IDEA 蟺R

Stosowanie matematyki i nauki w zarz膮dzaniu dla dobrych profit贸w.

OUR TEAM

The awesome people behind our brand ... and their life motto.

  • Neila Jovan

    Head Hunter

    I long for the raised voice, the howl of rage or love.

  • Mathew McNalis

    Marketing CEO

    Contented with little, yet wishing for much more.

  • Michael Duo

    Developer

    If anything is worth doing, it's worth overdoing.

OUR SKILLS

We pride ourselves with strong, flexible and top notch skills.

Marketing

Development 90%
Design 80%
Marketing 70%

Websites

Development 90%
Design 80%
Marketing 70%

PR

Development 90%
Design 80%
Marketing 70%

ACHIEVEMENTS

We help our clients integrate, analyze, and use their data to improve their business.

150

GREAT PROJECTS

300

HAPPY CLIENTS

650

COFFEES DRUNK

1568

FACEBOOK LIKES

ANALITYKA W PARTNERSTWIE

Wszyscy wiedz膮, 偶e czego艣 nie da si臋 zrobi膰. I wtedy pojawia si臋 ten jeden, kt贸ry nie wie, 偶e si臋 nie da, i on w艂a艣nie to co艣 robi.
Albert Einstein, niemiecki fizyk 偶ydowskiego pochodzenia.

ANALITYKA I IN呕YNIERIA

Jaki艣 tekst pomocniczy je艣li potrzebny....

  • Optymalny miks produktu

    Wi臋ksza trafno艣膰 predykcyjnego prognozowania daje 8% lepsz膮 dost臋pno艣膰 towaru w sklepach odzie偶owych. W polskich sklepach odzie偶owych problemem by艂a utrata sprzeda偶y ze wzgl臋du na brak dost臋pno艣ci towaru, szczeg贸lnie w okresie otwarcia sezonu. Identyfikacja problemu pokaza艂a, 偶e cykl 偶ycia produkt贸w zamyka si臋 w 60% w jednym sezonie. Do opracowania analitycznego rozwi膮zania wykorzystano m.in. techniki regresji, analiz臋 z艂膮cze艅 i skupie艅. Opracowane rozwi膮zanie stabilnie i powtarzalnie planuje zapasy dla 8 tysi臋cy SKU. Optymalizacja decyzji oparta na predykcji da艂a dodatkow膮 korzy艣ci w postaci integracji r贸偶nych dzia艂贸w w procesie planowania zapas贸w.

    W bran偶y odzie偶owej rynek jest bardzo konkurencyjny i zmienny. Ekstremalnie wa偶ne jest zrozumienie relacji pomi臋dzy liniami produktowymi i nauczenie si臋 jak efektywnie nimi zarz膮dza膰 i monitorowa膰 ten miks. Linia produktowa to produkty powi膮zane funkcj膮, grup膮 konsumenck膮, kana艂em dystrybucji czy przedzia艂em cenowym. Natomiast miks to kombinacja r贸偶norodno艣ci i ilo艣ci produkt贸w i linii oferowana w sklepie. Optymalny miks produktu maksymalizuje dost臋pno艣膰 produktu w sklepie, czyli minimalizuje ryzyko, 偶e klient nie b臋dzie m贸g艂 znale藕膰 tego co chce, a sklep traci szanse sprzeda偶y... a czasem - przez jeden "g艂upi" produktu - i klienta. Jednocze艣nie optymalny miks produktu minimalizuje ryzyko utrzymywania nadmiaru zapas贸w - koszt zamro偶onego kapita艂u i koszt magazynowania - kt贸ry cz臋sto prowadzi do obni偶ki cen, czyli zmniejszenia przychod贸w sklepu.

    Odzie偶 jest sezonowa, podobnie jak obecnie komputery. Korea艅scy naukowcy opracowali dla korea艅skiego producenta komputer贸w model predykcyjny, kt贸ry poprawi艂 trafno艣膰 prognoz o ponad 20 punkt贸w procentowych [3]. Cykl 偶ycia korea艅skich komputer贸w poni偶ej 40 tygodni.

