After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
Supply Chain Analytics ช่วยเปลี่ยนการตัดสินใจในห่วงโซ่อุปทานจากการคาดเดา ให้กลายเป็นการตัดสินใจที่อิงข้อมูลจริง เครื่องมือสำคัญในด้านนี้คือการวิเคราะห์เชิงการเพิ่มประสิทธิภาพ (Optimization) เพื่อสนับสนุนการตัดสินใจ จากรายงานของ Deloitte พบว่า 79% ขององค์กรที่มีห่วงโซ่อุปทานประสิทธิภาพสูงสามารถสร้างรายได้สูงกว่าค่าเฉลี่ยอย่างมีนัยสำคัญ คอร์สนี้จะแนะนำ PuLP ซึ่งเป็นเครื่องมือสำหรับการสร้างโมเดล Linear Programming ที่เขียนด้วย Python โดยจะแสดงวิธีกำหนดและแก้ปัญหาการเพิ่มประสิทธิภาพในห่วงโซ่อุปทาน เช่น การเลือกทำเลที่ตั้งโรงงาน การจัดสรรกำลังการผลิตระหว่างโรงงานต่างๆ และอื่นๆ อีกมาก นอกจากนี้ยังจะสำรวจผลลัพธ์ของโมเดลและการนำไปใช้ผ่านการทดสอบ Sensitivity และ Simulation คอร์สนี้จะช่วยยกระดับทักษะการตัดสินใจในห่วงโซ่อุปทานโดยใช้พลังของ Python และ PuLP
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
พื้นฐานการเพิ่มประสิทธิภาพห่วงโซ่อุปทานและ PuLP
Linear Programming (LP) เป็นเทคนิคสำคัญสำหรับการเพิ่มประสิทธิภาพห่วงโซ่อุปทาน PuLP เป็นเครื่องมือที่ใช้งานง่ายสำหรับการจัดการปัญหา LP และช่วยให้ผู้เขียนโปรแกรมมุ่งเน้นที่การสร้างโมเดลได้อย่างเต็มที่ ในบทนี้จะเรียนรู้พื้นฐานของปัญหา LP และเริ่มต้นใช้งาน PuLP เพื่อแก้ปัญหาเหล่านั้น
2
การสร้างโมเดลใน PuLP
ในบทนี้จะเรียนรู้การสร้างโมเดลปัญหา LP และ IP ใน PuLP เพิ่มเติม รวมถึงการใช้ PuLP สำหรับปัญหาขนาดใหญ่ นอกจากนี้ยังเริ่มต้นกรณีศึกษาเกี่ยวกับการแก้ปัญหา Capacitated Plant Location Model อีกด้วย
3
การแก้และประเมินโมเดล
บทนี้ทบทวนข้อผิดพลาดที่พบบ่อยในการสร้าง Constraint และอธิบายขั้นตอนการแก้โมเดลทีละขั้น เมื่อได้ผลลัพธ์จากโมเดล LP แล้ว จะมีกระบวนการตรวจสอบความสมเหตุสมผลของผลลัพธ์นั้นด้วย นอกจากนี้ยังดำเนินการกรณีศึกษา Capacitated Plant Location Model ต่อโดยเพิ่ม Constraint ที่จำเป็นให้ครบถ้วน
4
การทดสอบ Sensitivity และ Simulation ของโมเดล
ในบทสุดท้ายนี้จะทบทวนการวิเคราะห์ Sensitivity ของ Constraint ผ่าน Shadow Price และ Slack รวมถึงการทดสอบ Simulation กับโมเดล LP เทคนิคเหล่านี้ช่วยตอบคำถามทางธุรกิจเกี่ยวกับโมเดล เช่น กำลังการผลิตที่มีอยู่และต้นทุนส่วนเพิ่ม สุดท้ายจะจบกรณีศึกษาโดยเน้นการใช้การวิเคราะห์ Sensitivity และการทดสอบ Simulation เพื่อตอบคำถามเกี่ยวกับโมเดล
Supply Chain Analytics ด้วย Python
เรียนจบแล้ว
