Please ensure Javascript is enabled for purposes of website accessibility

Παρουσίαση/Προβολή

Εικόνα επιλογής

ΠΜΣ 231 - Επιχειρησιακή Ευφυία - Business Intelligence

(MSC-IISC-231) -  Γιάννης Τζήμας (Giannis Tzimas), Παναγιώτης Αλεφραγκής (Panayiotis Alefragis), Ιωάννης Κούγιας (Ioannis Kougias)

Περιγραφή Μαθήματος

Βασικός στόχος του μαθήματος είναι να προσφέρει στους φοιτητές τις γνώσεις και τις δεξιότητες προκειμένου να γίνουν ικανοί να χρησιμοποιούν τα αποθετήρια δεδομένων (data warehouses) για την άντληση επιχειρησιακής ευφυΐας και κατά συνέπεια να εργαστούν ως δημιουργοί επιχειρησιακής ευφυΐας. Οι φοιτητές θα διδαχθούν τις τεχνολογίες επιχειρησιακής ευφυΐας και τη δυνατότητά τους στην υποστήριξη αποφάσεων εντός της επιχείρησης. Στην ύλη του μαθήματος μεταξύ των άλλων περιλαμβάνεται η διδασκαλία:

  • Των συστημάτων υποστήριξης αποφάσεων και την εφαρμογή τους στα επιχειρησιακά δεδομένα (π.χ. decision making process, common strategies and approaches, Decision Support Systems (DSS) – components – classification, εvolution and applications)
  • Των συστημάτων επιχειρησιακής ευφυΐας (πλατφόρμες) και της σχέσης τους με τα συστήματα υποστήριξης αποφάσεων (π.χ. BI architecture and components, BI platforms , business reports – components and structure, OLAP and OLTP and their applications)
  • Της οπτικοποίησης (visualization) των δεδομένων και του σχεδιασμού της οπτικοποίησης (π.χ. data visualization and different types of data, basic and composite charts, characteristics and the types of dashboards, dashboard design).
  • Της έννοιας της Διοίκησης Επιχειρησιακής Απόδοσης (Business Performance Management) και της σχέσης της με την επιχειρησιακή ευφυΐα (π.χ. BPM cycle, Performance Measurement System and key performance indicators, balanced scorecards, visual and business analytics (BA) in BI).
  • Της Συνεργατική Λήψης Αποφάσεων, τη Διαχείριση της Συλλογικής Γνώσης και την Παροχή Συστάσεων και της σχέσης τους με την επιχειρησιακή ευφυΐα (π.χ Collaboration Support Technologies, Communities of Practice, knowledge management, ontologies, argumentation mining, recommender systems and collaborative filtering)

Λέξεις Κλειδιά: Συστήματα Υποστήριξης Αποφάσεων (DSS), Επιχειρησιακή Ευφυΐα (BI), Data Warehousing, Ανάλυση Δεδομένων, Ανάπτυξη Στρατηγικής, OLAP (Online Analytical Processing), OLTP (Online Transaction Processing), Οπτικοποίηση Δεδομένων, Σχεδίαση Dashboards, Business Performance Management (BPM), Βασικοί Δείκτες Απόδοσης (KPIs), Συνεργατική Λήψη Αποφάσεων, Διαχείριση Γνώσης, Συστήματα Συστάσεων Επιχειρησιακή Ανάλυση Δεδομένων, Επιχειρησιακή Στρατηγική.

Description in English

The main objective of the course is to provide students with the knowledge and skills needed to become capable of using data warehouses to extract business intelligence and, consequently, to work as business intelligence developers. Students will be taught business intelligence technologies and their potential in supporting decision-making within organizations. The course syllabus includes, among others, the teaching of:

  • Decision Support Systems (DSS) and their application to business data (e.g., decision-making processes, common strategies and approaches, DSS components, classification, evolution, and applications).
  • Business Intelligence systems (platforms) and their relationship with decision support systems (e.g., BI architecture and components, BI platforms, business reports—components and structure, OLAP and OLTP and their applications).
  • Data visualization and visualization design (e.g., data visualization and different types of data, basic and composite charts, characteristics and types of dashboards, dashboard design).
    Business Performance Management (BPM) and its relationship with business intelligence (e.g., BPM cycle, performance measurement systems and key performance indicators, balanced scorecards, visual and business analytics in BI).
  • Collaborative decision-making, knowledge management, and recommendation provision, and their relationship with business intelligence (e.g., collaboration support technologies, communities of practice, knowledge management, ontologies, argumentation mining, recommender systems, and collaborative filtering).

