Συντάχθηκε 23-06-2026 10:59
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 29/06/2026 12:00
Λήξη: 29/06/2026 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Μεταπτυχιακών Σπουδών
Διοίκηση Επιχειρήσεων
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
Δευτέρα, 29 Ιουνίου 2026, 12:00
https://tuc-gr.zoom.us/j/4267228881?pwd=SFNJdUFOR2ZTQjFKTlF3RkFKeFlwQT09
Ονοματεπώνυμο: ΚΑΒΡΑΚΗ ΧΡΥΣΗ
Θέμα: Η Συμβολή της Μηχανικής Μάθησης και του Process Mining στην Αξιολόγηση και Πρόβλεψη της Αποδοτικότητας των Τραπεζικών Καταστημάτων
Title: The Contribution of Machine Learning and Process Mining to the Evaluation and Prediction of Bank Branch Efficiency
Εξεταστική Επιτροπή
- ΖΟΠΟΥΝΙΔΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, Καθηγητής (επιβλέπων)
- ΑΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής
- ΔΟΥΜΠΟΣ ΜΙΧΑΗΛ, Καθηγητής
Περίληψη
Η ταχεία προσαρμογή του τραπεζικού τομέα στην ψηφιακή εποχή έχει εντείνει την ανάγκη για προηγμένα αναλυτικά εργαλεία, με στόχο τη μεγιστοποίηση της αποδοτικότητας και των οικονομιών κλίμακας, ώστε να διατηρηθεί το ανταγωνιστικό τους πλεονέκτημα. Παρά το γεγονός ότι πολλές τράπεζες παράγουν τεράστιες ποσότητες δεδομένων σχετικά με τις δραστηριότητές τους, λίγες είναι αυτές που μπορούν να μετατρέψουν αυτές τις πληροφορίες σε στρατηγική πρόβλεψη με πρακτική εφαρμογή. Η παρούσα διατριβή αναπτύσσει ένα ολοκληρωμένο εννοιολογικό πλαίσιο για τη χρήση της εξόρυξης διαδικασιών (Process Mining) και της μηχανικής μάθησης (Machine Learning) στο τραπεζικό περιβάλλον. Αντί να εκτελέσουμε μια απτή εμπειρική προσομοίωση, προτείνουμε μια ισχυρή μέθοδο που βασίζεται σε αξιόπιστη ανάλυση δεδομένων, ώστε να επιτρέψει στα στελέχη των τραπεζών να αξιολογούν, να διαγνώσουν και να προβλέψουν την αποδοτικότητα των καταστημάτων. Σχεδιάζουμε ένα ολοκληρωμένο αναλυτικό μοντέλο δύο φάσεων. Η πρώτη φάση συνίσταται στη χρήση της εξόρυξης διαδικασιών (έλεγχος συμμόρφωσης) για τη σύγκριση των πραγματικών ροών εργασίας των τραπεζών με τις κανονικές ροές εργασίας, επιτρέποντας στα ιδρύματα να εντοπίζουν αποκλίσεις από τις καθιερωμένες διαδικασίες, καθώς και σημεία συμφόρησης στη ροή εργασίας και «κόστος αδράνειας» του συστήματος. Η δεύτερη φάση περιλαμβάνει μια αρχιτεκτονική μηχανικής μάθησης για την εκτίμηση των επιπέδων απόδοσης με λογιστική παλινδρόμηση και την παραγωγή λογικής «αν-τότε» για οδηγίες προς τους διευθυντές με δέντρα αποφάσεων. Το πλαίσιο επιτρέπει τη μετάβαση από την αναφορά μέσω πίνακα ελέγχου σε πιο «έξυπνους» δείκτες βασικής απόδοσης σε πραγματικό χρόνο και παρέχει στις τράπεζες διαφανή διαγνωστικά και προγνωστικά εργαλεία για τον εξορθολογισμό των λειτουργιών, τη μείωση του κόστους και τη βελτίωση της εμπειρίας του πελάτη, μετατρέποντας τα δεδομένα του συστήματος σε ένα διαρκές στρατηγικό πλεονέκτημα.
