| Περίληψη: | Τα τελευταία χρόνια στην Ελλάδα, όπως και στην Ευρώπη, παρατηρείται μια προσπάθεια εκσυγχρονισμού μέσω ηλεκτρονικών μέσων και νέων τεχνολογιών των διαδικασιών που αφορούν τις επιχειρήσεις με στόχο τη μείωση της γραφειοκρατίας, τη διαφάνεια και την καλύτερη οργάνωση αναπτυξιακής και οικονομικής πολιτικής από τους κεντρικούς αρμόδιους φορείς.
Σε αυτό το πλαίσιο δημιουργήθηκε το Γενικό Εμπορικό Μητρώο (ΓΕΜΗ), που αποτελεί το εθνικό μητρώο στο οποίο όλες οι επιχειρήσεις που δραστηριοποιούνται στην Ελλάδα είναι υποχρεωμένες να τηρούν τα στοιχεία της μερίδας τους. Ειδική υποχρέωση των επιχειρήσεων προς το ΓΕΜΗ για την τήρηση της μερίδας τους και για την παροχή των ψηφιακών υπηρεσιών, αποτελεί η ενιαία ετήσια συνδρομή που πρέπει να καταβάλουν στο Γ.Ε.ΜΗ, ανάλογα τη νομική τους μορφή. Τα έσοδα αυτά σύμφωνα με το νόμο αποτελούν πόρους των υπηρεσιών ΓΕΜΗ. Ενώ υπάρχουν χρονικά περιθώρια για την εξόφληση αυτών των συνδρομών στην αρχή κάθε έτους, παρατηρείται μια ασυνέπεια των επιχειρήσεων ως προς τα χρονικά αυτά διαστήματα, με αποτέλεσμα τη δυσκολία στον οικονομικό προϋπολογισμό των οργανισμών, που αποτελούν τους νόμιμους δικαιούχους των εσόδων αυτών.
Η σημαντική ανάπτυξη της Μηχανικής μάθησης οδηγεί στην χρήση αλγορίθμων μηχανικής μάθησης για την αξιοποίηση μεγάλων δεδομένων που παράγονται από συστήματα ηλεκτρονικής διακυβέρνησης με στόχο την πρόβλεψη για την καλύτερη λήψη αποφάσεων και τη βελτίωση των υπηρεσιών προς τους πολίτες και τις επιχειρήσεις.
Η διπλωματική αυτή μελέτησε την ύπαρξη patterns με χρήση αλγορίθμων μηχανικής μάθησης σε δεδομένα του ΓΕΜΗ, με σκοπό την επίτευξη προβλέψεων σε σχέση με την αναμενόμενη χρονική στιγμή που μια επιχείρηση θα πληρώσει τις συνδρομές της. Η σημασία της μελέτης αυτής έγκειται στη βοήθεια που μπορούν να προσφέρουν τέτοιες προβλέψεις σε κάθε συσχετιζόμενο οργανισμό για έναν ασφαλέστερο προϋπολογισμό για αυτά τα έσοδα.
Χρησιμοποιήθηκαν δεδομένα από 49.000 περίπου επιχειρήσεις που αντλήθηκαν από το Εμπορικό και Βιομηχανικό Επιμελητήριο Αθηνών (ΕΒΕΑ) διαφόρων νομικών μορφών για να παραχθούν κατάλληλα datasets για τη μελέτη. Σε αυτά εφαρμόστηκαν οι πέντε απλοί αλγόριθμοι μηχανικής μάθησης, J48, Naive Bayes, Sequential Minimal Optimization (SMO), Random Tree, Neural Network και οι δύο ομαδοποιημένοι Random Forest και Voting.
Στο τέλος καταλήξαμε ότι τα δεδομένα αυτά μπορούν να χρησιμοποιηθούν για την πρόβλεψη πληρωμών συνδρομών ΓΕΜΗ με ικανοποιητικά αποτελέσματα χρησιμοποιώντας ιστορικά δεδομένα τριών χρόνων για να προβλέψουν την συμπεριφορά πληρωμών για τον τέταρτο χρόνο. Οι προβλέψεις αυτές ήταν πιο επιτυχημένες όταν οι αλγόριθμοι έπρεπε να προβλέψουν αν μια πληρωμή θα γίνει εντός ή εκτός του έτους οφειλής, ενώ καθώς η προσπάθεια πρόβλεψης γινόταν για πιο συγκεκριμένα χρονικά διαστήματα εντός του έτους οφειλής, δηλαδή πρόβλεψη εντός εξαμήνων ή εντός τριμήνων αντίστοιχα, η πιθανότητα σωστής πρόβλεψης μειωνόταν. Σε κάθε περίπτωση οι προβλέψεις ακόμα και αυτές που αφορούσαν πρόβλεψη πληρωμής εντός ή εκτός έτους θεωρούνται βοηθητικές για τους οργανισμούς τους οποίους αφορούσε η μελέτη.
|
|---|
