδο. Η ανάλυση που εκπονήθηκε, μπορεί να αποτελέσει το έναυσμα για περαιτέρω έρευνες στον κλάδο του Ελληνικού Online φαρμακείου, η φύση και ο ρόλος του οποίου άλλαξε δραστικά μετά την πανδημία του Covid19. Η γενικότητα της μεθοδολογίας έγκειται στο γεγονός ότι έχουν καταγραφεί όλα τα βήματα, από την αρχική ανάλυση των δεδομένων μέχρι και τον τελικό στατιστικό έλεγχο για την ύπαρξη σχέσεων αιτιότητας, τις παραμέτρους και τις λοιπές υποθέσεις που μελετήθηκαν για την εξαγωγή συμπερασμάτων, τους περιορισμούς στην εκπόνηση της ανάλυσης κ.ο.κ.
Impact of GDPR variables in churn modelling: an analysis of incomplete and missing data
(03-04-2024) Μπουρτζούλας, Μάριος; Athens University of Economics and Business, Department of Management Science and Technology; Lekakos, Georgios; Manolopoulos, Dimitrios; Korfiatis, Nikolaos
Η παρούσα διατριβή προσφέρει μια λεπτομερή εξέταση της επιρροής των μεταβλητών GDPR στη μοντελοποίηση της αποχώρησης πελατών στον τραπεζικό τομέα, με έμφαση στις προκλήσεις που παρουσιάζουν τα ατελή και ελλιπή δεδομένα, και την αναζήτηση ισορροπίας μεταξύ της ιδιωτικότητας δεδομένων και της ακρίβειας του μοντέλου. Μέσα από μια ερευνητική ανάλυση και προετοιμασία δεδομένων, η μελέτη αυτή στοχεύει να διαφωτίσει την προβλεπτική δύναμη των δημογραφικών μεταβλητών που σχετίζονται με προσωπικά δεδομένα, ειδικά σε σχέση με την τάση για αποχώρηση πελατών. Αντιμετωπίζει την δυαδική κατηγοριοποίηση των πελατών σύμφωνα με την πιθανότητα αποχώρησής τους, χρησιμοποιώντας αλγόριθμους μηχανικής μάθησης όπως Random Forest, XGBoost, Λογιστική Παλινδρόμηση, Δέντρο Αποφάσεων και K-NN σε ένα σύνολο δεδομένων πλούσιο σε δημογραφικές και εισοδηματικές πληροφορίες. Η έρευνα πλοηγείται μέσα από διάφορα σενάρια, περιλαμβάνοντας την ιδιωτικότητα δεδομένων και σενάρια ατελών δεδομένων, όπως περικοπή δεδομένων και ελλείποντα στοιχεία. Χρησιμοποιεί τεχνικές Διαφορικής Ιδιωτικότητας για να εισάγει θόρυβο στα δεδομένα ευαίσθητα στο GDPR, αξιολογώντας την επίδραση αυτών των προσαρμογών στις προβλεπτικές ικανότητες των μοντέλων. Ειδική έμφαση δίνεται στις μεταβλητές GDPR (ηλικία, χώρα, φύλο), εξερευνώντας τις επιδράσεις τους στην απόδοση του μοντέλου και τις αυτόνομες προβλεπτικές τους ικανότητες. Αυτή η εργασία συνεισφέρει σημαντικά στην προβλεπτική ανάλυση διαμορφώνοντας μια μεθοδολογία που ισορροπεί την ατομική ιδιωτικότητα με την αξιολόγηση των μεταβλητών συμμορφωμένων με το GDPR σε πιστωτικά μοντέλα, υπογραμμίζοντας την σημαντική προβλεπτική αξία των δημογραφικών δεδομένων που προσδιορίζονται ως μεταβλητές GDPR. Υποστηρίζει πρακτικές μοντελοποίησης προσανατολισμένες στην ιδιωτικότητα που διατηρούν την ποιότητα των δεδομένων και συμμορφώνονται με τα ρυθμιστικά πρότυπα, προωθώντας μια προσέγγιση επικεντρωμένη στην ιδιωτικότητα για την προβλεπτική μοντελοποίηση. Η έρευνα υπογραμμίζει τον διασταυρούμενο χώρο της ιδιωτικότητας δεδομένων και της καινοτομίας στη μηχανική μάθηση, αντιμετωπίζοντας τόσο τις τεχνικές όσο και τις ηθικές προκλήσεις της χρήσης δεδομένων
Optimizing payment arrangements: a credit scoring model
(31-03-2023) Χούμπτσεβα, Χριστίνα; Houbtcheva, Hristina; Athens University of Economics and Business, Department of Management Science and Technology; Lekakos, Georgios; Mourtos, Yiannis; Korfiatis, Nikolaos
