Przejdź do głównej treści
Strona głównaPython

Kurs

Analityka łańcucha dostaw w Pythonie

ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 04.2026
Optymalizuj łańcuchy dostaw dzięki mocy Python i PuLP.
Zacznij kurs za darmo
PythonExploratory Data Analysis
4 godz.
16 filmów
48 Ćwiczeń
3,600 XP
21,947
Zaświadczenie o ukończeniu

Utwórz bezpłatne konto

Kontynuuj z GooglePokaż więcej opcji

lub


Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.

Uwielbiany przez kursantów z tysięcy firm

Group

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Analityka łańcucha dostaw przekształca zarządzanie łańcuchem dostaw – zamiast działać intuicyjnie, zaczyna się podejmować decyzje oparte na danych. Kluczowym narzędziem w tej dziedzinie jest analiza optymalizacyjna. Według Deloitte, 79% organizacji z wydajnym łańcuchem dostaw osiąga wzrost przychodów znacznie powyżej średniej. Ten kurs wprowadzi cię w świat PuLP – narzędzia do programowania liniowego napisanego w Pythonie. Dzięki PuLP nauczysz się formułować i rozwiązywać problemy optymalizacyjne w łańcuchu dostaw: gdzie zlokalizować zakład produkcyjny, jak rozdzielić popyt między różne obiekty i wiele więcej. Przeanalizujemy wyniki modeli oraz ich implikacje za pomocą testów wrażliwości i symulacji. Kurs pozwoli ci podnieść jakość decyzji w łańcuchu dostaw, wykorzystując możliwości Pythona i PuLP.

Wymagania wstępne

Data Manipulation with pandas
1

Basics of supply chain optimization and PuLP

Linear Programming (LP) is a key technique for Supply Chain Optimization. The PuLP framework is an easy to use tool for working with LP problems and allows the programmer to focus on modeling. In this chapter we learn the basics of LP problems and start to learn how to use the PuLP framework to solve them.
Zacznij rozdział
2

Modeling in PuLP

In this chapter we continue to learn how to model LP and IP problems in PuLP. We touch on how to use PuLP for large scale problems. Additionally, we begin our case study example on how to solve the Capacitated Plant location model.
Zacznij rozdział
3

Solve and evaluate model

This chapter reviews some common mistakes made when creating constraints, and step through the process of solving the model. Once we have a solution to our LP model, how do we know if it is correct? In this chapter we also review a process for reasonableness checking or sanity checking the results. Furthermore, we continue working through our case study example on the Capacitated Plant location model by completing all the needed constraints.
Zacznij rozdział
4

Sensitivity and simulation testing of model

In our final chapter we review sensitivity analysis of constraints through shadow prices and slack. Additionally, we look at simulation testing our LP models. These different techniques allow us to answer different business-related questions about our models, such as available capacity and incremental costs. Finally, we complete our case study exercise and focus on using sensitivity analysis and simulation testing to answer questions about our model.
Zacznij rozdział
Analityka łańcucha dostaw w Pythonie
Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracy
Zapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Analityka łańcucha dostaw w Pythonie już dziś!

Utwórz bezpłatne konto

Kontynuuj z GooglePokaż więcej opcji

lub


Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.