Keywords: Decision Support Systems (DSS), Business Intelligence (BI), Data Warehousing, Data Analysis, Strategy Development, OLAP (Online Analytical Processing), OLTP (Online Transaction Processing), Data Visualization, Dashboard Design, Business Performance Management (BPM), Key Performance Indicators (KPIs), Collaborative Decision-Making, Knowledge Management, Recommender Systems, Business Data Analytics, Business Strategy.

Ημερομηνία δημιουργίας

Παρασκευή 12 Νοεμβρίου 2021

Σελίδα μαθήματος
  • Περίγραμμα

    Περιεχόμενο μαθήματος

    Το μάθημα έχει σχεδιαστεί για να παρέχει στους φοιτητές μια ολοκληρωμένη κατανόηση του πώς να αναλύουν, ερμηνεύουν και αξιοποιούν τα επιχειρησιακά δεδομένα για στρατηγική λήψη αποφάσεων. Στόχος του μαθήματος είναι η ανάπτυξη δεξιοτήτων σε διάφορα εργαλεία επιχειρησιακής ευφυΐας, τεχνικές ανάλυσης δεδομένων και συστήματα υποστήριξης αποφάσεων. Μέσα από μια σειρά μαθημάτων, οι φοιτητές θα εξερευνήσουν τις θεωρητικές βάσεις και τις πρακτικές εφαρμογές της επιχειρησιακής ευφυΐας, προετοιμάζοντάς τους για ενασχόληση σε αυτόν τον δυναμικό τομέα.
    Η διδασκαλία του μαθήματος περιλαμβάνει τα παρακάτω αντικείμενα:
    • Εισαγωγή στην Επιχειρησιακή Ευφυΐα και στη Στατιστική: Επισκόπηση του BI, της σημασίας της και του ρόλου του στη σύγχρονη επιχείρηση και στη στατιστικής και την εφαρμογής της στην ποσοτική ανάλυση για την επιχειρησιακή ευφυΐα.
    • Συστήματα Υποστήριξης Αποφάσεων: Κατανόηση των αρχών και των εφαρμογών των Συστημάτων Υποστήριξης Αποφάσεων στην επιχείρηση.
    • Έννοιες Data Warehousing: Εξερεύνηση του data warehousing, της αρχιτεκτονικής του και της σημασίας του στο BI.
    • Ανάλυση και Εξόρυξη Δεδομένων: Τεχνικές και εργαλεία για την εξόρυξη και ανάλυση μεγάλων συνόλων δεδομένων.
    • Ανάλυση Δεδομένων για Επιχειρήσεις και Επιστήμη Δεδομένων: Υιοθέτηση της ανάλυσης δεδομένων και της επιστήμης δεδομένων για την εξόρυξη γνώσεων για την επιχείρηση.
    • Συστήματα OLAP και OLTP: Μάθηση των βασικών εννοιών και πρακτικές γνώσεις για το Online Analytical Processing και το Online Transaction Processing.
    • Τεχνικές Οπτικοποίησης Δεδομένων: Αρχές της οπτικοποίησης δεδομένων και του σχεδιασμού dashboards.
    • Διαχείριση Επιδόσεων Επιχείρησης: Εξερεύνηση των μεθοδολογιών και εργαλείων για το BPM.
    • Βασικοί Δείκτες Απόδοσης και Μετρήσεις: Ανάπτυξη και υλοποίηση αποτελεσματικών KPIs και μετρήσεων.
    • Προηγμένα Θέματα στην Αρχιτεκτονική και τα Συστήματα BI: Εξερεύνηση σε βάθος των προηγμένων αρχιτεκτονικών και συστημάτων BI.
    • Συνεργατική Λήψη Αποφάσεων και Διαχείριση Γνώσης: Τεχνικές για τη βελτίωση της λήψης αποφάσεων και της διαμοίρασης γνώσης εντός οργανισμών.
    • Επιχειρησιακή Ευφυΐα στην Πράξη: Μελέτες περιπτώσεων και πρακτικές εφαρμογές του BI σε διάφορους κλάδους.
    • Μελλοντικές Τάσεις στην Επιχειρησιακή Ευφυΐα: Εξερεύνηση επερχόμενων τάσεων, προκλήσεων και μελλοντικών ευκαιριών στο BI.
    Το θεωρητικό σκέλος του μαθήματος συνοδεύεται από εργαστηριακές ασκήσεις που αφορούν στην Επιχειρησιακή Ευφυΐα.

