Ο δημόσιος τομέας αποτελεί βασικό δομικό στοιχείο της κοινωνικής οργάνωσης, παρέχοντας ζωτικές υπηρεσίες προς τους πολίτες, μέσω της αποκλειστικής – σε αρκετές περιπτώσεις – διαχείρισης κρίσιμων πόρων. Τόσο ο τρόπος όσο και η διαδικασία με την οποία λαμβάνονται οι αποφάσεις από τη Διοίκηση σχετικά με την ορθολογική διαχείριση των διαθέσιμων πόρων, αποτελούν βασική παράμετρο για την επιτυχή άσκηση της πολιτικής και διοικητικής λειτουργίας. Η εν λόγω διαδικασία συχνά επηρεάζεται από παράγοντες όπως πολιτικές και κοινωνικές παρεμβάσεις, διοικητική πολυπλοκότητα, ελλιπή ή διάσπαρτα δεδομένα, καθώς και από περιορισμένους οικονομικούς και ανθρώπινους πόρους.

Ιδιαίτερα η Τοπική Αυτοδιοίκηση (ΟΤΑ Α’ βαθμού – Δήμοι) καλείται να διαχειριστεί πολύπλοκα ζητήματα που σχετίζονται με τη βέλτιστη αξιοποίηση των διαθέσιμων πόρων προς όφελος της τοπικής κοινωνίας. Προκλήσεις όπως η μείωση του ενεργειακού κόστους και του κόστους συλλογής απορριμμάτων, απαιτούν σύγχρονα εργαλεία υποστήριξης για την ορθολογική κατανομή των διαθέσιμων οικονομικών και ανθρώπινων πόρων. Η αυξανόμενη διαθεσιμότητα δεδομένων (οικονομικών, ενεργειακών, γεωχωρικών, κοινωνικών, περιβαλλοντικών) καθιστά ελκυστική την ενσωμάτωση μεθόδων Μηχανικής Μάθησης (Machine Learning - ML) στην υποστήριξη της λήψης αποφάσεων.

Η εφαρμογή τεχνικών Machine Learning - ML στον δημόσιο τομέα εξελίσσεται ραγδαία, προσφέροντας σημαντικές δυνατότητες για την ενίσχυση της αποτελεσματικότητας και της διαφάνειας των διοικητικών λειτουργιών. Ειδικότερα, η αξιοποίηση Συστημάτων Υποστήριξης Αποφάσεων (Decision Support Systems - DSS) σε επίπεδο Οργανισμών Τοπικής Αυτοδιοίκησης (ΟΤΑ) πρώτου βαθμού, δύναται να λειτουργήσει ως μοχλός μετασχηματισμού της δημόσιας διοίκησης προς όφελος των τοπικών κοινωνιών, ενσωματώνοντας χαρακτηριστικά όπως η ευελιξία, η απόδοση και η λογοδοσία.

Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη και εφαρμογή αλγοριθμικών μοντέλων Μηχανικής Μάθησης, αξιοποιώντας επιχειρησιακά δεδομένα ενός Ο.Τ.Α. που εντάσσεται στους Μεγάλους Ηπειρωτικούς Δήμους, με στόχο τη βελτίωση της διοικητικής αποδοτικότητας και την υποστήριξη στρατηγικών αποφάσεων στον κρίσιμο τομέα της ενεργειακής διαχείρισης. Εξετάζονται τεχνικές επιβλεπόμενης μάθησης (π.χ. Random Forests, Gradient Boosting) για την πρόβλεψη της κατανάλωσης ηλεκτρικής ενέργειας σε δημοτικά κτίρια και υποδομές, με σκοπό τον  σχεδιασμό παρεμβάσεων ενεργειακής αναβάθμισης. Τα αποτελέσματα αναδεικνύουν τη δυναμική των μεθόδων Machine Learning - ML στην παροχή τεκμηριωμένων υποδείξεων, ενισχύοντας τόσο την επιχειρησιακή λειτουργία όσο και τον στρατηγικό σχεδιασμό των Ο.Τ.Α. Παράλληλα, αναλύονται οι προκλήσεις που ανακύπτουν σχετικά με τη διαχείριση και ποιότητα των δημόσιων δεδομένων, την ανάγκη για διαφάνεια και ερμηνευσιμότητα (Explainable AI) των αλγορίθμων, καθώς και τα ηθικά διλήμματα που συνοδεύουν την αυτοματοποιημένη λήψη αποφάσεων στον δημόσιο τομέα.

The public sector constitutes a fundamental structural component of social organization, providing vital services to citizens through the exclusive — in several cases — management of critical resources. Both the manner and the process by which decisions are made by the Administration regarding the rational management of available resources constitute a key parameter for the successful exercise of political and administrative functions. This process is often influenced by factors such as political interventions, administrative complexity, incomplete or fragmented data, as well as limited financial and human resources.

In particular, Local Government Authorities (first-level local authorities — Municipalities) are called upon to manage complex issues related to the optimal utilization of available resources for the benefit of the local community. Challenges such as reducing energy costs and waste collection costs require modern support tools for the rational allocation of available financial and human resources. The increasing availability of data (financial, energy-related, geospatial, social, and environmental) makes the integration of Machine Learning (ML) methods into decision-making support especially attractive.

The application of Machine Learning (ML) techniques in the public sector is developing rapidly, offering significant potential for enhancing the efficiency and transparency of administrative functions. More specifically, the utilization of Decision Support Systems (DSS) at the level of first-degree Local Government Organizations (LGOs) can serve as a lever for transforming public administration for the benefit of local communities, by incorporating features such as flexibility, performance, and accountability.

This study focuses on the development and application of algorithmic Machine Learning models, utilizing operational data from a Local Government Organization classified among the Large Mainland Municipalities, with the aim of improving administrative efficiency and supporting strategic decision-making. Supervised learning techniques (e.g., Random Forests, Gradient Boosting) are examined for forecasting electricity consumption in municipal buildings and infrastructure, with the goal of planning energy-upgrade interventions. The results highlight the potential of Machine Learning (ML) methods to provide evidence-based recommendations, strengthening both the operational function and the strategic planning of Local Government Organizations. At the same time, the study analyzes the challenges arising in relation to the management and quality of public data, the need for transparency and interpretability (Explainable AI) of algorithms, as well as the ethical dilemmas accompanying automated decision-making in the public sector.