1. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να:

Ερμηνεύουν δεδομένα για την ενημέρωση επιχειρηματικών αποφάσεων

• Αναγνωρίζει τάσεις, ανιχνεύει ακραίες τιμές και συνοψίζει σύνολα δεδομένων
• Αναλύει τις σχέσεις μεταξύ των μεταβλητών
• Αναπτύσσει και δοκιμάζει υποθέσεις
• Δημιουργεί υγιείς ερωτήσεις έρευνας και εξάγει συμπεράσματα από δείγματα πληθυσμού
• Εφαρμόζει ανάλυση παλινδρόμηση και άλλες τεχνικές ανάλυσης στο Excel 

Γενικές Ικανότητες

Οι γενικές ικανότητες που θα πρέπει να έχει αποκτήσει ο φοιτητής/φοιτήτρια και στις οποίες αποσκοπεί το μάθημα είναι:

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών 
• Προσαρμογή σε νέες καταστάσεις 
• Μετατροπή της θεωρίας σε πράξη
• Λήψη αποφάσεων 
• Αυτόνομη εργασία 
• Ομαδική εργασία 
• Παραγωγή νέων ερευνητικών ιδεών
• Άσκηση κριτικής και αυτοκριτικής 
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

2. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

Σύντομη Περιγραφή Μαθήματος: Τα σύγχρονα διοικητικά στελέχη, στην προσπάθεια τους να αντλήσουν πληροφόρηση και να αναλύσουν τα δεδομένα, χρησιμοποιούν πληροφοριακά συστήματα. H σύγχρονη επιχείρηση έχει στη διάθεση της μια εξαιρετικά μεγάλη πληθώρα, αλλά και ποικιλία δεδομένων. Τα δεδομένα αυτά, με κατάλληλη επεξεργασία, μπορούν να αποτελέσουν μια πολύτιμη πηγή πληροφόρησης, αναγκαία για τη λήψη βελτιωμένων αποφάσεων. Η Επιχειρηματική Αναλυτική είναι η διαδικασία μετατροπής δεδομένων σε διορατικότητα για τη λήψη καλύτερων αποφάσεων. Οι τεχνολογίες εξατομίκευσης περιλαμβάνουν μοντελοποίηση χρηστών, περιεχόμενο, συνεργατικά, υβριδικά και βασισμένα στη γνώση συστήματα συστάσεων. Τα συστήματα συστάσεων είναι μια υποκατηγορία συστήματος φιλτραρίσματος πληροφοριών που επιδιώκει να προβλέψει τη «βαθμολόγηση» ή την «προτίμηση» που θα έδινε ένας χρήστης σε ένα στοιχείο.

Τίτλος ενότητας

Βιβλιογραφία

Σύνδεσμος παρουσίασης

1. Εισαγωγή στην Επιχειρηματική Αναλυτική και τις Τεχνολογίες Εξατομίκευσης

2. Περιγραφική στατιστική, οπτικοποίηση δεδομένων, πιθανότητες

3. Στατιστικό συμπέρασμα, γραμμική παλινδρόμηση

4. Προγνωστική εξόρυξη δεδομένων

5. Μοντέλα υπολογιστικών φύλλων

6. Προσομοίωση Monte Carlo

7. Συνεργατικό φιλτράρισμα με βάση τη γειτονιά

8. Συνεργατικό φιλτράρισμα βάσει μοντέλου

9. Συνεργατικό φιλτράρισμα βάσει περιεχομένου

10. Συνεργατικό φιλτράρισμα βάσει γνώσης

11. Συστήματα Προτάσεων Βασισμένα σε Σύνολο και Υβριδικά Συστήματα

12. Αξιολόγηση συστήματος συστάσεων

13. Μελέτη περίπτωσης

Τρόποι αξιολόγησης φοιτητή:

Πρόταση 1

Ομαδική εργασία και τελική εξέταση

Η αρίθμηση αναφέρεται στην αντίστοιχη εβδομάδα του μαθήματος.

3. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ.

Π.χ. Πρόσωπο με πρόσωπο

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ

Επικοινωνία με φοιτητές μέσω email, eclass, PC, Video Projector, Διαδραστικός Πίνακας, Ανάρτηση του εκπαιδευτικού υλικού και των διαλέξεων στην πλατφόρμα eclass

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ

Δραστηριότητα

Φόρτος Εργασίας Εξαμήνου

Διαλέξεις

39

Αυτοτελής Μελέτη

111

Σύνολο μαθήματος (25 ώρες φόρτου εργασίας ανά πιστωτική μονάδα)

150

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ 

Ομαδική Εργασία  30%

Εξετάσεις στο τέλος του εξαμήνου (Ερωτήσεις πολλαπλής επιλογής, Ερωτήσεις Σύντομης Απάντησης & Ανάπτυξης)  70%

4. ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

Γ. Σταλίδης, Δ. Καρδαράς, Διαχείριση Δεδομένων και Επιχειρηματική Ευφυία, [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στον Κάλλιπο: : http://hdl.handle.net/11419/1161

Κύρκος, Ε., (2015). Επιχειρηματική ευφυΐα και εξόρυξη δεδομένων. [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στο: http://hdl.handle.net/11419/1226 [Κωδικός στον Εύδοξο: 320088]

Γεωργιάδης, Χ. 2015. Εξατομίκευση και Συστήματα Συστάσεων. [Κεφάλαιο Συγγράμματος]. Στο Γεωργιάδης, Χ. 2015. Τεχνολογίες παγκόσμιου ιστού και ηλεκτρονικού εμπορίου. [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. κεφ 4. Διαθέσιμο στο: http://hdl.handle.net/11419/2292

James Evans, Business Analytics, 3rd Edition, 2019, Pearson

J.D. Camm, J.J. Cochran, M.J. Fry, J.W. Ohlmann, Business Analytics, 4th edition, 2020, Cengage Learning

P. Pavan Kumar, S. Vairachilai, S. Potluri, S.N. Mohanty, Recommender Systems, Algorithms and Applications, 2021

Charu C. Aggarwalm, Recommender Systems, The Textbook, 2021, Springer

S.N. Mohanty, Recommender System with Machine Learning and Artificial Intelligence, 2020

R. Sherman, Business Intelligence Guidebook: From Data Integration to Analytics, 2014, Morgan Kaufmann; 1st edition

J.M. Kolb, Business Intelligence in Plain Language: A practical guide to Data Mining and Business Analytics, 2013