{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5452813"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5452813","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη συστήματος υποστήριξης αποφάσεων για τον εντοπισμό και την προτεραιοποίηση ελέγχου αποκλίσεων στο λειτουργικό κόστος μικρομεσσαίων επιχειρήσεων λιανικής","abstract":"Η παρούσα διπλωματική εργασία αναπτύσσει ένα Σύστημα Υποστήριξης Αποφάσεων (Decision Support System – DSS) για τον ημερήσιο εντοπισμό αποκλίσεων στο λειτουργικό κόστος μικρομεσαίων επιχειρήσεων λιανικής, συνδυάζοντας αρχιτεκτονική βάσης δεδομένων, χρηματοοικονομική ανάλυση, επιχειρησιακή λογική και μηχανική μάθηση (machine learning). Αφετηρία της μελέτης αποτέλεσε η διαπίστωση ότι τα πρωτογενή δεδομένα λιανικών συναλλαγών δεν επαρκούν από μόνα τους για συστηματική οικονομική παρακολούθηση, καθώς αποτυπώνουν επιμέρους πωλήσεις χωρίς να παρέχουν ημερήσια εικόνα οικονομικής λειτουργίας ανά κατάστημα. Για την αντιμετώπιση αυτού του κενού σχεδιάστηκε και υλοποιήθηκε πολυεπίπεδη βάση δεδομένων σε περιβάλλον PostgreSQL, μέσω της οποίας οι αρχικές συναλλαγές καθαρίστηκαν, οργανώθηκαν και μετασχηματίστηκαν σε ημερήσιο επίπεδο παρατήρησης ανά κατάστημα και ημερομηνία. Στο πλαίσιο αυτό ενσωματώθηκαν προσεγγιστικό κόστος πωληθέντων (Cost of Goods Sold – COGS), βασικές κατηγορίες λειτουργικών εξόδων (Operating Expenses – OPEX) και ημερήσια κατάσταση αποτελεσμάτων (Profit and Loss – P&L), ενώ υπολογίστηκαν και βασικοί αριθμοδείκτες, όπως ο λόγος κόστους πωληθέντων προς πωλήσεις και ο λόγος λειτουργικού κόστους προς πωλήσεις. Στη συνέχεια αναπτύχθηκε μεθοδολογικά ελεγχόμενο πείραμα μηχανικής μάθησης, στο οποίο ο στόχος δεν ήταν εκ των προτέρων διαθέσιμος λόγω απουσίας εξωτερικά επιβεβαιωμένων περιπτώσεων ανωμαλίας. Για τον λόγο αυτό ορίστηκε έμμεσος κανόνας επισήμανσης (proxy rule), βασισμένος αποκλειστικά στο ιστορικό παρελθόν κάθε καταστήματος, με χρήση κυλιόμενων μέσων όρων και κυλιόμενων τυπικών αποκλίσεων. Ακολούθησε εκπαίδευση και συγκριτική αξιολόγηση τριών μοντέλων ταξινόμησης, της Λογιστικής Παλινδρόμησης (Logistic Regression), του Τυχαίου Δάσους (Random Forest) και του XGBoost, με αυστηρή αποτροπή διαρροής πληροφορίας και χρονικό διαχωρισμό σε σύνολα εκπαίδευσης, επικύρωσης και ελέγχου. Τα αποτελέσματα έδειξαν ότι το προτεινόμενο πλαίσιο μπορεί να υποστηρίξει με συνέπεια τον εντοπισμό ημερών με αυξημένη πιθανότητα απόκλισης και να μετασχηματίζει τις προβλέψεις σε λίστα ημερών προς λογιστικό ή διοικητικό έλεγχο (audit queue).","abstract_html":"Η παρούσα διπλωματική εργασία αναπτύσσει ένα Σύστημα Υποστήριξης Αποφάσεων (Decision Support System – DSS) για τον ημερήσιο εντοπισμό αποκλίσεων στο λειτουργικό κόστος μικρομεσαίων επιχειρήσεων λιανικής, συνδυάζοντας αρχιτεκτονική βάσης δεδομένων, χρηματοοικονομική ανάλυση, επιχειρησιακή λογική και μηχανική μάθηση (machine learning). Αφετηρία της μελέτης αποτέλεσε η διαπίστωση ότι τα πρωτογενή δεδομένα λιανικών συναλλαγών δεν επαρκούν από μόνα τους για συστηματική οικονομική παρακολούθηση, καθώς αποτυπώνουν επιμέρους πωλήσεις χωρίς να παρέχουν ημερήσια εικόνα οικονομικής λειτουργίας ανά κατάστημα. Για την αντιμετώπιση αυτού του κενού σχεδιάστηκε και υλοποιήθηκε πολυεπίπεδη βάση δεδομένων σε περιβάλλον PostgreSQL, μέσω της οποίας οι αρχικές συναλλαγές καθαρίστηκαν, οργανώθηκαν και μετασχηματίστηκαν σε ημερήσιο επίπεδο παρατήρησης ανά κατάστημα και ημερομηνία. Στο πλαίσιο αυτό ενσωματώθηκαν προσεγγιστικό κόστος πωληθέντων (Cost of Goods Sold – COGS), βασικές κατηγορίες λειτουργικών εξόδων (Operating Expenses – OPEX) και ημερήσια κατάσταση αποτελεσμάτων (Profit and Loss – P&amp;L), ενώ υπολογίστηκαν και βασικοί αριθμοδείκτες, όπως ο λόγος κόστους πωληθέντων προς