Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
La analítica de la cadena de suministro transforma actividades basadas en conjeturas en decisiones fundamentadas en datos. Una herramienta esencial en Supply Chain Analytics es el análisis de optimización para apoyar la toma de decisiones. Según Deloitte, el 79% de las organizaciones con cadenas de suministro de alto rendimiento logran crecimientos de ingresos significativamente superiores a la media. Este curso te presentará PuLP, un modelador de optimización de Programación Lineal escrito en Python. Con PuLP, el curso te mostrará cómo formular y responder preguntas de optimización de la cadena de suministro, como dónde ubicar una planta de producción, cómo distribuir la demanda de producción entre distintas instalaciones y más. Exploraremos los resultados de los modelos y sus implicaciones mediante pruebas de sensibilidad y simulación. Este curso te ayudará a situarte para mejorar la toma de decisiones en una cadena de suministro aprovechando la potencia de Python y PuLP.
Requisitos previos
Programa de formación
Esquema del curso
1
Fundamentos de la optimización de la cadena de suministro y PuLP
La Programación Lineal (LP) es una técnica clave para la optimización de la cadena de suministro. El framework PuLP es una herramienta fácil de usar para trabajar con problemas de LP y permite al programador centrarse en el modelado. En este capítulo aprendemos los fundamentos de los problemas de LP y empezamos a ver cómo usar el framework PuLP para resolverlos.
2
Modelado en PuLP
En este capítulo seguimos aprendiendo a modelar problemas de LP e IP en PuLP. También veremos cómo usar PuLP para problemas a gran escala. Además, comenzamos nuestro caso de estudio sobre cómo resolver el modelo de localización de plantas con capacidad (Capacitated Plant Location).
3
Resolver y evaluar el modelo
Este capítulo repasa algunos errores comunes al crear restricciones y recorre el proceso de resolver el modelo. Una vez que tenemos una solución a nuestro modelo de LP, ¿cómo sabemos si es correcta? En este capítulo también revisamos un proceso para comprobar la razonabilidad o hacer una verificación de cordura de los resultados. Asimismo, continuamos con nuestro caso de estudio del modelo de localización de plantas con capacidad completando todas las restricciones necesarias.
4
Pruebas de sensibilidad y simulación del modelo
En el capítulo final revisamos el análisis de sensibilidad de las restricciones mediante precios sombra y holgura. Además, veremos pruebas de simulación de nuestros modelos de LP. Estas técnicas nos permiten responder a distintas preguntas de negocio sobre nuestros modelos, como la capacidad disponible y los costes incrementales. Por último, completamos nuestro ejercicio de caso de estudio y nos centramos en usar el análisis de sensibilidad y las pruebas de simulación para responder preguntas sobre nuestro modelo.
Analítica de la cadena de suministro en Python
Curso
completado
