Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Supply Chain Analytics verwandelt Aktivitäten in der Lieferkette vom Raten hin zu datenbasierten Entscheidungen. Ein zentrales Werkzeug dabei ist Optimierungsanalyse zur Entscheidungsunterstützung. Laut Deloitte erzielen 79 % der Unternehmen mit leistungsstarken Lieferketten ein deutlich überdurchschnittliches Umsatzwachstum. Dieser Kurs führt dich in PuLP ein, einen in Python geschriebenen Modellierer für Lineare Programmierung. Mit PuLP lernst du, Optimierungsfragen in der Lieferkette zu formulieren und zu beantworten, etwa wo ein Produktionsstandort liegen sollte, wie die Produktionsnachfrage auf verschiedene Werke verteilt wird und mehr. Wir untersuchen die Ergebnisse der Modelle und ihre Auswirkungen mithilfe von Sensitivitäts- und Simulationstests. Dieser Kurs hilft dir, die Entscheidungsfindung in einer Lieferkette zu verbessern, indem du die Stärken von Python und PuLP nutzt.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Grundlagen der Lieferkettenoptimierung und PuLP
Lineare Programmierung (LP) ist eine Schlüsseltechnik für die Optimierung von Lieferketten. Das PuLP-Framework ist ein einfach zu nutzendes Werkzeug für LP-Probleme und ermöglicht es dir, dich auf die Modellierung zu konzentrieren. In diesem Kapitel lernst du die Grundlagen von LP-Problemen kennen und beginnst, das PuLP-Framework zur Lösung einzusetzen.
2
Modellierung mit PuLP
In diesem Kapitel lernst du weiter, wie man LP- und IP-Probleme in PuLP modelliert. Wir gehen darauf ein, wie PuLP für großskalige Probleme genutzt wird. Außerdem starten wir unsere Fallstudie zum Lösen des Capacitated-Plant-Location-Modells.
3
Modell lösen und bewerten
Dieses Kapitel beleuchtet einige häufige Fehler bei der Erstellung von Nebenbedingungen und führt dich Schritt für Schritt durch den Lösungsprozess. Wenn wir eine Lösung für unser LP-Modell haben: Woher wissen wir, ob sie plausibel ist? In diesem Kapitel stellen wir auch einen Prozess zur Plausibilitäts- bzw. Sanity-Prüfung der Ergebnisse vor. Zudem arbeiten wir an unserer Fallstudie zum Capacitated-Plant-Location-Modell weiter, indem wir alle erforderlichen Nebenbedingungen fertigstellen.
4
Sensitivitäts- und Simulationstests des Modells
Im Abschlusskapitel betrachten wir die Sensitivitätsanalyse von Nebenbedingungen mittels Schattenpreisen und Slack. Außerdem führen wir Simulationstests für unsere LP-Modelle durch. Diese Techniken helfen uns, unterschiedliche betriebswirtschaftliche Fragen zu unseren Modellen zu beantworten, etwa verfügbare Kapazitäten und inkrementelle Kosten. Abschließend beenden wir unsere Fallstudie und nutzen Sensitivitätsanalyse und Simulationstests, um Fragen zu unserem Modell zu beantworten.
Supply Chain Analytics mit Python
Kurs
abgeschlossen