πωλήσεις και ο λόγος λειτουργικού κόστους προς πωλήσεις. Στη συνέχεια αναπτύχθηκε μεθοδολογικά ελεγχόμενο πείραμα μηχανικής μάθησης, στο οποίο ο στόχος δεν ήταν εκ των προτέρων διαθέσιμος λόγω απουσίας εξωτερικά επιβεβαιωμένων περιπτώσεων ανωμαλίας. Για τον λόγο αυτό ορίστηκε έμμεσος κανόνας επισήμανσης (proxy rule), βασισμένος αποκλειστικά στο ιστορικό παρελθόν κάθε καταστήματος, με χρήση κυλιόμενων μέσων όρων και κυλιόμενων τυπικών αποκλίσεων. Ακολούθησε εκπαίδευση και συγκριτική αξιολόγηση τριών μοντέλων ταξινόμησης, της Λογιστικής Παλινδρόμησης (Logistic Regression), του Τυχαίου Δάσους (Random Forest) και του XGBoost, με αυστηρή αποτροπή διαρροής πληροφορίας και χρονικό διαχωρισμό σε σύνολα εκπαίδευσης, επικύρωσης και ελέγχου. Τα αποτελέσματα έδειξαν ότι το προτεινόμενο πλαίσιο μπορεί να υποστηρίξει με συνέπεια τον εντοπισμό ημερών με αυξημένη πιθανότητα απόκλισης και να μετασχηματίζει τις προβλέψεις σε λίστα ημερών προς λογιστικό ή διοικητικό έλεγχο (audit queue).","abstract_has_math":false,"creators":["ΧΑΡΙΤΟΣ ΙΩΑΝΝΗΣ","CHARITOS IOANNIS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:52Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5452813"],"render_values":[{"text":"uoadl:5452813","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5452813","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5452813","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5452813","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΧΑΡΙΤΟΣ ΙΩΑΝΝΗΣ","CHARITOS IOANNIS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5452813","https://pergamos.lib.uoa.gr/uoa/dl/object/5452813"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία αναπτύσσει ένα Σύστημα Υποστήριξης Αποφάσεων (Decision Support System – DSS) για τον ημερήσιο εντοπισμό αποκλίσεων στο λειτουργικό κόστος μικρομεσαίων επιχειρήσεων λιανικής, συνδυάζοντας αρχιτεκτονική βάσης δεδομένων, χρηματοοικονομική ανάλυση, επιχειρησιακή λογική και μηχανική μάθηση (machine learning). Αφετηρία της μελέτης αποτέλεσε η διαπίστωση ότι τα πρωτογενή δεδομένα λιανικών συναλλαγών δεν επαρκούν από μόνα τους για συστηματική οικονομική παρακολούθηση, καθώς αποτυπώνουν επιμέρους πωλήσεις χωρίς να παρέχουν ημερήσια εικόνα οικονομικής λειτουργίας ανά κατάστημα. Για την αντιμετώπιση αυτού του κενού σχεδιάστηκε και υλοποιήθηκε πολυεπίπεδη βάση δεδομένων σε περιβάλλον PostgreSQL, μέσω της οποίας οι αρχικές συναλλαγές καθαρίστηκαν, οργανώθηκαν και μετασχηματίστηκαν σε ημερήσιο επίπεδο παρατήρησης ανά κατάστημα και ημερομηνία. Στο πλαίσιο αυτό ενσωματώθηκαν προσεγγιστικό κόστος πωληθέντων (Cost of Goods Sold – COGS), βασικές κατηγορίες λειτουργικών εξόδων (Operating Expenses – OPEX) και ημερήσια κατάσταση αποτελεσμάτων (Profit and Loss – P&L), ενώ υπολογίστηκαν και βασικοί αριθμοδείκτες, όπως ο λόγος κόστους πωληθέντων προς πωλήσεις και ο λόγος λειτουργικού κόστους προς πωλήσεις. Στη συνέχεια αναπτύχθηκε μεθοδολογικά ελεγχόμενο πείραμα μηχανικής μάθησης, στο οποίο ο στόχος δεν ήταν εκ των προτέρων διαθέσιμος λόγω απουσίας εξωτερικά επιβεβαιωμένων περιπτώσεων ανωμαλίας. Για τον λόγο αυτό ορίστηκε έμμεσος κανόνας επισήμανσης (proxy rule), βασισμένος αποκλειστικά στο ιστορικό παρελθόν κάθε καταστήματος, με χρήση κυλιόμενων μέσων όρων και κυλιόμενων τυπικών αποκλίσεων. Ακολούθησε εκπαίδευση και συγκριτική αξιολόγηση τριών μοντέλων ταξινόμησης, της Λογιστικής Παλινδρόμησης (Logistic Regression), του Τυχαίου Δάσους (Random Forest) και του XGBoost, με αυστηρή αποτροπή διαρροής πληροφορίας και χρονικό διαχωρισμό σε σύνολα εκπαίδευσης, επικύρωσης και ελέγχου. Τα αποτελέσματα έδειξαν ότι το προτεινόμενο πλαίσιο μπορεί να υποστηρίξει με συνέπεια τον εντοπισμό ημερών με αυξημένη πιθανότητα απόκλισης και να