Η προδιαγραφική αναλυτική δεδομένων θεωρείται ως το επόμενο βήμα εξέλιξης και ωρίμανσης της αναλυτικής δεδομένων, η οποία, μέσω της βέλτιστης και έγκαιρης λήψης αποφάσεων, οδηγεί στην βελτιστοποίηση της επιχειρηματικής απόδοσης.Προς αυτήν την κατεύθυνση, η παρούσα διατριβή εστιάζει στην αξιοποίηση των αποτελεσμάτων της προβλεπτικής αναλυτικής σε συνδυασμό με την οδηγούμενη από δεδομένα λήψη αποφάσεων, τους αλγορίθμους μηχανικής μάθησης και τις τεχνολογίες δεδομένων μεγάλης κλίμακας προκειμένου να υποστηρίξει την επίλυση πολύπλοκων προβλημάτων προδιαγραφικής αναλυτικής δεδομένων διαφόρων γνωστικών πεδίων. Για το σκοπό αυτό, διαμορφώνει ένα πλαίσιο προδιαγραφικής αναλυτικής, το οποίο μπορεί να καθοδηγήσει την ανάπτυξη διαφόρων προδιαγραφικών μεθόδων, ικανών να παρέχουν προσαρμόσιμες, αυτοματοποιημένες, περιοριζόμενες, βέλτιστες και έγκαιρες αποφάσεις. Το αναπτυχθέν πλαίσιο πραγματώνεται μέσω της μεθόδου προδιαγραφικής αναλυτικής που αποτελεί την βασική συνεισφορά της παρούσας διατριβής. Η προτεινόμενη μέθοδος βασίζεται στον τομέα της Διαδραστικής Ενισχυτικής Μάθησης Πολλαπλών Κριτηρίων (Interactive Multi-Objective Reinforcement Learning). Μοντελοποιεί δυναμικά το πρόβλημα απόφασης και παράγει βελτιστοποιημένες προτάσεις, λαμβάνοντας υπόψιν περισσότερα από ένα κριτήρια βελτιστοποίησης, ενώ παράλληλα, μέσω της διαδραστικής αλληλεπίδρασης, ενσωματώνει την προτίμηση του αποφασίζοντα στη διαδικασία απόφασης. Ακολούθως, αναπτύσσεται πληροφοριακό σύστημα το οποίο υλοποιεί την προτεινόμενη προσέγγιση. Η προτεινόμενη μέθοδος εφαρμόζεται στο πεδίο των χρηματιστηριακών επενδύσεων. Εκεί, αξιολογείται η απόδοσή της συγκριτικά με παραδοσιακές μεθόδους επενδυτικών αποφάσεων και η προσαρμοστικότητά της σύμφωνα με τις προτιμήσεις του ανθρώπου για διαφορετικά επενδυτικά προφίλ.
Prescriptive analytics is often considered as the next step towards increasing data analytics maturity and leading to optimized decision making ahead of time for business performance improvement.The current thesis focuses on the utilization of the predictive analytics outcomes in combination with the data-driven decision making, machine learning algorithms and big data technologies to support complex prescriptive analytics problems of various domains. To that end, it develops a prescriptive analytics framework that can guide the development of various prescriptive methods. These methods can support decision making by providing adaptive, automated, constrained, optimal, and time-dependent decisions.The proposed framework is realized through the prescriptive analytics method that consists the main contribution of the current thesis. The proposed method employs Interactive Multi-Objective Reinforcement Learning algorithms. It models the decision making problem dynamically and generates optimized decisions, taking into consideration multiple objectives, while at the same time, through interactive interaction, incorporates the decision maker's preference into the decision process. Furthermore, the method has been implemented as an information system. The system has been employed in a stock market case study in order to evaluate the proposed approach’s performance against the traditional stock trading decision methods and its adaptability according to the user’s preference for different trading profiles.
Εθνικό Κέντρο Τεκμηρίωσης και Ηλεκτρονικού Περιεχομένου (ΕΚΤ)
