Ανάλυση Επιχειρηματικών Δικτύων με Αλγορίθμους Ανακάλυψης Κοινοτήτων

Πανάγου, Νικολέτα- Αφροδίτη; Panagou, Nikoleta- Afroditi

dc.contributor.author	Πανάγου, Νικολέτα- Αφροδίτη	el
dc.contributor.author	Panagou, Nikoleta- Afroditi	en
dc.date.accessioned	2020-12-04T11:32:46Z
dc.date.available	2020-12-04T11:32:46Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52255
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19953
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-Οικονομικά Συστήματα (ΜΒΑ)”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Κοινωνικά Δίκτυα	el
dc.subject	Ανίχνευση Κοινοτήτων	el
dc.subject	Δίκτυο Επιχειρήσεων	el
dc.subject	Υπερβολική Γεωμετρία	el
dc.subject	Ενσωμάτωση Δικτύου	el
dc.subject	Social Networks	en
dc.subject	Community Detection	el
dc.subject	Business Network	el
dc.subject	Hyperbolic Geometry	el
dc.subject	Network Embedding	el
dc.title	Ανάλυση Επιχειρηματικών Δικτύων με Αλγορίθμους Ανακάλυψης Κοινοτήτων	el
dc.title	Business Network Analysis with Community Detection Algorithms	en
heal.type	masterThesis
heal.classification	Ανάλυση Δεδομένων	el
heal.classification	Data Analysis	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-13
heal.abstract	Η παρούσα Μεταπτυχιακή Διπλωματική Εργασία επικεντρώνεται στην ανάπτυξη μιας μεθοδολογίας ανάλυσης δεδομένων επιχειρήσεων για την βελτιστοποίηση της διαδικασίας λήψης επιχειρηματικών αποφάσεων. Ειδικότερα, το πλαίσιο που προτείνεται αξιοποιεί πληροφορία που αφορά τόσο τις αλληλεπιδράσεις της ίδιας της επιχειρηματικής οντότητας με άλλες, όσο και τις συσχετίσεις που αναπτύσσονται στο ευρύτερο επιχειρηματικό περιβάλλον αυτής, σε αντίθεση με τις παραδοσιακές μεθόδους που αντιμετωπίζουν κάθε οντότητα μεμονωμένα. Η προτεινόμενη μεθοδολογία εφαρμόζεται στο παγκόσμιο δίκτυο νεοφυών επιχειρήσεων, όπου δεν υπάρχει επαρκής διαχρονική πληροφορία για ανάλυση τάσεων και μοντέλα προβλέψεων, επομένως η απόφαση πρέπει να υποστηριχθεί με διαφορετικά μοντέλα και τεχνικές. Για την ανάπτυξη της μεθοδολογίας χρησιμοποιούνται τεχνικές Ανάλυσης Κοινωνικών Δικτύων και συγκεκριμένα δυο μέθοδοι. Αρχικά επιλέγεται ο αλγόριθμος ανίχνευσης κοινοτήτων DBSCAN (Density- Based Spatial Clustering of Applications with Noise), τροποποιημένος ως προς τη μετρική της απόστασης που χρησιμοποιεί. Ειδικότερα, προτείνεται η ομαδοποίηση με βάση την υπερβολική απόσταση μεταξύ των οντοτήτων και για αυτό το λόγο γίνεται ενσωμάτωση του δικτύου των επιχειρήσεων στον υπερβολικό χώρο. Στη συνέχεια εφαρμόζεται ο αλγόριθμος Greedy Modularity Communities, ο οποίος ανιχνεύει κοινότητες μέσα στο δίκτυο με κριτήριο τη μεγιστοποίησης της αρθρωτότητας. Οι κοινότητες που προέκυψαν από τους δυο αλγορίθμους μελετήθηκαν, τόσο ως προς τα χαρακτηριστικά των κόμβων, όσο και ως προς τη δομή της κοινότητας και του δικτύου στο σύνολο. Έτσι, μέσα από την εφαρμογή αυτή, επιχειρείται να εξαχθούν συμπεράσματα για το αν οι μέθοδοι ανάλυσης κοινωνικών δικτύων μπορούν να συνεισφέρουν στην ανακάλυψη μοτίβων ή «κρυφών» ιδιοτήτων» που υπάρχουν μέσα σε ένα δίκτυο επιχειρήσεων και δυνητικά μπορούν να καθορίσουν τις αποφάσεις.	el
heal.abstract	The present Master Thesis is focused on the development of a methodology for analyzing business data, with a view to optimize the business decision-making process. Our approach considers the business entity as part of a network, in which every interaction is taken into account, regardless of whether or not it affects the business directly. More precisely, the proposed framework is based on information both within and between the business environments, and is implemented at the «Worldwide Startup Network». The last one was chosen for testing the methodology, as representative of those cases where there are limitations for trend analysis and forecasting models, and therefore the decision must be supported by different techniques. To this end, two Social Network Analysis techniques are used for detecting communities in the World Wide Startup Network, a) the DBSCAN (Density-Based Spatial Clustering of Applications with Noise) algorithm and b) a Modularity Maximization Method. The former is modified in order to adopt hyperbolic geometry and for this purpose the network is embedded in Hyperbolic Space. From the Modularity Maximization Methods, Greedy Modularity Communities algorithm was chosen as the most efficient concerning the size of the network. The results of the two algorithms were evaluated through analyzing the companies’ attributes and communities’ structure. Along these lines, the present thesis is trying to explore weather Social Network Analysis techniques can reveal patterns or hidden properties in the business network that could potentially lead the decision making process.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	78 σ.	el
heal.fullTextAvailability	false