Τεχνικές μηχανικής μάθησης σε προβλήματα πρόβλεψης επιτυχίας εταιρειών

Παπαευθυμίου, Δάφνη; Papaefthymiou, Dafne

dc.contributor.author	Παπαευθυμίου, Δάφνη	el
dc.contributor.author	Papaefthymiou, Dafne	en
dc.date.accessioned	2020-12-07T15:12:36Z
dc.date.available	2020-12-07T15:12:36Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52342
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20040
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	Startups	en
dc.subject	Πρόβλεψη επιτυχίας	el
dc.subject	Νεοφυείς εταιρείες	el
dc.subject	Success prediction	en
dc.subject	Ανάλυση δεδομένων	el
dc.subject	Data analysis	en
dc.subject	Αλγόριθμοι	el
dc.subject	Algorithms	en
dc.subject	Δειγματοληψία	el
dc.subject	Sampling	en
dc.title	Τεχνικές μηχανικής μάθησης σε προβλήματα πρόβλεψης επιτυχίας εταιρειών	el
heal.type	bachelorThesis
heal.classification	Machine learning	en
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-03-30
heal.abstract	Η αστάθεια και η αβεβαιότητα είναι οι λέξεις που χαρακτηρίζουν με τη μεγαλύτερη ακρίβεια το σύγχρονο επιχειρησιακό περιβάλλον. Ο ψηφιακός μετασχηματισμός, ο μεγάλος ανταγωνισμός και το όλο και πιο υψηλό επίπεδο γνώσεων των ατόμων που πλαισιώνουν τις διάφορες επιχειρήσεις μεταβάλουν ραγδαία τα δεδομένα στον επενδυτικό χώρο και περιορίζουν τους φραγμούς εισόδου στην αγορά. Την ίδια στιγμή, παρατηρείται μια πρωτόγνωρης κλίμακας στροφή των ατόμων σε ό,τι αφορά την ενασχόληση με τους συγκεκριμένους τομείς. Συνέπεια της κατάστασης αυτής αποτελεί η εκθετική αύξηση της ίδρυσης νεογνών εταιρειών - Startup - αλλά και ο επίσης αυξανόμενος ρυθμός αποτυχίας τους. Στο πλαίσιο αυτής της διπλωματικής εργασίας μελετάται η πρόβλεψη της πιθανότητας επιτυχίας μιας σύγχρονης startup εταιρείας υπό οικονομικό, επιστημονικό και κοινωνικό πρίσμα. H έγκυρη πρόβλεψη σχετικά με το μέλλον μιας τέτοιου είδους εταιρείας θεωρείται σήμερα ιδιαίτερα σημαντική κυρίως για άτομα και εταιρείες με μεγάλη επενδυτική δύναμη, καθώς είναι επιθυμητό η διαχείριση των κεφαλαίων τους να γίνει με τον πλέον αποδοτικό τρόπο. Έτσι τον τελευταίο καιρό έχει επιχειρηθεί να μοντελοποιηθεί το "μοτίβο" της επιτυχίας μιας startup εταιρείας από αρκετούς ερευνητές. Μέχρι σήμερα, το συγκεκριμένο πρόβλημα αποτελούσε κυρίως ένα πιο θεωρητικό πεδίο μελέτης της επιχειρησιακής έρευνας και για την προσέγγισή του εξετάζονταν και αξιολογούνταν ως επί των πλείστων επιχειρηματικά σχέδια και μοντέλα δόμησης των εταιρειών. Ωστόσο, τα ερεθίσματα που μπορεί να λάβει μια νέα εταιρεία και να την οδηγήσουν στην αποτυχία ή την επιτυχία είναι πολυδιάστατα και συχνά μη αλληλοσυνδεόμενα και δεν περιορίζονται μόνο στο επιχειρηματικό πλάνο που θα ακολουθήσει. Στην παρούσα εργασία, επιχειρούμε να δώσουμε μία λύση στο πρόβλημα που παρουσιάστηκε, όπου θα λαμβάνονται υπόψη πιο πρακτικοί και εύκολα μετρήσιμοι παράγοντες και χαρακτηριστικά των εταιρειών, μέσω της εφαρμογής μεθόδων μηχανικής μάθησης. Καταγράφουμε έπειτα τα αποτελέσματα των διάφορων μεθόδων που εφαρμόσαμε και σχολιάζουμε την αποδοτικότητα και την καταλληλότητά τους για το συγκεκριμένο πρόβλημα. Αναλυτικότερα, περιορίζουμε το χώρο μελέτης μας στις εταιρείες που δραστηριοποιούνται στους τομείς της βιοτεχνολογίας και της υγείας. Επιδιώκουμε να αποφανθούμε για το αν, πέρα από τα οικονομικά κριτήρια, υπάρχει αντίστοιχη επιστημονική γνώση για να πλαισιώσει το έργο τους και να τους οδηγήσει στην εδραίωση της παρουσίας τους στον επιχειρηματικό χώρο και τελικά την επιτυχία. Αρχικά λοιπόν, γίνεται περιγραφή του γενικού πλαισίου και της ιστορίας και παρουσίαση της περίπτωσης προβλήματος υπό εξέταση. Ακολουθεί η περιγραφή των δεδομένων, η ανάλυση των βασικών χαρακτηριστικών τους και η επεξεργασία που απαιτήθηκε για να είναι δυνατή η κατανόηση τους και η αναγνώριση συσχετίσεων. Σχεδιάστηκαν στη συνέχεια τρία διαφορετικά μοντέλα μηχανικής μάθησης που εκπαιδεύονται με βάση τα δεδομένα αυτά και έπειτα μπορούν να γενικεύσουν αυτή τη γνώση που αποκτήσανε, για τον υπολογισμό της αναμενόμενης τιμής δεδομένων αγνώστων σε εκείνα. Τα μοντέλα αυτά παραμετροποιούνται και εκπαιδεύονται κατάλληλα ώστε να μπορούν να διαχωρίσουν τα δεδομένα σε δύο