μετασχηματίζει τις προβλέψεις σε λίστα ημερών προς λογιστικό ή διοικητικό έλεγχο (audit queue).","This thesis develops a Decision Support System (DSS) for the daily detection of operating cost anomalies in retail small and medium-sized enterprises (SMEs), by integrating database architecture, financial analysis, business logic, and machine learning. The study starts from the observation that raw retail transaction data are not sufficient for systematic financial monitoring, since they capture individual sales events but do not provide a structured daily view of store-level economic performance. To address this limitation, a multi-layer database architecture was designed and implemented in PostgreSQL. Through this architecture, the original transaction data were cleaned, organized, and transformed into a daily analytical dataset at the store-date level. Within this environment, approximate Cost of Goods Sold (COGS), core Operating Expenses (OPEX) categories and daily Profit and Loss (P&L) structure were constructed, while key financial ratios were also calculated, including COGS-to-sales and OPEX-to-sales ratios. As a result, the study moved from raw transactional records to a structured daily financial view suitable for analysis and monitoring. A methodologically controlled machine learning experiment was then developed. Since no externally validated anomaly labels were available, the target variable could not be directly observed. For this reason, a proxy rule was defined, based exclusively on each store’s historical behavior, using rolling averages and rolling standard deviations. On this basis, three classification models were trained and compared: Logistic Regression, Random Forest, and XGBoost. The experimental design incorporated strict leakage prevention and a temporal split into training, validation, and test sets. The findings indicate that the proposed framework can consistently support the detection of days with increased likelihood of operating cost deviation and can transform model output into a practical audit queue, namely a ranked list of days that deserve accounting or managerial review. The contribution of the thesis lies in the integration of data engineering, financial logic, and machine learning into a unified and practically applicable decision support framework."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη συστήματος υποστήριξης αποφάσεων για τον εντοπισμό και την προτεραιοποίηση ελέγχου αποκλίσεων στο λειτουργικό κόστος μικρομεσσαίων επιχειρήσεων λιανικής"]}]}],"canonical_facts":{"dc:creator":["ΧΑΡΙΤΟΣ ΙΩΑΝΝΗΣ","CHARITOS IOANNIS"],"dc:date":["2026"],"dc:description":["Η παρούσα διπλωματική εργασία αναπτύσσει ένα Σύστημα Υποστήριξης Αποφάσεων (Decision Support System – DSS) για τον ημερήσιο εντοπισμό αποκλίσεων στο λειτουργικό κόστος μικρομεσαίων επιχειρήσεων λιανικής, συνδυάζοντας αρχιτεκτονική βάσης δεδομένων, χρηματοοικονομική ανάλυση, επιχειρησιακή λογική και μηχανική μάθηση (machine learning). Αφετηρία της μελέτης αποτέλεσε η διαπίστωση ότι τα πρωτογενή δεδομένα λιανικών συναλλαγών δεν επαρκούν από μόνα τους για συστηματική οικονομική παρακολούθηση, καθώς αποτυπώνουν επιμέρους πωλήσεις χωρίς να παρέχουν ημερήσια εικόνα οικονομικής λειτουργίας ανά κατάστημα. Για την αντιμετώπιση αυτού του κενού σχεδιάστηκε και υλοποιήθηκε πολυεπίπεδη βάση δεδομένων σε περιβάλλον PostgreSQL, μέσω της οποίας οι αρχικές συναλλαγές καθαρίστηκαν, οργανώθηκαν και μετασχηματίστηκαν σε ημερήσιο επίπεδο παρατήρησης ανά κατάστημα και ημερομηνία. Στο πλαίσιο αυτό ενσωματώθηκαν προσεγγιστικό κόστος πωληθέντων (Cost of Goods Sold – COGS), βασικές κατηγορίες λειτουργικών εξόδων (Operating Expenses – OPEX) και ημερήσια κατάσταση