Στην παρούσα διπλωματική εργασία θα ασχοληθούμε με την ομαδοποίηση και τη μοντελοποίηση δεδομένων από ένα ολοκληρωμένο σύστημα καταγραφής και παρακολούθησης βλαβών εξοπλισμού ενός οργανισμού, αξιοποιώντας δεδομένα από τη βάση καταγραφής βλαβών του Δήμου Κέρκυρας. Ο κύριος στόχος είναι η ανάλυση των δεδομένων ώστε να διευκολυνθεί η λήψη αποφάσεων για την καλύτερη διαχείριση των πόρων. Αρχικά, θα αναφερθούμε συνοπτικά σε αλγόριθμους ομαδοποίησης (clustering), όπως η Ιεραρχική Ομαδοποίηση, ο K-Means, ο Fuzzy C-Means και ο DBSCAN. Στη μοντελοποίηση (modeling), θα εξετάσουμε δύο μοντέλα: το γραμμικό και το μη γραμμικό, καθώς και τη διαδικασία επικύρωσής τους. Το πρώτο βήμα θα είναι η δημιουργία μιας βάσης δεδομένων για τις ανάγκες της εργασίας. Στη συνέχεια, θα πραγματοποιηθεί η μετάπτωση και η προετοιμασία των δεδομένων από τη βάση δεδομένων του Δήμου Κέρκυρας στη νέα βάση, μέσω SQL ερωτημάτων. Μετά τη δημιουργία της βάσης, θα αναπτύξουμε μια εφαρμογή σε γλώσσα Java για την παρουσίαση των αποτελεσμάτων της ομαδοποίησης δύο μεταβλητών: του χρόνου αποκατάστασης και του κόστους επισκευής μιας βλάβης. Θα εξετάσουμε τόσο κάθε μεταβλητή ξεχωριστά όσο και τον συνδυασμό τους, χρησιμοποιώντας τον αλγόριθμο K-Means. Επιπλέον, η εφαρμογή θα δημιουργεί δύο μοντέλα πρόβλεψης ένα γραμμικό και ένα μη γραμμικό προκειμένου να βελτιωθεί η ακρίβεια των προβλέψεων. Θα παρέχει τη δυνατότητα επιλογής συγκεκριμένου χρονικού διαστήματος από το σύνολο των δεδομένων και θα παρουσιάζει τη συνάρτηση του μοντέλου, το άθροισμα του τετραγωνικού σφάλματος και το διάγραμμα διασποράς. Στο τελευταίο κεφάλαιο, θα διαπιστώσουμε ότι η χρήση του K-Means μπορεί να προσφέρει πολύτιμες πληροφορίες σχετικά με τον χρόνο και του κόστος αποκατάστασης των βλαβών, ενώ τα μοντέλα πρόβλεψης αποτελούν μια αξιόπιστη λύση για τη λήψη αποφάσεων. Συμπερασματικά, η εφαρμογή που αναπτύχθηκε μπορεί να αποτελέσει ένα χρήσιμο εργαλείο για έναν οργανισμό, συμβάλλοντας στον προγραμματισμό και τη βελτιστοποίηση της κατανομής των διαθέσιμων πόρων.

In this thesis, we will focus on the clustering and modeling of data from an integrated system for recording and monitoring equipment failures within an organization, utilizing data from the failure recording database of the Municipality of Corfu. The main objective is to analyze the data to facilitate decision-making for better resource management. Initially, we will briefly discuss clustering algorithms such as Hierarchical Clustering, K-Means, Fuzzy C-Means, and DBSCAN. Regarding modeling, we will examine two models: linear and nonlinear, as well as the validation process of these models. The first step will be the creation of a database tailored to the needs of the study. Subsequently, we will handle the migration and preparation of data from the Municipality of Corfu’s database to our newly developed database using SQL queries. After setting up the database, we will develop a Java-based application to present the clustering results of two variables: fault recovery time and repair cost. We will analyze each variable separately as well as their combination using the K-Means algorithm. Additionally, the application will generate two predictive models – one linear and one nonlinear – to improve forecast accuracy. It will provide the ability to select a specific time period from the dataset and display the model function, the sum of squared errors, and the scatter plot. In the final chapter, we will observe that using K-Means can offer valuable insights into fault recovery time and repair cost, while predictive models serve as a reliable solution for decision-making. In conclusion, the developed application can serve as a useful tool for an organization, contributing to the planning and optimization of resource allocation.