ΑΝΑΛΥΤΙΚΗ ΜΕΓΑΛΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΠΡΟΒΛΕΨΕΙΣ ΣΤΗΝ ΕΦΟΔΙΑΣΤΙΚΗ & ΔΙΟΙΚΗΣΗ ΑΛΥΣΙΔΑΣ ΕΦΟΔΙΑΣΜΟΥ
| Τίτλος | ΑΝΑΛΥΤΙΚΗ ΜΕΓΑΛΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΠΡΟΒΛΕΨΕΙΣ ΣΤΗΝ ΕΦΟΔΙΑΣΤΙΚΗ & ΔΙΟΙΚΗΣΗ ΑΛΥΣΙΔΑΣ ΕΦΟΔΙΑΣΜΟΥ / BIG DATA ANALYTICS AND FORECASTING IN LOGISTICS & SUPPLY CHAIN MANAGEMENT |
| Κωδικός | 10602-LSC-111 |
| Σχολή | Κοινωνικών και Οικονομικών Επιστημών |
| Τμήμα | Οικονομικών Επιστημών |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή |
| Υπεύθυνος/η | Χρήστος Ζηκόπουλος |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600020688 |
Πρόγραμμα Σπουδών: ΜΕΤΑΠΤΥΧΙΑΚΟ ΣΤΗΝ ΕΦΟΔΙΑΣΤΙΚΗ ΚΑΙ ΔΙΟΙΚΗΣΗ ΑΛΥΣΙΔΑΣ ΕΦΟΔΙΑΣΜΟΥ (2018-σήμερα)
Εγγεγραμμένοι φοιτητές: 24
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΚΟΡΜΟΣ | Υποχρεωτικό | 1 | 1 | 6 |
| Τίτλος | ΑΝΑΛΥΤΙΚΗ ΜΕΓΑΛΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΠΡΟΒΛΕΨΕΙΣ ΣΤΗΝ ΕΦΟΔΙΑΣΤΙΚΗ & ΔΙΟΙΚΗΣΗ ΑΛΥΣΙΔΑΣ ΕΦΟΔΙΑΣΜΟΥ |
| Ακαδημαϊκό Έτος | 2023 – 2024 |
| Περίοδος Τάξης | Χειμερινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Class ID | 600243306
|
Τύπος Μαθήματος
Eιδίκευσης / Kατεύθυνσης
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
- Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600243306
- eLearning: https://elearning.auth.gr/course/view.php?id=15807
Μαθησιακά Αποτελέσματα
Ο σκοπός του μαθήματος είναι διττός. Ο πρώτος είναι να παρουσιάσει στους φοιτητές το τι είναι τα Μεγάλα Δεδομένα και πώς μπορούν να βοηθήσουν στην καλύτερη λήψη αποφάσεων L&SCM. Ο δεύτερος είναι να εξοικειωθούν οι μαθητές με τις βασικές μεθόδους ανάλυσης χρονοσειρών που είναι χρήσιμες για την πρόβλεψη της ζήτησης των πελατών, ένα από τα πιο σημαντικά αρχικά στάδια σε σχεδόν οποιαδήποτε διαδικασία λήψης αποφάσεων L & SMC, σε στρατηγικό, τακτικό ή επιχειρησιακό επίπεδο.
Με την ολοκλήρωση του μαθήματος, οι μαθητές θα έχουν επίσης γνώση του πώς μπορούν να κάνουν πρακτική χρήση των δυνατοτήτων των σύγχρονων εργαλείων Αναλυτικής Μεγάλων Δεδομένων L & SCM και να χρησιμοποιήσουν τα μοντέλα που είναι κατάλληλα για την πρόβλεψη χρονοσειρών με διαφορετικά χαρακτηριστικά.