αποτελεσμάτων (Profit and Loss – P&L), ενώ υπολογίστηκαν και βασικοί αριθμοδείκτες, όπως ο λόγος κόστους πωληθέντων προς πωλήσεις και ο λόγος λειτουργικού κόστους προς πωλήσεις. Στη συνέχεια αναπτύχθηκε μεθοδολογικά ελεγχόμενο πείραμα μηχανικής μάθησης, στο οποίο ο στόχος δεν ήταν εκ των προτέρων διαθέσιμος λόγω απουσίας εξωτερικά επιβεβαιωμένων περιπτώσεων ανωμαλίας. Για τον λόγο αυτό ορίστηκε έμμεσος κανόνας επισήμανσης (proxy rule), βασισμένος αποκλειστικά στο ιστορικό παρελθόν κάθε καταστήματος, με χρήση κυλιόμενων μέσων όρων και κυλιόμενων τυπικών αποκλίσεων. Ακολούθησε εκπαίδευση και συγκριτική αξιολόγηση τριών μοντέλων ταξινόμησης, της Λογιστικής Παλινδρόμησης (Logistic Regression), του Τυχαίου Δάσους (Random Forest) και του XGBoost, με αυστηρή αποτροπή διαρροής πληροφορίας και χρονικό διαχωρισμό σε σύνολα εκπαίδευσης, επικύρωσης και ελέγχου. Τα αποτελέσματα έδειξαν ότι το προτεινόμενο πλαίσιο μπορεί να υποστηρίξει με συνέπεια τον εντοπισμό ημερών με αυξημένη πιθανότητα απόκλισης και να μετασχηματίζει τις προβλέψεις σε λίστα ημερών προς λογιστικό ή διοικητικό έλεγχο (audit queue).","This thesis develops a Decision Support System (DSS) for the daily detection of operating cost anomalies in retail small and medium-sized enterprises (SMEs), by integrating database architecture, financial analysis, business logic, and machine learning. The study starts from the observation that raw retail transaction data are not sufficient for systematic financial monitoring, since they capture individual sales events but do not provide a structured daily view of store-level economic performance. To address this limitation, a multi-layer database architecture was designed and implemented in PostgreSQL. Through this architecture, the original transaction data were cleaned, organized, and transformed into a daily analytical dataset at the store-date level. Within this environment, approximate Cost of Goods Sold (COGS), core Operating Expenses (OPEX) categories and daily Profit and Loss (P&L) structure were constructed, while key financial ratios were also calculated, including COGS-to-sales and OPEX-to-sales ratios. As a result, the study moved from raw transactional records to a structured daily financial view suitable for analysis and monitoring. A methodologically controlled machine learning experiment was then developed. Since no externally validated anomaly labels were available, the target variable could not be directly observed. For this reason, a proxy rule was defined, based exclusively on each store’s historical behavior, using rolling averages and rolling standard deviations. On this basis, three classification models were trained and compared: Logistic Regression, Random Forest, and XGBoost. The experimental design incorporated strict leakage prevention and a temporal split into training, validation, and test sets. The findings indicate that the proposed framework can consistently support the detection of days with increased likelihood of operating cost deviation and can transform model output into a practical audit queue, namely a ranked list of days that deserve accounting or managerial review. The contribution of the thesis lies in the integration of data engineering, financial logic, and machine learning into a unified and practically applicable decision support framework."],"dc:identifier":["uoadl:5452813","https://pergamos.lib.uoa.gr/uoa/dl/object/5452813"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Ανάπτυξη συστήματος υποστήριξης αποφάσεων για τον εντοπισμό και την προτεραιοποίηση ελέγχου αποκλίσεων στο λειτουργικό κόστος μικρομεσσαίων επιχειρήσεων λιανικής"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:52Z"}