    Μαθησιακοί στόχοι

    Οι φοιτητές αναπτύσσουν δεξιότητες ανάλυσης και ερμηνείας περίπλοκων επιχειρησιακών δεδομένων χρησιμοποιώντας προηγμένα συστήματα υποστήριξης αποφάσεων και επιχειρησιακής ευφυΐας. Αποκτούν επάρκεια στην εφαρμογή OLAP και OLTP για στρατηγική λήψη αποφάσεων και αξιολόγηση επιχειρησιακής απόδοσης. Το μάθημα βελτιώνει τις δεξιότητές τους στην οπτικοποίηση δεδομένων και σχεδίαση dashboards. Επίσης, μαθαίνουν να υλοποιούν βασικούς δείκτες απόδοσης και balanced scorecards στη Διοίκηση Επιχειρησιακής Απόδοσης. Επιπλέον, το μάθημα αναπτύσσει εξειδίκευση στη συνεργατική λήψη αποφάσεων και διαχείριση γνώσης, εξοπλίζοντάς τους με δεξιότητες για τη χρήση συστημάτων συστάσεων και άλλων συνεργατικών εργαλείων σε επιχειρησιακό πλαίσιο. Αυτές οι ικανότητες προετοιμάζουν τους αποφοίτους να πλοηγηθούν αποτελεσματικά στο δυναμικό και βασισμένο σε δεδομένα τοπίο της σύγχρονης επιχειρησιακής διαδικασίας.
    Με την επιτυχημένη ολοκλήρωση του μαθήματος οι φοιτητές θα μπορούν να:
    Σε επίπεδο Γνώσεων: 
    • Κατανόηση των Συστημάτων Υποστήριξης Αποφάσεων (DSS): Γνώση για το πώς αυτά τα συστήματα βοηθούν στις διαδικασίες λήψης αποφάσεων στον επιχειρησιακό τομέα.
    • Συστήματα Επιχειρησιακής Ευφυΐας (BI): Βαθιά κατανόηση των πλατφορμών, αρχιτεκτονικών και δομοστοιχείων του BI.
    • Τεχνικές Ανάλυσης Δεδομένων: Δεξιότητες στην ανάλυση επιχειρησιακών δεδομένων για υποστήριξη στρατηγικών αποφάσεων.
    • Γνώση Data Warehousing: Κατανόηση των εννοιών του data warehousing και του ρόλου τους στη συγκέντρωση διαφορετικών πηγών δεδομένων για επιχειρησιακή ευφυΐα.
    • Εφαρμογές OLAP και OLTP: Εκμάθηση των εφαρμογών του Online Analytical Processing και του Online Transaction Processing σε επιχειρησιακά πλαίσια.
    • Δεξιότητες Οπτικοποίησης Δεδομένων: Ικανότητα δημιουργίας και ερμηνείας οπτικών αναπαραστάσεων δεδομένων, περιλαμβάνοντας διάφορους τύπους διαγραμμάτων και dashboards.
    • Διαχείριση Επιδόσεων Επιχειρήσεων (BPM): Γνώση των κύκλων BPM, των συστημάτων μέτρησης επιδόσεων και των βασικών δεικτών απόδοσης (KPIs).
    • Συνεργατική Λήψη Αποφάσεων: Δεξιότητες στη χρήση συνεργατικών εργαλείων και μεθοδολογιών για τη λήψη αποφάσεων σε επιχειρησιακά περιβάλλοντα.
    • Τεχνικές Διαχείρισης Γνώσης: Κατανόηση του πώς γίνεται η διαχείριση, αποθήκευση και διαμοίραση γνώσης εντός εν΄ςο οργανισμού.
    • Χρήση Συστημάτων Συστάσεων: Ανάπτυξη και εφαρμογή συστημάτων συστάσεων στην επιχειρησιακή ανάλυση δεδομένων.
    Σε επίπεδο Δεξιοτήτων:
    • Δεξιότητες Αναλυτικής Σκέψης: Ενισχυμένη ικανότητα ανάλυσης και ερμηνείας πολύπλοκων επιχειρησιακών δεδομένων για στρατηγική λήψη αποφάσεων.
    • Τεχνική Επάρκεια σε Εργαλεία BI: Δεξιότητες στη χρήση πλατφορμών και εργαλείων επιχειρησιακής ευφυΐας για ανάλυση δεδομένων και αναφορές.
