Τεχνικές μηχανικής μάθησης για την εξόρυξη δεδομένων και την πρόβλεψη επιτυχίας νεοφυών επιχειρήσεων

Παπακωνσταντίνου, Παναγιώτης; Papakonstantinou, Panagiotis

dc.contributor.author	Παπακωνσταντίνου, Παναγιώτης	el
dc.contributor.author	Papakonstantinou, Panagiotis	en
dc.date.accessioned	2021-12-13T09:51:24Z
dc.date.available	2021-12-13T09:51:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54155
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21853
dc.rights	Default License
dc.subject	Προβλέψεις	el
dc.subject	Επιτυχημένη εταιρία	el
dc.subject	Επιστήμη δεδομένων	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ανάλυση δεδομένων	el
dc.subject	Startups	en
dc.subject	Predictions	en
dc.subject	Successful company	en
dc.subject	Data science	en
dc.subject	Machine learning	en
dc.title	Τεχνικές μηχανικής μάθησης για την εξόρυξη δεδομένων και την πρόβλεψη επιτυχίας νεοφυών επιχειρήσεων	el
dc.title	Machine learning techniques for data mining and predicting start-ups' success	en
heal.type	bachelorThesis
heal.classification	Επιστήμη δεδομένων	el
heal.classification	Data science	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-01
heal.abstract	Η ταχύτατη εξέλιξη είναι η φράση που χαρακτηρίζει τη σύγχρονη κοινωνία και ιδιαίτερα τη σημερινή επιχειρηματική αγορά. Η εξάπλωση της τεχνολογίας, το συνεχώς υψηλότερο επίπεδο γνώσεων και ο ανταγωνισμός μεταβάλλουν ραγδαία τον επιχειρηματικό κόσμο. Συνεχώς προκύπτουν ευκαιρίες με υπέρογκες ανταμοιβές, αλλά ταυτόχρονα απαιτούν υψηλό ρίσκο. Οι νεοφυείς επιχειρήσεις (start-ups), τα τελευταία χρόνια, αποτελούν πόλο έλξης για μεγάλο αριθμό επιχειρηματιών, αφού σε ελάχιστο χρονικό διάστημα αποφέρουν τεράστια κέρδη. Στόχος της παρούσας εργασίας αποτελεί η μελέτη των παραγόντων που οδηγούν μια εταιρία στην επιτυχία, η αναγνώριση των κοινών μοτίβων, ώστε αυτή η γνώση να αξιοποιηθεί μελλοντικά από επενδυτές και επιχειρηματίες. Η πρόβλεψη επιτυχίας μιας εταιρίας θεωρείται ένα απαιτητικό εγχείρημα, το οποίο μπορεί να αποφέρει ένα σημαντικό πλεονέκτημα στους εμπλεκόμενους. Ως σήμερα, το πρόβλημα μελετάται σε θεωρητικό επίπεδο και έμφαση δίνεται σε επιχειρηματικά μοντέλα, δομές και οικονομικά στοιχεία. Ωστόσο, η επιτυχία ή αποτυχία μιας εταιρίας έχει πλήθος παραγόντων που συχνά είναι δύσκολο να συνδυαστούν. Στην παρούσα εργασία, προσεγγίζεται η παραπάνω πρόκληση εφαρμόζοντας τεχνικές μηχανικής μάθησης σε αυστηρά μετρήσιμους παράγοντες. Συγκεκριμένα, αναλύονται και επεξεργάζονται τα δεδομένα 55,585 εταιριών παγκοσμίως από διαφορετικούς τομείς και στη συνέχεια δοκιμάζονται σε 6 αλγορίθμους. Μεγάλη έμφαση δίνεται στον τομέα δραστηριοποίησης και τη χώρα ίδρυσης, στην τακτική χρηματοδότησης και την εμπειρία των επενδυτών. Ως επιτυχημένη εταιρία θεωρήθηκε αυτή που προσφέρει μεγάλα χρηματικά ποσά στους ιδρυτές, τους επενδυτές και τους πρώτους υπαλλήλους (i) με την εισαγωγή της στο χρηματιστήριο ή (ii) με την εξαγορά της από άλλη εταιρία. Οπότε, οι εταιρίες χωρίστηκαν σε δύο κατηγορίες σύμφωνα με το προηγούμενο κριτήριο, ενώ επιλέχθηκαν προσεκτικά χαρακτηριστικά που θα προσφέρουν πληροφορία προκειμένου να διευκολύνουν τους αλγορίθμους να αξιολογούν σωστά και να εντοπίσουν τα απαιτούμενα μοτίβα. Αρχικά, περιγράφεται το θεωρητικό υπόβαθρο των start-ups και παρουσιάζονται τα αποτελέσματα παλαιότερων σχετικών μελετών. Ακολουθεί η ανάλυση και προσεκτική επεξεργασία των δεδομένων, ενώ επιλέγονται τα κατάλληλα χαρακτηριστικά ώστε να εμπλουτιστούν τα σύνολα. Στη συνέχεια, τα σύνολα χαρακτηριστικών αξιοποιούνται από τους αλγορίθμους, σχολιάζονται τα αποτελέσματα για την εξαγωγή χρήσιμων συμπερασμάτων και την ενίσχυση της επιστημονικής κοινότητας με μελλοντικές προτάσεις. Ταυτόχρονα, σημειώνονται τα προβλήματα και οι μέθοδοι με τις οποίες αντιμετωπίστηκαν.	el
heal.abstract	Rapid evolution is the phrase that characterizes modern society and especially today's business market. The spread of technology, the ever-higher level of knowledge and competition are rapidly changing the business world. Opportunities are constantly emerging with tremendous rewards, but at the same time they require high risk taking. Start-ups, in recent years, are a pole of attraction for a large number of entrepreneurs, since it is possible, they make huge profits in a short period of time. The aim of the present work is to study the factors that lead a company to success and recognize the common patterns, so that this knowledge can be used in the future by investors and entrepreneurs. Predicting a company’s success is considered a demanding undertaking, which can bring a significant advantage to those involved. To date, the problem is studied at a theoretical level and emphasis is placed on business models, structures and financial data. However, the success or failure of a company has a number of factors that is difficult to be combined. In the present work, the above challenge is approached by applying machine learning techniques to strictly measurable factors. Specifically, the data of 55,585 companies worldwide from different sectors are analyzed and processed and then tested in 6 algorithms. Great emphasis is given to the field of activity and the country of establishment, to the financing tactics and the investors’ experience. A successful company was considered to be the one that offers large sums of money to the founders, investors and first employees (i) by initial public offering (IPO) or (ii) by acquiring it from another company (M&A). So, the companies were divided into two categories according to the previous criterion, while features were carefully selected to provide information in order to facilitate the algorithms to evaluate correctly and to identify the required patterns. First, the theoretical background of start-ups is described and the results of previous relevant studies are presented. This is followed by the analysis and careful processing of the data, while the appropriate features are selected to enrich the sets. Then, the feature sets are utilized by the algorithms, the results are commented on to draw useful conclusions and to strengthen the scientific community with future proposals. At the same time, the problems and the methods by which they were dealt with are noted.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	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