Ναι 

(Αγγλική γλώσσα - μετά από συνεννόηση με τον διδάσκοντα) 

Βασικός στόχος του μαθήματος είναι οι φοιτητές να εμβαθύνουν και να μαθαίνουν να:

• Αναπτύσσουν και εφαρμόζουν αναλυτικές και υπολογιστικές μεθόδους λήψης αποφάσεων                
  
   

• Αναλύουν και να σχεδιάζουν καινοτόμες πολιτικές ή/και επιχειρηματικά μοντέλα και να υλοποιούν στρατηγικές αλλαγές σε επιχειρήσεις και οργανισμούς στο πλαίσιο της διεθνοποιημένης λειτουργίας τους.      
  
   

• Αναπτύσσουν μεταγνωστική ικανότητα για την ομαλή προσαρμογή τους στην διαρκώς - τεχνολογικά - μεταβαλλόμενη παγκόσμια οικονομία.    
  
   

• Διερευνούν τις δυνατότητες καινοτομίας και στρατηγικής των οργανισμών ιδιωτικού και δημοσίου τομέα.
  
   

• Εφαρμόζουν μεθόδους διοίκησης εστιασμένες στη συλλογή και ανάλυση δεδομένων για την εφαρμογή τους σε παραγωγικές διαδικασίες, με έμφαση στη διοίκηση επιχειρήσεων και οργανισμών.
  
   

• Αναλύουν με τεχνοοικονομικούς όρους τη λειτουργία παραγωγικών μονάδων και φορέων του δημοσίου τομέα σε συνδυασμό με ποσοτικές μεθόδους και πληροφοριακά συστήματα διοίκησης, λήψης και υποστήριξης αποφάσεων.

• Ενισχύουν τον ανταγωνισμό στο σύγχρονο επιχειρηματικό περιβάλλον. Ανασχεδιάζουν τις διαδικασίες για τη βελτίωση αποτελεσματικότητας κι αποδοτικότητας διαδικασιών του δημοσίου και ιδιωτικού τομέα.

Σκοπός του μαθήματος είναι να παρουσιάσει στους φοιτητές τις μεθόδους και τις τεχνικές της σύγχρονης Επιχειρηματικής Ευφυίας, την Αναλυτική. Το μάθημα δεν εστιάζει μόνο στα κλασσικά Συστήματα Υποστήριξης Αποφάσεων, τις Αποθήκες Δεδομένων και την Εξόρυξη Γνώσης αλλά και τη χρήση τεχνικών Μηχανικής Μάθησης και την Επιστήμη Δεδομένων με σκοπό τη δόμηση προγνωστικών μοντέλων. Στόχος είναι η μετατροπή των δεδομένων σε γνώση με επιδίωξη τη λήψη αποτελεσματικότερων αποφάσεων από τις επιχειρήσεις. Δίνεται έμφαση στις μοντέρνες τεχνικές ανάλυσης δεδομένων, ανεξαρτήτως όγκου και μορφής, με σκοπό την καλύτερη υποστήριξη και λήψη αποφάσεων. Στο πλαίσιο αυτό οι φοιτητές εισάγονται στη γλώσσα R, σε πακέτο λογισμικού μηχανικής μάθησης αλλά και σε μοντέλα σχεδίασης βάσεων δεδομένων με προεξέχον το σχεσιακό.

Με την ολοκλήρωση του μαθήματος οι φοιτητές θα διαθέτουν:

1. Αντίληψη των μεθόδων βελτιστοποίησης της επιχειρηματικής απόδοσης με χρήση συστημάτων Επιχειρηματικής Ευφυΐας

2. Επαρκή γνώση αλγόριθμων και σύγχρονων τεχνικών αναλυτικής και μηχανικής μάθησης δεδομένων μικρού και μεγάλου όγκου ανεξαρτήτου μορφής

3. Ικανότητα ανάλυσης προβλημάτων και εφαρμογών που απαιτούν την χρήση μεθόδων Επιχειρηματικής Ευφυίας με προβλεπτικά μοντέλα που στηρίζονται στις Ποσοτικές Μεθόδους και τη Μηχανική Μάθηση

4. Δεξιότητες ανάπτυξης εφαρμογών μηχανικής μάθησης για την επίλυση προβλημάτων και τη δημιουργία προγνωστικών μοντέλων

    

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

• Λήψη αποφάσεων 

• Αυτόνομη εργασία 

• Ομαδική εργασία

• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης 

Το μάθημα αναπτύσσεται σε 13 ενότητες, σε αντίστοιχες διαλέξεις:

ΙΣΤΟΡΙΚΗ ΑΝΑΔΡΟΜΗ ΚΑΙ ΠΕΡΙΕΧΟΜΕΝΟ ΟΙΚ. ΚΑΤ.

ΣΥΓΧΡΟΝΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΛΟΓΙΣΤΙΚΗ

ΛΟΓΙΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ ΚΑΙ ΣΥΝΔΕΣΗ ΟΜΑΔΩΝ Ε.Λ.Π ΜΕ ΤΙΣ ΟΙΚ. ΚΑΤ.

ΚΑΤΗΓΟΡΙΕΣ ΕΤΑΙΡΙΩΝ ΚΑΙ ΕΝΟΠΟΙΗΜΕΝΕΣ ΟΙΚΟΝΟΜΙΚΕΣ ΚΑΤΑΣΤΑΣΕΙΣ

ΑΝΑΛΥΣΗ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ – Εισαγωγή στους αριθμοδείκτες

Αριθμοδείκτες αποδοτικότητας

Αριθμοδείκτες ρευστότητας

Αριθμοδείκτες χρέους και διάρθρωσης κεφαλαίων

Αριθμοδείκτες δραστηριότητας

Αριθμοδείκτες επενδύσεων

Εργαλεία χρηματοοικονομικής ανάλυσης

Κόστος κεφαλαίου

Διόρθωση / προσαρμογή οικονομικών δεδομένων

• Διαλέξεις πρόσωπο με πρόσωπο

• Πρόσωπο με πρόσωπο - Επίλυση φροντιστηριακών ασκήσεων

• Ανάρτηση υλικού για περαιτέρω μελέτη και επίλυση ασκήσεων στην πλατφόρμα e-class

Η αξιολόγηση θα διενεργείται στην ελληνική γλώσσα με τρεις διακριτούς τρόπους:

1. Γραπτή τελική εξέταση που περιλαμβάνει:

• Συγκριτική αξιολόγηση στοιχείων θεωρίας 

• Επίλυση προβλημάτων

1. Κύρκος, Ε.. Επιχειρηματική Ευφυΐα & Εξόρυξη Δεδομένων, Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. 2015

2. Dean J., Big Data, Data Mining, and Machine Learning, Wiley, 2014

3. Ramesh, S & Dursun, D., Turban, E.. Business Intelligence, Analytics and Data Science A Managerial Perspective, 4rd edition, Pearson. 2018

4. C.M.Bishop Pattern Recognition and Machine Learning,Springer,2011

5. S Theodoridis and K Koutroumbas, PatternRecognition, Academic Press 4thedition, 2008

6. Σταλίδης, Γ. και Καρδαράς, Δ.. Διαχείριση Δεδομένων και Επιχειρηματική Ευφυΐα,

7. Θεωρία και εφαρμογές για Στελέχη επιχειρήσεων, Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. 2015

8. Galit Shmueli, Nitin R. Patel, and Peter C. Bruce,. Data Mining for Business Analytics: Concepts, Techniques and Applications in Python,Willey. 2019