    Stosuj膮c matematyk臋 optymalizujemy asortyment w sklepie. Na danych o transakcjach sprzeda偶y, dost臋pnych danych o klientach oraz danych o produktach identyfikujemy wzorce zachowa艅 klienta, preferowane atrybuty przez klienta, a tak偶e znaczenie cech oraz cz臋stotliwo艣膰 zakup贸w produktu. Nast臋pnie za pomoc膮 algorytm贸w tworzymy segmenty klient贸w i regu艂y zakupowe, kt贸re wykorzystane zostan膮 do opracowania modelu optymalizacji planowania asortymentu.

    W 2009 roku Walmart postanowi艂 usun膮膰 oko艂o 15 tysi臋cy SKU, kt贸re uzna艂, 偶e za艣miecaj膮 korytarze w sklepach. Decyzja nie by艂a poprzedzona analiz膮 optymalnego miksu produktu, kt贸ry oczekuj膮 klienci. Analitycy Wall Street oszacowali, 偶e Walmart straci艂 oko艂o 2 miliardy dolar贸w sprzeda偶y i przywr贸ci艂 usuni臋ty asortyment [4].

    Z kolei Zara w planowaniu asortymentu w sklepach stosuje programowanie matematyczne z bada艅 operacyjnych. Zastosowanie modeli matematycznych da艂o w Zara w latach 2007-2008 dodatkowy wzrost przychod贸w o 3-4%, co prze艂o偶y艂o si臋 na ponad 300 milion贸w dolar贸w dodatkowego przychodu [5].

    [1] Improved forecasting and inventory planning
    [2] The apparel retail industry's key to success
    [3] Development of an Adaptive Forecasting System
    [4] The Theory and Practice of Optimizing Assortment
    [5] Zara Uses Operations Research to Reengineer Its Global Distribution Process
  • Problem harmonogramowania

    Ponad 15% mniej przezbroje艅 daj膮cych prawie 10% kr贸tszy plan produkcji w piekarniach. Polski producent s艂odyczy optymalizuje harmonogramowanie produkcji za pomoc膮 algorytm贸w ewolucyjnych. Algorytmy ewolucyjne s膮 zainspirowane zachowaniem zwierz膮t jak mr贸wki szukaj膮ce po偶ywienia.

    Ameryka艅skie sklepy wielobran偶owe stosuj膮 algorytmy genetyczne do planowania tras przejazd贸w. Zredukowali o 30% koszty transportu minimalizuj膮c trasy przejazdu. Zmniejszy艂a si臋 o 28% liczba mil oraz o 12% liczba samochod贸w. Wprowadzone rozwi膮zanie poprawi艂o planowanie tras z odpowiedni膮 liczb膮 przystank贸w na ka偶dej trasie, aby optymalizowa膰 wykorzystanie przyczep. Rozwi膮zywany by艂 problem komiwoja偶era, kt贸rego szczeg贸lnym przypadkiem jest problem harmonogramowania.

    Harmonogramowanie to proces organizowania, kontrolowania i optymalizowania pracy i obci膮偶enia w procesach produkcyjnych, logistycznych, us艂ugach i serwisie, czyli uk艂adanie zada艅 w harmonogram. Harmonogramowanie to alokacja maszyn, ludzi, zakup materia艂贸w do plan贸w realizacji, kt贸re maj膮 konkretne oczekiwane wyniki i ograniczenia. Optymalizacja w harmonogramowaniu polega na znalezieniu harmonogramu, kt贸ry minimalizuje czas i koszt realizacji planu. Problem harmonogramowania jest dynamiczny, dane przychodz膮 w trakcie realizacji harmonogramu. W problemie harmonogramowania mamy wiele rodzaj贸w ogranicze艅, cz臋sto dynamicznych jak dost臋pno艣膰 maszyn czy ludzi w r贸偶nych godzinach tygodnia. Harmonogramowanie za pomoc膮 algorytm贸w z nadzorem planist贸w, kt贸rzy odkrywaj膮 dodatkowe ograniczenia niedost臋pne dla algorytm贸w, mo偶e poprawi膰 harmonogram [3].

