테크닉 067 : 최적 생산 계획이 제약 조건을 만족하는지 확인하자 이전 글에 이어 최적 생산 계획이 제약 조거늘 만족하는지 확인할 것이다. 최적화 문제를 풀 때 가장 주의할 점은 최적화 계산을 한 결과를 이해하지 않고 그냥 받아들이면 안 된다는 것이다. 생산 최적화에 있어 결과를 이해하는 방법에는 먼저 제약 조건으로 규정한 "각 원료의 사용량"이 어느 정도이고 그것이 "재고를 효율적으로 이용하고 있는가"를 알아보는 방법이다. def condition_stock(df_plan, df_material, df_stock): flag = np.zeros(len(df_material.columns)) for i in range(len(df_material.columns)): temp_sum = 0 for j i..

테크닉 051~060을 통해 최적의 물류 계획을 세우기 위한 흐름을 배워보았다. 만약 "당신이 가지고 있는 데이터 분석 기술을 이용해서 우리 회사의 경영 현황을 계산해주세요"라는 의뢰를 받으면 그 업무를 어떻게 수행할까? 이 장에서는 몇 개의 라이브러리를 이용해 최적화 계산을 진행할 것이다. 고객 요청 회사의 제조에서 물류까지의 전체 흐름 중 어디에 비용 개선 가능성이 있는지 분석해 주셨으면 합니다. 전제조건 : 대리점(P, Q)가 있고 판매되는 상품군(제품 A, B)에는 일정 수요가 예측되어 있어, 이 수요량을 근거로 공장(공장 X, Y)에서의 생산량을 결정한다. 각 공장에서 대리점으로까지의 운송비, 재고 비용들을 고려해서 결정 테크닉 061 : 운송 최적화 문제를 풀어보자 운송 최적화 문제를 풀어볼 ..

테크닉 056 : 운송 경로 정보를 불러오자 이번 글에는 본격적으로 물류 데이터를 이용해 최적화를 진행해 볼 것이다. # 데이터 불러오기 df_tr = pd.read_csv('data/6장/trans_route.csv', index_col = '공장') df_tr.head() 결과를 보면 어느 창고에서 어느 공장으로의 물류가 많은지는 알 수 있다. 그러면 네트워크 가시화를 이용해 운송 경로를 가시화해 보자. df_pos = pd.read_csv('data/6장/trans_route_pos.csv') # 객체 생성 G = nx.Graph() # 노드 설정 for i in range(len(df_pos.columns)): G.add_node(df_pos.columns[i]) # 엣지 설정 및 가중치 리스트화..

3부 최적화 6장 물류의 최적경로를 컨설팅하는 테크닉 10 분석 목표 : 물류의 기초가 되는 '운송 최적화'를 검토하고 기초적인 테크닉 배우기 전제조건 각 창고와 공장 구간의 운송 비용은 과거 데이터에서 정략적으로 계산돼 있음 집계 기간은 2019년 1월 1일 ~ 2019년 12월 31일 북부지사와 남부지사의 데이처를 시스템에서 추출 테크닉 051 : 물류 데이터를 불러오자 import pandas as pd # 공장데이터 factories = pd.read_csv('data/6장/tbl_factory.csv', index_col = 0) factories # 창고데이터 warehouse = pd.read_csv('data/6장/tbl_warehouse.csv', index_col = 0) warehou..

Edwith 강의를 통해 [캐글 실습으로 배우는 데이터 사이언스] 강의를 들었다. 교육 과정에 자전거 수요 예측 강의를 듣고 캐글 실습을 시작하게 되었다. 기초로 진행하기엔 좋은 데이터 분석이라 생각하여 직접 캐글로 진행해보았다. 데이터셋은 아래의 링크에 있다. https://www.kaggle.com/c/bike-sharing-demand Bike Sharing Demand | Kaggle www.kaggle.com 1. 모듈 불러오기 import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from scipy import stats import matplotlib as mpl %matplotl..