    • Τεχνικές Data Warehousing: Ικανότητα υλοποίησης και διαχείρισης λύσεων data warehousing για αποτελεσματική συγκέντρωση και ανάκτηση δεδομένων.
    • Οπτικοποίηση Δεδομένων και Σχεδίαση Dashboards: Επάρκεια στη δημιουργία αλληλεπιδραστικών οπτικοποιήσεων δεδομένων και dashboards.
    • Δεξιότητες Στρατηγικού Πλάνου: Ικανότητα ενσωμάτωσης των συστάσεων που προκύπτουν από συστήματα  επιχειρησιακής ευφυΐας στον στρατηγικό προγραμματισμό και διαχείριση επιδόσεων.
    • Χρήση OLAP και OLTP: Δεξιότητες στην εφαρμογή του Online Analytical Processing και του Online Transaction Processing σε επιχειρησιακά σενάρια.
    • Εμπειρία στη Μέτρηση Επιδόσεων: Επάρκεια στην ανάπτυξη και χρήση βασικών δεικτών απόδοσης και balanced scorecards.
    • Δεξιότητες Συνεργασίας και Ομαδικής Εργασίας: Ενισχυμένες δεξιότητες συνεργατικής λήψης αποφάσεων και ομαδικής εργασίας στο πλαίσιο επιχειρησιακής ευφυΐας.
    • Δεξιότητες Διαχείρισης Γνώσης: Ικανότητα αποτελεσματικής διαχείρισης και χρήσης της οργανωσιακής γνώσης για σκοπούς επιχειρησιακής ευφυΐας.
    • Δεξιότητες Επίλυσης Προβλημάτων: Βελτιωμένη ικανότητα επίλυσης πολύπλοκων επιχειρησιακών προβλημάτων μέσω προσεγγίσεων βασισμένων στα δεδομένα και τεχνικές BI.
    Σε επίπεδο Ικανοτήτων:
    • Υποστήριξη Αποφάσεων: Ικανότητα αξιοποίησης των συστημάτων υποστήριξης αποφάσεων για αποτελεσματική επιχειρησιακή λήψη αποφάσεων.
    • Επιχειρησιακή Ευφυΐα: Ικανότητα στην κατανόηση και εφαρμογή διάφορων πτυχών της επιχειρησιακής ευφυΐας σε εταιρικό περιβάλλον.
    • Ανάλυση και Ερμηνεία Δεδομένων: Επάρκεια στην ανάλυση και ερμηνεία πολύπλοκων συνόλων δεδομένων για την ανάκτηση ευρημάτων που θα υποστηρίξουν τη λήψη αποφάσεων.
    • Data Warehousing: Δεξιότητες στη διαχείριση συστημάτων data warehousing, εξασφαλίζοντας αποδοτική αποθήκευση, ανάκτηση και επεξεργασία δεδομένων.
    • Προηγμένες Τεχνικές Οπτικοποίησης: Ικανότητα στη δημιουργία προηγμένων οπτικοποιήσεων δεδομένων για τη σαφή και αποτελεσματική επικοινωνία ευρημάτων που θα υποστηρίξουν τη λήψη αποφάσεων.
    • Στρατηγικός Επιχειρησιακός Προγραμματισμός: Ικανότητα ενσωμάτωσης ευρημάτων ανάλυσης δεδομένων στον στρατηγικό επιχειρησιακό προγραμματισμό και διαχείριση επιδόσεων.
    • Επιχειρησιακή Ανάλυσης: Ικανότητα στη χρήση συστημάτων OLAP και OLTP για επιχειρησιακή ανάλυση και αναφορές.
    • Δυνατότητες Διαχείρισης Επιδόσεων: Εμπειρία στην ανάπτυξη και χρήση εργαλείων μέτρησης επιδόσεων, όπως τα KPIs και balanced scorecards.
    • Συνεργατική Επίλυση Προβλημάτων: Ικανότητα στη συνεργατική επίλυση προβλημάτων και λήψη αποφάσεων, που είναι βασική για έργα επιχειρησιακής ευφυΐας.
    • Διαχείριση και Αξιοποίηση Γνώσης: Ικανότητα διαχείρισης και αξιοποίησης της οργανωσιακής γνώσης στις διαδικασίες λήψης αποφάσεων και σε εφαρμογές επιχειρησιακής ευφυΐας.