    Nierozerwalnie z harmonogramowaniem zwi膮zane jest planowanie, jak planowanie sprzeda偶y, szczeg贸lnie w warunkach efektu byczego bicza, gdy偶 ograniczenia i plan determinuj膮 trudno艣膰 optymalizacji harmonogramu. Oznacza to, 偶e harmonogramowanie jest trudnym problemem, dla rozwi膮zania kt贸rego stosuje si臋 algorytmy obliczeniowo z艂o偶one. Z艂o偶ono艣膰, natura kombinatoryczna wi臋kszo艣ci problem贸w harmonogramowania zainspirowa艂a naukowc贸w do eksperymentowania z algorytmami ewolucyjnymi [4].

    Na przyk艂ad algorytm mr贸wkowy zainspirowany zachowaniem mr贸wek szukaj膮cych po偶ywienia dla swojej kolonii. Pocz膮tkowo mr贸wki poruszaj膮 si臋 w spos贸b losowy. Gdy znajduj膮 po偶ywienie, wracaj膮 do swojej kolonii pozostawiaj膮c 艣lad feromon贸w. Gdy inna mr贸wka natknie si臋 na ten 艣lad, pod膮偶a za 艣ladem i przestaje porusza膰 si臋 w spos贸b losowy. W ten spos贸b mr贸wki optymalizuj膮 prac臋 znalezienia po偶ywienia.

    Optymalizacja harmonogramowania to minimalizowanie czasu realizacji planu, w kt贸rym sprawdzi si臋 r贸wnie偶 symulacja dyskretna.

    [1] A case study on using evolutionary algorithms to optimize bakery production planning
    [2] Reduced transportation costs for a convenience retailer
    [3] Simplify Production Scheduling with Visualization
    [4] A Genetic algorithm for Resource-Constrained Scheduling
  • Zastosowanie symulacji dyskretnej i mapowania strumienia warto艣ci do optymalizacji produkcji

    Dzi臋ki modelowaniu symulacyjnemu tygodniowy plan produkcji w 18 zamiast 21 zmian roboczych u producenta wyrob贸w czekoladowych. W polskim zak艂adzie s艂odyczy wykonane zosta艂y badania 艂膮cz膮ce dyskretne modelowanie symulacyjne z mapowaniem strumienia warto艣ci. Zastosowanie po艂膮czenia symulacji i technik szczup艂ej produkcji daje nie tylko ogromne mo偶liwo艣ci analityczne, ale r贸wnie偶 pomaga zrozumie膰 filozofi臋 Lean Manufacturing.

    Lean Manufacturing to filozofia zarz膮dzania, polegaj膮ca na nieustannym eliminowaniu marnotrawstwa, czyli wszystkich czynno艣ci, inwestycji i proces贸w nie dodaj膮cych warto艣ci do produktu lub us艂ugi z punktu widzenia klienta. Pierwowzorem jest System Produkcyjny Toyoty rozwijany od pocz膮tku lat 50-tych XX wieku.

    Mapowanie strumienia warto艣ci to narz臋dzie umo偶liwiaj膮ce identyfikowanie zb臋dnych krok贸w w procesach - krok贸w, kt贸re nie wnosz膮 warto艣ci do produktu. Pozwala wizualizowa膰 przebieg procesu wytwarzania i przep艂ywu informacji, pokazuje powi膮zanie przep艂ywu materia艂贸w przep艂ywem informacji, uwidacznia istniej膮ce marnotrawstwo.

    Analiza dotyczy艂a przezbroje艅, awaryjno艣ci, roboczoch艂onno艣ci, wielko艣ci partii produkcyjnych, wielko艣ci zapas贸w mi臋dzy operacyjnych, czas sk艂adowania produkcji w toku, czas cyklu produkcyjnego, elastyczno艣膰 procesu produkcyjnego.