Το 57% των ευρωπαϊκών επιχειρήσεων ισχυρίζεται ότι αντιμετωπίζει προβλήματα ρευστότητας λόγω καθυστερήσεων πληρωμών, με την Ελλάδα να βρίσκεται στην κορυφή της λίστας (96%). Πράγματι, το να πείσθούν οι πελάτες να αποπληρώσουν τους λογαριασμούς τους είναι μια σημαντική πρόκληση. Τα τελευταία χρόνια, η Τεχνητή Νοημοσύνη (AI) έχει μεταμορφώσει την είσπραξη χρεών δίνοντας τη δυνατότητα στις εταιρείες να χρησιμοποιούν εξελιγμένες τεχνικές ανάλυσης, συμπεριφορικής επιστήμης και Μηχανικής Μάθησης (ML) για να αυτοματοποιήσουν τις διαδικασίες είσπραξης οφειλών τους και να μειώσουν όχι μόνο τις εκκρεμείς οφειλές των πελατών τους τους αλλά και να προβλέψουν ποιοι πελάτες μπορεί να φέρουν μελλοντικό πιστωτικό κίνδυνο. Η πιθανότητα οικονομικής ζημίας που προκύπτει από την αδυναμία ή την απροθυμία του δανειολήπτη να εκπληρώσει τις οικονομικές του δεσμεύσεις είναι γνωστή ως πιστωτικός κίνδυνος. Οι δανειστές χρησιμοποιούν την πιστοληπτική αξιολόγηση, η οποία περιλαμβάνει στατιστικές μεθόδους, για να αξιολογήσουν την πιστοληπτική ικανότητα των υποψήφιων πελατών και να λάβουν εμπεριστατωμένες αποφάσεις σχετικά με την επέκταση της πίστωσης.Η παρούσα διπλωματική εργασία στοχεύει να αντιμετωπίσει μια από τις μεγαλύτερες προκλήσεις που αντιμετωπίζουν οι εταιρείες κοινής ωφέλειας, που είναι τα αυξανόμενα χρέη των πελατών τους. Μέσα από τη χρήση ενός μεγάλου δείγματος δεδομένων βραχυπρόθεσμων πιστώσεων που παρέχονται από μια εταιρεία κοινής ωφέλειας, οι μεταβλητές πρόβλεψης εξετάζονται και επιλέγονται χρησιμοποιώντας τη μέθοδο προθεσμιακής επιλογής με βάση το Κριτήριο Πληροφοριών Akaike. Στη συνέχεια αναπτύχθηκε ένα μοντέλο μηχανικής μάθησης που μπορεί να αξιολογήσει τον κίνδυνο των πελατών χρησιμοποιώντας την μέθοδο Λογιστικής Παλινδρόμησης. Τα αποτελέσματα του μοντέλου παρουσιάζονται αναλυτικά, συμπεριλαμβανομένων των εκτιμημένων μεταβλητών, τα «καλάθια» (bins) κάθε μεταβλητής και την βαθμολογία τους. Το μοντέλο αξιολογείται με χρήση του ποσοστού «Περιοχής Κάτωθι της Καμπύλης» και του Συντελεστή Gini, μεταξύ άλλων. Όλα τα παραπάνω υποστηρίζονται με την αντίστοιχη βιβλιογραφική ανάλυση Συνολικά, η διατριβή παρέχει έναν περιεκτικό οδηγό για μια ολοκληρωμένη διαδικασία ανάπτυξης ενός μοντέλου αξιολόγησης πιστωτικού κινδύνου.
Topic modeling on AirBnB reviews during the pandemic
(2021) Georgiou, Spyridon; Γεωργίου, Σπυρίδων; Athens University of Economics and Business, Department of Management Science and Technology; Zachariadis, Emmanouil; Lekakos, Georgios; Korfiatis, Nikolaos
In the current dissertation, we are going to exploit LDA topic models to analyze AirBnB online comments and discover meaningful patterns. Topic modelling is a well-known and prevalent tool to extract concepts of small or large text corpora. These text collections often enclose hidden meta groups. Valuable information on online reviews is often ignored, therefore our study will concentrate on extracting important and profitable business insights. Moreover, this research project aims to provide a clear understanding of how COVID-19 pandemic has influenced the tourism industry and how AirBnB has dealt with this unique and unfamiliar phenomenon. To be more precise, this analysis consists of gathering data from Get the Data - Inside AirBnB. Adding data to the debate. We will handle data from spring of 2020, which was the initial period that CoVID-19 affected Greece. Before applying LDA algorithm, we are going to implement preprocessing techniques. Preprocessing is the process of bringing your text into a form that is predictable and analyzable for your task, fitting it to a certain schema. After that, we will implement and train our model so that we obtain the results that will be evaluated.

Περιήγηση

Πλοήγηση Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας ανά Επιβλέπων "Korfiatis, Nikolaos"