Build your ultimate AI agent
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
Program kursu
Plan kursu
1
Podstawy optymalizacji łańcucha dostaw i PuLP
Programowanie liniowe (LP) to kluczowa technika optymalizacji łańcucha dostaw. PuLP to wygodne narzędzie do pracy z problemami LP, które pozwala skupić się na modelowaniu. W tym rozdziale poznasz podstawy programowania liniowego i zaczniesz uczyć się, jak używać PuLP do rozwiązywania takich problemów.
2
Modelowanie w PuLP
W tym rozdziale kontynuujemy naukę modelowania problemów LP i IP w PuLP. Zobaczysz, jak używać PuLP do problemów na dużą skalę. Rozpoczniemy też studium przypadku dotyczące rozwiązania modelu lokalizacji zakładów z ograniczoną pojemnością.
3
Rozwiązywanie i ocena modelu
Ten rozdział omawia typowe błędy przy tworzeniu ograniczeń i przeprowadza przez cały proces rozwiązywania modelu. Skąd wiedzieć, czy uzyskane rozwiązanie jest poprawne? Poznasz tu proces weryfikacji wyników pod kątem ich sensowności. Kontynuujemy również studium przypadku dotyczące modelu lokalizacji zakładów z ograniczoną pojemnością, uzupełniając wszystkie niezbędne ograniczenia.
4
Analiza wrażliwości i testowanie symulacyjne modelu
W ostatnim rozdziale omawiamy analizę wrażliwości ograniczeń za pomocą cen cienia i luzu. Przyjrzymy się też testowaniu symulacyjnemu modeli LP. Te techniki pozwalają odpowiadać na różne pytania biznesowe dotyczące modelu – takie jak dostępna pojemność czy koszty krańcowe. Na zakończenie rozwiążemy studium przypadku, skupiając się na wykorzystaniu analizy wrażliwości i symulacji do wyciągania wniosków z modelu.
Analityka łańcucha dostaw w Pythonie
Kurs
ukończony