    W wyniku przeprowadze艅 bada艅 przygotowano rekomendacje: produkowa膰 cz臋艣ciej i mniejsze partie produkcyjne, skr贸ci膰 czas przezbroje艅 wykorzystuj膮c technik臋 SMED, zrezygnowa膰 ze sk艂adowania gotowych cukierk贸w na w贸zkach transportowych, zast膮pi膰 w贸zki transportowe w pakowni ta艣m膮 transportow膮, z kt贸rej cukierki b臋d膮 pakowane na automaty pakuj膮ce automatycznie.

    Wykonanie planu produkcyjnego zaj臋艂o 18 zmian roboczych, produkcja odbywa艂a si臋 przez 6 dni w trybie trzyzmianowym. Poprzednio plan zaj膮艂 21 zmian roboczych, a praca trwa艂a 艂膮cznie 7 dni, r贸wnie偶 w trybie trzyzmianowym.

    Zastosowanie symulacji sprawa, 偶e mapa strumienia warto艣ci staje si臋 narz臋dziem precyzyjnym. Przy dok艂adnym odwzorowaniu powi膮za艅 logicznych systemu produkcyjnego, mo偶liwe jest r贸wnie偶 wyznaczenie warto艣ci parametr贸w w rzeczywisto艣ci niemonitorowanych.

    [1] Marek Karkula, Modelowanie i symulacja proces贸w logistycznych
  • Empiryczne badania nad 艂adem w informatyzacji

    Atena, Hera czy Afrodyta? Polscy menad偶erowie IT najcz臋艣ciej wybieraj膮 Aten臋 i pod tak膮 nazw膮 zaczynamy badania empiryczne nad 艂adem w informatyzacji. Atena to bogini m膮dro艣ci, sztuki, sprawiedliwej wojny oraz opiekunka miast.

    Teza, 偶e organizacje IT powinny sta膰 si臋 brokerem us艂ug [1], jest mocno rozwijana przez The Open Group, kt贸ra tworzy koncepcj臋 IT4IT, 偶eby przyspieszy膰 doj艣cie do brokera us艂ug. Zrobili IT4IT twierdz膮c, 偶e dost臋pne standardy: ISO/IEC, ISO/TC, ITIL, COBIT, eTOM, ich autorstwa TOGAF, ArchiMate, SAFe, PMBOK s膮 albo zorientowane na technologi臋 albo na implementacj臋, wi臋c powsta艂a luka koncepcyjna, kt贸r膮 IT4IT ma wype艂ni膰. IT4IT wprowadza 艂a艅cuch warto艣ci IT w oparciu o koncepcj臋 艂a艅cucha warto艣ci Portera. 艁a艅cuch warto艣ci to seria aktywno艣ci, kt贸re organizacja realizuje, 偶eby dostarczy膰 co艣 warto艣ciowego jak produkt czy us艂uga. W IT4IT 艂a艅cuch zaczyna si臋 od strumienia S2P (Strategy to Portfolio) z aktywno艣ciami jak dopasowanie biznesu i IT czy warto艣膰 biznesowa. Hipotez膮 badawcz膮 jest przydatno艣膰 techniki Osterwaldera BMC w dopasowaniu biznesu i IT, co rekomenduje te偶 Gartner [2].

    Gartner [3] pokaza艂 r贸wnie偶, 偶e organizacje my艣l膮, i偶 rol臋 w艂odarza informacji realizuje IT a menad偶erowie IT nie chc膮 [4] by膰 stewardami danych (synonim w艂odarz).

