After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
La Supply Chain Analytics trasforma le attività della supply chain da congetture a decisioni guidate dai dati. Uno strumento fondamentale è l’analisi di ottimizzazione per supportare il decision making. Secondo Deloitte, il 79% delle organizzazioni con supply chain ad alte prestazioni raggiunge una crescita dei ricavi significativamente superiore alla media. In questo corso ti presenteremo PuLP, un modellatore per programmi lineari scritto in Python. Con PuLP vedrai come formulare e risolvere problemi di ottimizzazione della supply chain, ad esempio dove localizzare uno stabilimento produttivo, come distribuire la domanda di produzione tra diversi impianti e altro ancora. Esploreremo i risultati dei modelli e le loro implicazioni tramite analisi di sensitività e test di simulazione. Questo corso ti aiuterà a migliorare il processo decisionale di una supply chain sfruttando la potenza di Python e PuLP.
Prerequisiti
Curriculum
Programma del corso
1
Nozioni di base sull’ottimizzazione della supply chain e PuLP
La Programmazione Lineare (LP) è una tecnica chiave per l’ottimizzazione della supply chain. Il framework PuLP è uno strumento semplice da usare per lavorare con problemi LP e consente a chi programma di concentrarsi sulla modellazione. In questo capitolo impariamo le basi dei problemi LP e iniziamo a usare il framework PuLP per risolverli.
- Basi dell'ottimizzazione50 XP
- LP o non IP?50 XP
- Scegliere la routine di allenamento50 XP
- Nozioni di base della modellazione con PuLP50 XP
- Prime operazioni con LpProblem()50 XP
- Esercizio semplice di pianificazione delle risorse100 XP
- Uso di lpSum50 XP
- Provare lpSum100 XP
- Problema di pianificazione logistica100 XP
2
Creare modelli in PuLP
In questo capitolo continuiamo a imparare come modellare problemi LP e IP in PuLP. Vediamo anche come usare PuLP per problemi su larga scala. Inoltre, iniziamo il nostro caso di studio su come risolvere il modello di localizzazione di impianti con capacità (Capacitated Plant Location).
3
Risoluzione e valutazione del modello
Questo capitolo rivede alcuni errori comuni nella creazione dei vincoli e illustra il processo di risoluzione del modello. Una volta ottenuta una soluzione al nostro modello LP, come facciamo a capire se è corretta? In questo capitolo esaminiamo anche un processo per verificare la ragionevolezza (sanity check) dei risultati. Proseguiamo inoltre con il caso di studio sul modello di localizzazione di impianti con capacità completando tutti i vincoli necessari.
4
Analisi di sensitività e test di simulazione del modello
Nel capitolo finale rivediamo l’analisi di sensitività dei vincoli tramite shadow price e slack. Inoltre, vediamo come eseguire test di simulazione sui nostri modelli LP. Queste tecniche ci permettono di rispondere a diverse domande di business sui modelli, come la capacità disponibile e i costi incrementali. Infine, completiamo il nostro esercizio di caso di studio e ci concentriamo sull’uso di analisi di sensitività e test di simulazione per rispondere alle domande sul modello.
Analytics per la supply chain con Python
Corso
completato