κλάσεις που περιγράφουν τις επιτυχημένες και τις αποτυχημένες εταιρείες αντίστοιχα . Στη συνέχεια παρουσιάζονται και αξιολογούνται τα αποτελέσματα της εφαρμογής τους τόσο στα δεδομένα εκπαίδευσης όσο και σε ένα άγνωστο σύνολο δεδομένων. Παράλληλα, με την παρουσίαση της μεθοδολογίας που ακολουθούμε, των προβλημάτων που κληθήκαμε να αντιμετωπίσουμε καθώς και των λύσεων που επιστρατεύσαμε ευελπιστούμε να προσφέρουμε, με την παρούσα διπλωματική, ένα μοτίβο και έναν ενδεικτικό τρόπο εργασίας για τους μελετητές που θα αποφασίσουν να ασχοληθούν με παρόμοια θεματολογία ώστε να πετύχουν τα βέλτιστα δυνατά αποτελέσματα στον καλύτερο δυνατό χρόνο.	el
heal.abstract	Uncertainty and obscurity are the two most accurate words to describe the current business environment. The digital transformation, the high competition and the constantly increasing knowledge level of people who frame the various business are rapidly changing the investment industry and limiting the barriers to entry in the markets. At the same time there is a remarkable tendency of people, especially young ones, towards working in these industries. As a result of this situation, one can observe an exponential growth of newly founded companies - Startups - and at the same time an increasing number of companies which are ceasing operations due to business failure. The present work is focusing on predicting the possibility of success of a startup company. We will attempt to study this problem from an economic, scientific and social point of view. The accurate prediction regarding the future of a newly born company is considered today highly important, especially for shareholders and investors as they opt for an efficient and profitable capital management. Thus, the last years, there have been numerous attempts to specify the profile of a successful company. Until today, this specific problem was concerning a more theoretical field of operational research as in order to approach it researchers were mostly focusing on reviewing business plans and models. However, the factors that can contribute to the making of a successful company are multidimensional, often unrelated and certainly more complex. With this work of ours, we attempt to provide solution to the previously described problem, taking into account more practical and easily measurable factors and features through the application of machine learning algorithms. Moreover, we present the results of the various algorithms that we have implemented and we comment on their suitability for the specific problem. We are going to restrict our field of interest in companies active in the health and biotechnology sectors. We seek to determine if, along with the economical features, the current scientific knowledge is adequate to frame theri work and to establish their presence in the business and finally to lead to their success. In more detail, after describing the general problem and its history, we move on the presentation of the case that we take into consideration in this thesis. Then, we describe the complete process of forming our dataset and preprocessing it as well as present its features and investigate the relationships between them. Consequently, three different machine models are being designed and trained based on the dataset in order to generalize the knowledge gained so as to be able to make predictions concerning the success of a startup company which is completely unknown to them . The models' parameters are being tuned so that we have a highly accurate classification of companies into successful and unsuccessful ones. Afterwards, an overall evaluation of our models' is being presented Along with the presentation of the overall process, as well as the problems that we faced and our proposed solutions we are hoping to provide, with this present work, a baseline in order to guide the researchers that are going to take on a similar project, towards a more efficient and less time consuming solution.	en
heal.advisorName	Φωτάκης, Δημήτριος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	69 σ.	el
heal.fullTextAvailability	false