Upload
lamkhanh
View
230
Download
0
Embed Size (px)
Citation preview
Willkommen!
1
SPSS und CPLEX die perfekte Symbiose von
Prädiktiver Analytikund
Entscheidungsoptimierung
IBM Analytics RoadshowFrankfurt, 06. Oktober 2015 2
Hermann StolleClient Solution ProfessionalIBM Decision Optimization
Hans SchlenkerClient Solution Professional IBM Decision Optimization
3
SPSS und CPLEXVon Einsicht und Vorausschau zu Entscheidungen
Grundlagen für EntscheidungsoptimierungLive Demo
4
5
Logistik
FinanceBetrugserkennung
Marketing
Instandhaltung
Produktion
6
Prädikative AnalytikWarum geschah? Was wird geschehen
Präskritptive AnalytikWas sollen wir tun?
Deskriptive AnalytikWas ist geschehen?
Unternehmensnutzen
Wettbewerbs-Vorteil
+
+
Standard/ad hoc Berichte Abfragen, Listen
OptimierungManagement von Unsicherheiten
Prädikatives Modell, Prognose, Simulation, Warnungen
Präskriptive Analytik für Planung und Aktionen
7
IBM Analytik: Entscheidungen im Takt des Geschäfts
EinsichtInformation Plan
AuswahlAnalyse Aktion
Ein fachliches Problem
xPt = 1 wenn Block P zur Zeit t genutzt, 0 sonstcp = FixkostenyPt = produktion in Block P zur Zeit tnP = Variable Kosten
Minimiere cp xpt + nP yPt
Nebenbedingungen• Produktions Kapazitäten• Wartungsbedingungen• Bedarf
-35
-25
-15
-5
5
15
25
35
2008
Jan
*
Feb*
Mar
*
Apr*
w 1
9
w 2
0
w 2
1
w 2
2
w 2
3
w 2
4
w 2
5
w 2
6
w 2
7
w 2
8
w 2
9
w 3
0
w 3
1
w 3
2
w 3
3
w 3
4
w 3
5
w 3
6
w 3
7
w 3
8
w 3
9
w 4
0
w 4
1
w 4
2
w 4
3
w 4
4
w 4
5
w 4
6
w 4
7
w 4
8
w 4
9
w 5
0
w 5
1
w 5
2
Cont
rib
utio
n R
elat
ive
to A
pr0
8 Q
S61
Bas
elin
e (£
k)
Realised Benefit Missed Opportunity Actual ≠ QS61 or Optimal
ResultateOptimierte Lösungen
Produktionskosten minimieren
Ein mathematisches Modell
Modellierung/Integration mit Decision Optimization Produkten
Decision Optimization Engines
Java, C++, oder .Net interfaces
CPLEXCPO
Wie funktioniert Optimierung?
8
Meistens ist das Ergebnis ein PLAN
How Does Optimization Work?
xPt = 1 wenn Block P zur Zeit t genutzt, 0 sonstcp = FixkostenyPt = produktion in Block P zur Zeit tnP = Variable Kosten
Minimiere cp xpt + nP yPt
Nebenbedingungen• Produktions Kapazitäten• Wartungsbedingungen• BedarfEin fachliches Problem
Ein mathematisches Modell
Modellierung/Integration mit Decision Optimization Produkten
Decision Optimization Engines
Java, C++, oder .Net interfaces
CPLEXCPO
9
• Ein (OPL‐) Modell spezifiert das Problem• Variablen, Nebenbedingungen, Ziele• Das generische Modell wird mit Daten gefüllt.
• CPLEX engine löst das Problem mit Spezial‐Algorithmen.
• Lösung: Ein Plan oder ein Fahrplan
How Does Optimization Work?
10
11
• TLC+D: Targets, Limits, Choices + Daten
• Daten (Eingabe)• Bedarfe, Produkte, Kosten, Vorlaufzeit, Rezepte
• Choices, Wahlmöglichkeit• Was produzieren, wo, wann, wie transportieren, zu welchem Kunden
• Targets, Ziele• Minimiere Kosten, maximiere Durchsatz, maximiere Ertrag
• Limits, Bedingungen• Produktionskapazitäten, Lagerkapazitäten, Lieferantenkapazitäten, physikalische Bedingungen
Optimierung Grundlagen: TLC+D
12
• Daten
• Choices, Wahlmöglichkeiten• Welche Produkte und welche Mengen selbst oder fremd herstellen
• Target, Ziele• Minimiere Kosten: Produktion und Beschaffung
• Limits, Bedingungen• Ressourcenkapazitäten, Rohmaterialverfügbarkeit• Rezepte• Bedarfe erfüllen
Products Resources ConsumptionName Demand InCost OutCost Name Capacity Prod \ Resflour eggskluski 100 0.6 0.8 flour 80 kluski 0.5 0.2capellini 200 0.8 0.9 eggs 50 capellini 0.4 0.4fettucine 300 0.3 0.4 fettucine 0.3 0.6
Optimization Basics: Production Example
• Planungshorizonte• Mittelfristig und Langfristig (Planung)• Kurzfristig und Echtzeit (Scheduling)
• Mathematische Programme sind generisch verwendbar. • CPLEX hat eine Zusatzengine: Constraint Progamming
• Speziell angepasst für Scheduling• Auch geeignet für nicht‐lineare Probleme.
• Beispiel:• Produktions‐Fahrpläne demands
product order demand machinesA 1 100 m1B 1 120 m2C 1 90D 1 80
Optimization Demo Example: Scheduling
13
Live DemoPredictive Analytics and Decision Optimization
14
0
200
400
600
800
1000
1200
1400
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
num
ber
of ti
meo
uts
0
50
100
150
200
250
tota
l spe
edup
10 sec
100 sec
1000 sec
Date: 28 September 2013Testset: 3147 models (1792 in 10sec, 1554 in 100sec, 1384 in 1000sec)Machine: Intel X5650 @ 2.67GHz, 24 GB RAM, 12 threads (deterministic since CPLEX 11.0)Timelimit: 10,000 sec
v6.0
v6.5.3
v7.0v8.0
v9.0
v10.0
v11.0 v12.1v12.2
v12.4v12.5
v12.6
Zusätzlich ca. Faktor 60 HW Beschleunigung 24h ‐> 7 sec(= 24h / (200*60))
CPLEX Leistungsfähigkeit
15
010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010101010101010010010101101010010101101111011001001010101001010101001001010110101001010110111101100100101010100
Decision Optimization in der Cloud
16
www.ibm.com/software/analytics/docloud
17