Χρήση τεχνικών ομαδοποίησης στον επιχειρηματικό σχεδιασμό

Abstract

Ζούμε στην εποχή όπου τα δεδομένα μεγάλου όγκου (Big Data) υπάρχουν σε πολλούς τομείς, όπως και στον τομέα του επιχειρηματικού σχεδιασμού. Παράλληλα, το στρατηγικό πλαίσιο σε ένα επιχειρηματικό πλάνο είναι πολύ κρίσιμο για την επιτυχία του. Προς αυτή την κατεύθυνση, η Μηχανική Μάθηση (Machine Learning) μπορεί να συνεισφέρει στον αποδοτικότερο σχεδιασμό ενός επιχειρηματικού πλάνου. Μέσα από αλγορίθμους μηχανικής μάθησης μας επιτρέπεται η εξόρυξη γνώσης από δεδομένα, η οποία μας δίνει τη δυνατότητα για μια πιο ρεαλιστική απεικόνιση των δεδομένων που έχουμε. Ένας βασικός πυλώνας της Μηχανικής Μάθησης είναι η μη επιβλεπόμενη μάθηση, όπου εκεί κυριαρχούν οι αλγόριθμοι ομαδοποίησης δεδομένων. Σε περιπτώσεις που έχουμε δεδομένα χωρίς ετικέτα (label) ένας τέτοιος αλγόριθμος μπορεί να αποτυπώσει καλύτερα τη δομή των δεδομένων αυτών έτσι ώστε να βοηθήσει στον καλύτερο σχεδιασμό ενός επιχειρηματικού πλάνου. Στην παρούσα διπλωματική εργασία, γίνεται η μελέτη παραδοσιακών αλγορίθμων ομαδοποίησης και μια συγκριτική αξιολόγηση σε δεδομένα πραγματικού κόσμου που αφορούν προβλήματα επιχειρησιακού σχεδιασμού. Τα αποτελέσματα έδειξαν την υπεροχή των αλγορίθμων διαχωρισμού (partitioning) και αναδεικνύουν τα προβλήματα που προκύπτουν στην περίπτωση που εφαρμοσθεί ένας αλγόριθμος που δεν ταιριάζει σε συγκεκριμένο σύνολο δεδομένων και συγκεκριμένα χαρακτηριστικά.