    IT Governance przyszed艂 z Sarbanes-Oxley Act, SOX, po za艂amaniu si臋 Enronu w 2001 roku. SOX przyni贸s艂 wprowadzenie Control Objectives for Information and Related Technology (COBIT). Proces sprawozdawczo艣ci finansowej w COBIT opiera si臋 na COSO framework. COSO zosta艂o wprowadzone w 1992 do wewn臋trznej kontroli. Jako艣膰 danych jest ukrytym za艂o偶eniem w COSO, 偶eby przygotowa膰 sprawozdawczo艣膰 finansow膮. CEO i CFO s膮 odpowiedzialni za sprawozdawczo艣膰 finansow膮. Ale to dotyczy tylko danych finansowych. A co z danymi o klientach, dostawcach? Czy data governance powinien by膰 w艂膮czony w IT governance? IT governance dba o 艂ad w dopasowaniu infrastruktury IT do cel贸w biznesowych. Infrastruktura IT jest jak rura a dane jak informacja, kt贸ra przep艂ywa przez t臋 rur臋. Informatycy powinni dba膰 o porz膮dek w infrastrukturze, ale nie implikuje to automatycznie odpowiedzialno艣ci za dane. Tak z kolei twierdz膮 australijscy naukowcy [5].

    Menad偶erowie IT 艣wietnie sprawdzaj膮 si臋 w nadzorze nad portfelem projekt贸w IT, co daje korzy艣ci: wy偶szy zwrot z inwestycji IT, inwestycje powi膮zane ze strategicznymi priorytetami, wi臋ksza zwinno艣膰 i co kluczowe, i mo偶liwe tylko gdy nadz贸r realizowany przez menad偶er贸w IT, redukcja duplikacji system贸w.

    [1] Transitioning IT into a Service-Broker
    [2] Getting the Right IT: Using Business Models: Business Impact
    [3] Predicts 2016: Information Strategy
    [4] Is it the CDO or CAO or Someone Else?
    [5] The need for data governance: A case study
  • Technologia do Analityki

    Analityka biznesu polega na znajdowaniu odpowiedzi na pytania co si臋 dzieje w biznesie, dlaczego tak si臋 dzieje, jaka jest prognoza i co z tym robimy? Umiej臋tno艣膰 znajdowania odpowiedzi na te pytania to dojrza艂o艣膰 analityczna, co nie jest zwi膮zane z posiadan膮 Technologi膮 do Analityki.

    Analityka biznesu to rozwi膮zywanie problem贸w biznesowych za pomoc膮 matematyki i technologii. In偶ynieria danych dla 艂adu w danych to technologia, a w po艂膮czeniu z matematyk膮 to analityka danych, w szczeg贸lno艣ci zaawansowana analityka jak predykcja czy symulacja. Za pomoc膮 ca艂o艣ci budujemy czytelne i zrozumia艂em rekomendacje dla podejmowania decyzji. Rekomendacje tworzymy poprzez raporty z odpowiednio dobran膮 wizualizacj膮, 偶eby rekomendacje by艂y czytelne i zrozumia艂e. Tworzy nam si臋 stos Technologii do Analityki, z kt贸rego nale偶y korzysta膰 w odpowiednich proporcjach dla rozwi膮zywanego problemu biznesowego.

    Liderem w Analityce jest hinduska Mu Sigma pracuj膮ca nad optymalizacj膮 decyzji i proces贸w ameryka艅skich Fortune 500. W ich ekosystemie do definiowania problemu biznesowego znajdziemy bli藕ni臋ta muPDNA & muUniverse - aplikacje do nauki rozwi膮zywania problem贸w biznesowych i do rozwi膮zywania problem贸w. Optymalizacja decyzji i proces贸w zaczyna si臋 od poprawnej definicji problemu biznesowego, do czego s艂u偶膮 w艂a艣nie te aplikacje. Mu Sigma wprowadza now膮 sztuk臋 rozwi膮zywania problem贸w AoPS (Art of Problem Solving).

    Gartner [1] w swoim magicznym kwadrancie MQ AA 2016 o zaawansowanej analityce, technologie do robienia in偶ynierii oblicze艅,  wymienia Mu Sigma jako dostawc臋 us艂ug analityki w partnerstwie. Liderem technologii do in偶ynierii oblicze艅 pozostaj膮 SAS i IBM, nieco trac膮c, a najwi臋cej zyskuje Dell Statsoft wchodz膮c do kwadrantu lider贸w oraz Microsoft szybko zbli偶aj膮c si臋 do kwadrantu.

