Build your ultimate AI agent
Kursbeskrivning
Supply Chain Analytics omvandlar försörjningskedjans aktiviteter från gissningar till datadrivna beslut. Ett centralt verktyg inom Supply Chain Analytics är optimeringsanalys som stöd för beslutsfattande. Enligt Deloitte uppnår 79 % av organisationer med högpresterande försörjningskedjor en intäktstillväxt som är betydligt över genomsnittet. Den här kursen introducerar dig till PuLP, ett linjärprogrammeringsverktyg skrivet i Python. Med hjälp av PuLP får du lära dig att formulera och lösa optimeringsuppgifter inom Supply Chain – till exempel var en produktionsanläggning bör placeras och hur produktionsefterfrågan ska fördelas mellan olika anläggningar. Vi analyserar modellernas resultat och konsekvenser genom känslighetsanalys och simuleringstestning. Kursen ger dig verktygen att förbättra beslutsfattandet i en försörjningskedja med hjälp av Python och PuLP.
Förkunskapskrav
Kursplan
Kursöversikt
1
Grunderna i supply chain-optimering och PuLP
Linjärprogrammering (LP) är en viktig teknik inom supply chain-optimering. PuLP är ett lättanvänt ramverk för att arbeta med LP-problem och låter dig fokusera på modelleringen. I det här kapitlet lär du dig grunderna i LP-problem och börjar använda PuLP-ramverket för att lösa dem.
2
Modellering i PuLP
I det här kapitlet fortsätter vi att lära oss modellera LP- och IP-problem i PuLP. Vi går igenom hur PuLP används för storskaliga problem. Dessutom inleder vi en fallstudie om hur man löser modellen för kapacitetsbegränsad anläggningsplacering.
3
Lös och utvärdera modellen
Det här kapitlet tar upp vanliga misstag vid formulering av begränsningar och går igenom processen för att lösa modellen. När vi väl har en lösning på vår LP-modell – hur vet vi att den är rimlig? Vi går också igenom ett tillvägagångssätt för rimlighets- och konsistenskontroll av resultaten. Vidare fortsätter vi med vår fallstudie om modellen för kapacitetsbegränsad anläggningsplacering och lägger till alla nödvändiga begränsningar.
4
Känslighets- och simuleringstestning av modellen
I det avslutande kapitlet går vi igenom känslighetsanalys av begränsningar med hjälp av skuggpriser och slack. Vi tittar också på simuleringstestning av LP-modeller. Dessa tekniker gör det möjligt att besvara olika affärsfrågor om modellerna – till exempel tillgänglig kapacitet och marginalkostnader. Slutligen avslutar vi vår fallstudie och fokuserar på att använda känslighetsanalys och simuleringstestning för att besvara frågor om modellen.
Supply Chain Analytics i Python
Kurs
slutförd
