Optimierung ist ein wertvolles Instrument der präskriptiven Analytik für jedes Unternehmen, das eine digitale Transformation anstrebt, da sie das Potenzial von Daten und Programmiersprachen maximiert, die selbst für Kleinunternehmer zunehmend zugänglich sind. Die Fähigkeit, Ergebnisse wie Stückkosten, Marktanteile, Preise und Kapazitäten vorherzusagen und anschließend die beste Vorgehensweise zu wählen, die den Ertrag maximiert und Kosten sowie Risiken minimiert, ist die treibende Kraft hinter vielen der weltweit erfolgreichsten Unternehmen. Der Schlüssel zum langfristigen Erfolg liegt jedoch in der Fähigkeit, die Erkenntnisse sowohl der prädiktiven als auch der präskriptiven Analytik kontinuierlich zu integrieren.

In dieser Lerneinheit werden Sie untersuchen, wie lineare Optimierungsmodelle als leistungsstarkes Instrument für die Entscheidungsfindung im Rahmen der digitalen Transformation dienen. Durch den Einsatz von Analytik und digitalen Technologien ermöglicht die lineare Optimierung Führungskräften, strategische Entscheidungen effizient zu treffen. Sie werden Ihr Verständnis dafür vertiefen, wann und wie nichtlineare Modelle in lineare umgewandelt werden können. Insbesondere lernen Sie, Szenarien zu identifizieren, in denen Linearisierungstechniken effektiv funktionieren, einschließlich der Verwendung von Absolutwerten und stückweise linearen Funktionen. Anhand von Beispielen aus der Praxis, wie Bestandsmanagement und Werbeoptimierung, erhalten Sie praktische Einblicke in die Umsetzung komplexer Entscheidungsprobleme in lineare Formulierungen. In dieser Lektion wird zudem die geometrische Darstellung linearer Optimierungsprobleme vorgestellt, wodurch Sie ein intuitives Verständnis für deren Lösungsmethoden entwickeln können. Sie lernen aktive und inaktive Nebenbedingungen bei der Optimalität kennen und führen Sensitivitätsanalysen durch, wodurch Sie beurteilen können, wie sich Änderungen bei Ressourcen oder Nebenbedingungen auf optimale Lösungen auswirken. Schließlich erfahren Sie, wie digitale Tools und cloudbasierte Plattformen wie Pyomo die Implementierung linearer Optimierungsmodelle in modernen Geschäftsumgebungen sowohl skalierbar als auch zugänglich machen.

In dieser Lektion bauen wir auf den Grundprinzipien der linearen Optimierung auf und untersuchen, wie die Einbeziehung ganzzahliger Variablen in Optimierungsmodelle eine größere Flexibilität bei der Lösung komplexer, praxisnaher Entscheidungsprobleme ermöglicht. Zwar können ganzzahlige Variablen die Rechenkomplexität erhöhen, doch eröffnen sie die Möglichkeit, viele wichtige Einschränkungen und Zusammenhänge zu modellieren, die für effektive Geschäftsstrategien von entscheidender Bedeutung sind. Anhand praktischer Beispiele, wie der Standortoptimierung von Lagern und der Auswahl von Infrastrukturprojekten, lernen Sie, wie man gemischt-ganzzahlige lineare Optimierungsprobleme formuliert und löst. Diese Beispiele veranschaulichen, wie ganzzahlige Variablen eine präzise Modellierung diskreter Entscheidungen ermöglichen, beispielsweise ob ein Lager eröffnet, in ein Projekt investiert oder Ressourcen bestimmten Aktivitäten zugewiesen werden sollen. Außerdem werden Sie fortgeschrittene Techniken kennenlernen, wie zum Beispiel die Kombination von Nebenbedingungen zur Durchsetzung logischer Regeln und die Nutzung von Logiktabellen zur Überprüfung von Modellformulierungen. Am Ende dieser Lektion werden Sie verstehen, wie Sie die gemischt-ganzzahlige lineare Optimierung anwenden können, um die Entscheidungsfindung im Management im Kontext der digitalen Transformation zu verbessern.

Diese Lerneinheit befasst sich mit fortgeschrittenen Optimierungstechniken unter Verwendung von Python und konzentriert sich dabei darauf, wie die digitale Transformation präskriptive Analysewerkzeuge nutzen kann, um komplexe Entscheidungsprobleme zu lösen. Aufbauend auf Ihren Kenntnissen der linearen und ganzzahligen Optimierung werden Sie die Branch-and-Bound-Methode zur Lösung binärer ganzzahliger Optimierungsprobleme kennenlernen. Diese Technik ist entscheidend für die Bewältigung realer Szenarien, in denen Entscheidungen diskret sind, wie beispielsweise bei Anlageportfolios, der Ressourcenallokation oder der Anlagenplanung. Anhand des Beispiels der Portfoliooptimierung lernen Sie, binäre ganzzahlige Optimierungsmodelle mit Python zu formulieren und zu lösen, das Konzept der linearen Relaxation und dessen Rolle bei der Erzeugung von Grenzen für optimale Lösungen zu verstehen sowie die Branch-and-Bound-Methode anzuwenden, um Lösungsräume systematisch zu erkunden und einzugrenzen und so eine effiziente und effektive Problemlösung zu gewährleisten. Diese Lerneinheit schlägt eine Brücke zwischen theoretischen Optimierungstechniken und der praktischen Umsetzung und versetzt Sie in die Lage, mit Python datengestützte, optimierte Entscheidungen für Initiativen zur digitalen Transformation zu treffen.

Die letzte Einheit dieses Kurses ist ein Praktikum, das als kleines Abschlussprojekt dient und es Ihnen ermöglicht, das Gelernte zu festigen und Ihre Beherrschung der im Laufe des Kurses vorgestellten Werkzeuge und Techniken unter Beweis zu stellen. Dieses Projekt bietet Ihnen die Gelegenheit, präskriptive Analytik, cloudbasierte Werkzeuge und Methoden der Datenwissenschaft auf ein praktisches Geschäftsproblem anzuwenden und so umsetzbare Erkenntnisse zu gewinnen, die mit Initiativen zur digitalen Transformation im Einklang stehen. Sie fassen Ihr Projekt in einem kurzen schriftlichen Bericht zusammen. In diesem Bericht sollten Sie detailliert darlegen, wie Sie Ihre mathematischen Modelle entwickelt und den Code in Python ausgeführt haben. Auf welche Herausforderungen sind Sie gestoßen? Welche Anpassungen waren erforderlich, um den Code erfolgreich auszuführen? Welche Erkenntnisse haben Sie aus den Datenanalysen gewonnen? Wie könnten Sie Handlungsempfehlungen für wichtige Stakeholder so formulieren, dass diese verständlich und überzeugend sind? Die Fähigkeit, diese und andere ähnlich relevante Fragen zu beantworten, bereitet Sie auf Data-Science-Positionen vor, in denen Sie Unternehmen dabei unterstützen, das Potenzial von Analysen zu nutzen.