    Μέθοδοι αξιολόγησης

    • Εκπόνηση ατομικής εργασίας σχετικής με την Επιχειρησιακή Ευφυΐα με τη χρήση λογισμικού ανοιχτού κώδικα, εργαζόμενοι με ένα σύνολο δεδομένων που παρέχεται από τους εκπαιδευτές (αντιστοιχεί στο 70% του τελικού βαθμού).
    • Δημόσια παρουσίαση του εργασίας, περιλαμβάνοντας λεπτομερή περιγραφή της υλοποίησης και συνεδρία ερωτήσεων και απαντήσεων για να επιδείξουν οι φοιτητές την κατανόηση και να επιχειρηματολογήσουν σε σχέση με τις μεθοδολογίες που ακολούθησαν (αντιστοιχεί στο 30% του τελικού βαθμού).
    Παρατηρήσεις:
    • Ο τελικός βαθμός προκύπτει από την στάθμιση των παραπάνω με συντελεστές βαρύτητας 70% και 30%, αντίστοιχα.
    • Η αξιολόγηση γίνεται στην ελληνική γλώσσα.
    • Η διαδικασία αξιολόγησης και τα κριτήρια αξιολόγησης είναι δημοσιευμένα στην ιστοσελίδα του μαθήματος στο e-Class.

    Βιβλιογραφία

    • Dykes, B. (2020). Effective Data Storytelling: How to Drive Change with Data, Narrative, and Visuals. Wiley.
    • Han, J., Pei, J., & Kamber, M. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.
    • Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3rd ed.). Wiley.
    • Davenport, T. H., & Harris, J. (2007). Competing on Analytics: The New Science of Winning. Harvard Business Review Press.
    • Few, S. (2009). Now You See It: Simple Visualization Techniques for Quantitative Analysis. Analytics Press.
    • Berson, A., & Dubov, L. (2011). Mastering Data Warehouse Aggregates: Solutions for Star Schema Performance. Wiley.
    • Eckerson, W. W. (2010). Performance Dashboards: Measuring, Monitoring, and Managing Your Business (2nd ed.). Wiley.
    • Loshin, D. (2012). Business Intelligence: The Savvy Manager's Guide (2nd ed.). Morgan Kaufmann.
    • Marr, B. (2016). Data Strategy: How to Profit from a World of Big Data, Analytics and the Internet of Things. Kogan Page.
    • Chaudhuri, S., Dayal, U., & Narasayya, V. (2011). An Overview of Business Intelligence Technology. Communications of the ACM, 54(8), 88-98.
    • Zikopoulos, P., & Eaton, C. (2011). Understanding Big Data: Analytics for Enterprise Class Hadoop and Streaming Data. McGraw-Hill Osborne Media.
    • Berry, M. J. A., & Linoff, G. S. (2004). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management (2nd ed.). Wiley.
    • Nisbet, R., Elder, J., & Miner, G. (2009). Handbook of Statistical Analysis and Data Mining Applications. Academic Press.
    • Laursen, G. H. N., & Thorlund, J. (2010). Business Analytics for Managers: Taking Business Intelligence Beyond Reporting. Wiley.