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Το μάθημα παρουσιάζει το τι είναι τα Μεγάλα Δεδομένα L & SCM, και επισημαίνει τις Εφαρμογές Αναλυτικής Μεγάλων Δεδομένων σε τομείς L & SCM όπως ο σχεδιασμός του δικτύου της εφοδιαστικής αλυσίδας, η διαχείριση προμηθειών, η διαχείριση αποθεμάτων κ.α. Εξετάζονται οι λειτουργίες συλλογής και επεξεργασίας Μεγάλων Δεδομένων καθώς και η ανάλυσή τους μέσω εργαλείων στατιστικής και οπτικοποίησης. Επίσης, παρουσιάζονται και αναλύονται μαθηματικά πρότυπα για την ανάλυση χρονοσειρών που διαφοροποιούνται βάσει τις παρουσίας ή απουσίας τάσης και εποχικότητας αλλά και περιόδων με διακοπές στη ζήτηση. Η ανάλυση των χρονοσειρών πραγματοποιείται προκειμένου να προβλεφθεί η μελλοντική ζήτηση των πελατών. Κατά την διάρκεια του μαθήματος θα χρησιμοποιηθούν δημοφιλή εργαλεία Αναλυτικής Μεγάλων Δεδομένων όπως το Tableau και το Qlik Sense. Επίσης, οι μαθητές θα έχουν την ευκαιρία να εξοικειωθούν με την ανάλυση χρονοσειρών και τις προβλέψεις χρησιμοποιώντας υπολογιστικά φύλλα.
Λέξεις Κλειδιά
Μεγάλα Δεδομένα, Πρόβλεψη, Αναλυτική Δεδομένων
Τύποι Εκπαιδευτικού Υλικού
- Σημειώσεις
- Διαφάνειες
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
- Χρήση Τ.Π.Ε. στη Διδασκαλία
- Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση
- Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
- Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 39 | 1,3 | ✓ | ||
| Εργαστηριακή Άσκηση | 55 | 1,8 | ✓ | ✓ | |
| Μελέτη και ανάλυση βιβλίων και άρθρων | 50 | 1,7 | ✓ | ||
| Συγγραφή εργασίας / εργασιών | 33 | 1,1 | ✓ | ||
| Εξετάσεις | 3 | 0,1 | |||
| Σύνολο | 180 | 6 |
Αξιολόγηση Φοιτητών
Περιγραφή
Γραπτές εξετάσεις
Εξετάσεις στο εργαστήριο Πληροφορικής
Γραπτή εργασίες
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Συμπερασματική)
- Γραπτή Εργασία (Συμπερασματική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
Big Data Analytics in L&SCM
• Lecture notes.
• Peter W. Robertson, Supply Chain Analytics: Using Data to Optimise Supply Chain Processes, Routledge, 2020.
• Iman Rahimi et al. Big Data Analytics in Supply Chain Management: Theory and Applications, CRC Press 2020.
• Bernard Marr, Big Data in Practice: How 45 Successful Companies Used Big Data Analytics to Deliver Extraordinary Results, Wiley 2016.
• Glenn J. Myatt, Wayne P. Johnson, Making Sense of Data I: A Practical Guide to Exploratory Data Analysis and Data Mining 2nd Edition, Wiley 2014.
• James R. Evans, Business Analytics: Methods, Models, and Decisions, 3rd edition, Pearson, 2019.
• Alexander Loth, Visual Analytics with Tableau, Wiley 2019.
• Joshua N. Milligan, Learning Tableau 2020: Create effective data visualizations, build interactive visual analytics, and transform your organization, 4th Edition, Packt Publishing 2020.
• Pablo Labbe, et al. Hands-On Business Intelligence with Qlik Sense: Implement self-service data analytics with insights and guidance from Qlik Sense experts, Packt Publishing, 2019.
Forecasting in L&SCM:
• Lecture notes.
• Nahmias, S. and Olsen, T.L. Production and Operations Analysis, 7th edition, McGraw-Hill, 2015.
• Silver, E.A., Pyke, D.F. and Thomas, D.J. Inventory and Production Management in Supply Chains, 4th edition, CRC Press, 2017.
Τελευταία Επικαιροποίηση
02-10-2023
