Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
A Análise de Cadeia de Suprimentos transforma atividades de suposição em decisões baseadas em dados. Uma ferramenta essencial nessa área é a análise de otimização para apoiar a tomada de decisão. Segundo a Deloitte, 79% das organizações com cadeias de suprimentos de alto desempenho alcançam crescimento de receita significativamente acima da média. Este curso apresenta o PuLP, um modelador de programação linear escrito em Python. Com o PuLP, você vai aprender a formular e responder perguntas de otimização da cadeia de suprimentos, como onde localizar uma unidade de produção, como alocar a demanda de produção entre diferentes instalações e muito mais. Vamos explorar os resultados dos modelos e seus impactos por meio de análise de sensibilidade e testes de simulação. Este curso vai ajudar você a melhorar a tomada de decisão em uma cadeia de suprimentos aproveitando o poder do Python e do PuLP.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Noções básicas de otimização de cadeia de suprimentos e PuLP
Programação Linear (LP) é uma técnica fundamental para otimização da cadeia de suprimentos. O framework PuLP é uma ferramenta fácil de usar para trabalhar com problemas de LP e permite que você foque na modelagem. Neste capítulo, você aprende o básico sobre problemas de LP e começa a usar o PuLP para resolvê-los.
- Noções básicas de otimização50 XP
- Ser LP ou não ser IP?50 XP
- Escolhendo a rotina de exercícios50 XP
- Noções básicas de modelagem com PuLP50 XP
- Começando com LpProblem()50 XP
- Exercício simples de programação de recursos100 XP
- Usando lpSum50 XP
- Experimentando o lpSum100 XP
- Problema de planejamento logístico100 XP
2
Modelagem no PuLP
Neste capítulo, continuamos aprendendo como modelar problemas de LP e IP no PuLP. Também abordamos como usar o PuLP em problemas de grande escala. Além disso, iniciamos nosso estudo de caso sobre como resolver o modelo de localização de plantas com capacidade limitada (Capacitated Plant Location).
3
Resolver e avaliar o modelo
Este capítulo revisa alguns erros comuns ao criar restrições e percorre o processo de resolver o modelo. Depois de obter uma solução para nosso modelo de LP, como saber se ela está correta? Aqui também revisamos um processo de verificação de razoabilidade (sanity check) dos resultados. Além disso, continuamos o estudo de caso do modelo de localização de plantas com capacidade limitada, concluindo todas as restrições necessárias.
4
Testes de sensibilidade e simulação do modelo
No capítulo final, revisamos a análise de sensibilidade das restrições por meio de preços-sombra e folga. Também analisamos testes de simulação nos modelos de LP. Essas técnicas permitem responder a diferentes questões de negócio sobre nossos modelos, como capacidade disponível e custos incrementais. Por fim, concluímos nosso estudo de caso, focando no uso de análise de sensibilidade e testes de simulação para responder perguntas sobre o modelo.
Análise de Cadeia de Suprimentos em Python
Curso
concluído
