Πρόγραμμα Μαθημάτων

Για την επιτυχή ολοκλήρωση της παρακολούθησης του ΠΜΣ – Logistics & Supply Chain Management, οι φοιτητές παρακολουθούν 11 μαθήματα στα δύο πρώτα ακαδημαϊκά εξάμηνα και κατά τη διάρκεια του τρίτου ακαδημαϊκού εξαμήνου εκπονούν τη διπλωματική τους εργασία.

Α’ Εξάμηνο

Αναλυτική Μεγάλων Δεδομένων και Προβλέψεις στην Εφοδιαστική & Διοίκηση Αλυσίδας Εφοδιασμού




Σκοπός μαθήματος

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.

Περιγραφή 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.

Προτεινόμενη βιβλιογραφία

  • 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.
  • 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.

Eγγραφείτε Στο Newsletter

Εγγραφή