Ga naar hoofdinhoud
HomePython

Cursus

Supply Chain Analytics in Python

GemiddeldVaardigheidsniveau
Bijgewerkt 04-2026
Gebruik de kracht van Python en PuLP om je toeleveringsketens te verbeteren.
Start Cursus Kosteloos
PythonExploratory Data Analysis
4 u
16 videos
48 Opdrachten
3,600 XP
21,959
Bewijs van Prestatie

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Geliefd bij leerlingen van duizenden bedrijven

Group

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Supply Chain Analytics verandert supplychain-activiteiten van gokken naar datagedreven besluitvorming. Een essentieel hulpmiddel binnen Supply Chain Analytics is optimalisatie-analyse om beslissingen te ondersteunen. Volgens Deloitte realiseert 79% van de organisaties met hoogpresterende supply chains een omzetgroei die aanzienlijk boven het gemiddelde ligt. In deze cursus maak je kennis met PuLP, een modelleertool voor Lineaire Programmering (LP) in Python. Met PuLP leer je hoe je Supply Chain-optimalisatievragen opstelt en beantwoordt, zoals waar je een productiefaciliteit het beste kunt vestigen, hoe je productievraag over verschillende locaties verdeelt, en meer. We verkennen de modelresultaten en hun implicaties via gevoeligheidsanalyse en simulaties. Deze cursus helpt je om met de kracht van Python en PuLP de besluitvorming in een supply chain te verbeteren.

Vereisten

Data Manipulation with pandas
1

Basis van supplychain-optimalisatie en PuLP

Lineaire Programmering (LP) is een kerntechniek voor supplychain-optimalisatie. Het PuLP-framework is een gebruiksvriendelijke tool voor LP-problemen en laat je focussen op het modelleren. In dit hoofdstuk leren we de basis van LP-problemen en beginnen we met het gebruik van het PuLP-framework om ze op te lossen.
Hoofdstuk beginnen
2

Modelleren in PuLP

In dit hoofdstuk gaan we verder met het modelleren van LP- en IP-problemen in PuLP. We staan stil bij het gebruik van PuLP voor grootschalige problemen. Daarnaast starten we onze casestudy over het oplossen van het Capacitated Plant Location-model.
Hoofdstuk beginnen
3

Model oplossen en evalueren

Dit hoofdstuk behandelt veelvoorkomende fouten bij het opstellen van constraints en loopt stap voor stap door het oplossen van het model. Als we een oplossing voor ons LP-model hebben, hoe weten we dan of die klopt? We bespreken ook hoe je de resultaten kunt toetsen op redelijkheid met een sanitycheck. Verder werken we door aan onze casestudy van het Capacitated Plant Location-model door alle benodigde constraints te voltooien.
Hoofdstuk beginnen
4

Gevoeligheids- en simulatie­tests van het model

In het laatste hoofdstuk bekijken we gevoeligheidsanalyse van constraints via schaduwprijzen en slack. Daarnaast kijken we naar het testen van onze LP-modellen met simulaties. Met deze technieken kun je bedrijfsgerichte vragen over je modellen beantwoorden, zoals beschikbare capaciteit en incrementele kosten. Tot slot ronden we de casestudy af en focussen we op gevoeligheidsanalyse en simulaties om vragen over ons model te beantwoorden.
Hoofdstuk beginnen
Supply Chain Analytics in Python
Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Supply Chain Analytics in Python!

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.

Download on the App StoreGet it on Google Play