    Microsoft awansuje szczeg贸lnie po akwizycji Revolution Analitics specjalizuj膮cy si臋 w j臋zyku R.

    Co to jest R? R jest por贸wnywany do SAS, IBM SPSS czy Matlab. Ju偶 w 2009 roku zosta艂 doceniony przez The New York Times [2]. J臋zyk R u偶ywa Facebook, Ford i wiele innych firm [3], r贸wnie偶 Google, na przyk艂ad do kalkulowania ROI kampanii marketingowych. Opr贸cz Microsoft, j臋zyk R doda艂 do swoich technologii analitycznej Oracle. Oracle w 2014 roku zosta艂 wyrzucony z magicznego kwadrantu zaawansowanej analityki, a Gartner podaje przyczyn臋, 偶e oferuje swoje rozwi膮zania analityczne jako 艣cis艂y komponent swojej bazy danych ni偶 jako samodzielny produkt. 

    Analogicznie Gartner [4] post膮pi艂 z Oracle, tym razem bez podania przyczyny, w swoim magicznym kwadrancie o zwyk艂ej analityce MQ BI 2016, technologia na pograniczu do in偶ynierii oblicze艅 i danych. A w 2015 roku Oracle by艂 w kwadrancie lider贸w, z kt贸rego wyszed艂 IBM, SAS i SAP. W kwadrancie pozostaj膮 Tablue, Qlick i Microsoft jako lider z najwi臋kszym wzrostem na osi wizji.
    W obu magicznych kwadrantach wyst臋puj膮: IBM, Microsoft, SAP i SAS. Najwi臋cej zyskuje Microsoft, najwi臋cej traci IBM. Natomiast IBM ma najbardziej kompletny portfolio technologii do robienia optymalizacji decyzji: analityk臋 opisow膮 i predykcyjn膮, regu艂y biznesowe i matematyczna optymalizacj臋 [5].

    ILOG by艂 francusk膮 firm膮, kt贸r膮 kupi艂 w 2009 roku IBM. ILOG to technologia do zarz膮dzania 艂a艅cuchem dostaw, regu艂y biznesowe, wizualizacja i optymalizacja, mocno zatem wspiera optymalizacj臋 proces贸w. Gartner [6], w swoim kolejnym magicznym kwadrancie o zarz膮dzaniu procesowym, wymienia IBM jako lider obok Pegasystems i Appian. Optymalizacja poprzez automatyzacj臋 decyzji w procesach to zn贸w specjalno艣膰 Mu Sigma z aplikacjami: muESP, muFlow, muStream, muVCL, muIoT [7].

    Na koniec zobaczmy troch臋 technologii do czystej in偶ynierii danych, zaczynaj膮c od baz danych MQ DB 2015 u Gartner. Liderami s膮 Microsoft i Oracle. Liderzy wyro艣li z relacyjnych baz SQL i dodaj膮 noSQL do swoich technologii. Bardzo dobre wprowadzenie do noSQL zrobi艂 Microsoft [8].

    Microsoft swoj膮 baz臋 SQL i 57 innych produkt贸w udost臋pnia w chmurze Microsoft Azure, m.in. algorytmy uczenia maszynowego [9], w kt贸rych mo偶na wykorzystywa膰 R i Python.

    I ostatnie technologie do integracji danych, pami臋taj膮c o maksymie GIGO (Garbage In, Garbage Out) - 艣mieci na wej艣ciu, to 艣mieci na wyj艣ciu. Liderem u Gartnera [10] w MQ DI 2015 jest Informatica.

    W kwadrantach 偶adnych wi臋kszych zmian rok do roku.

    Na bazie raport贸w Gartnera podsumujmy technologie do optymalizacji decyzji.

    [1] Magic Quadrant for Advanced Analytics Platforms
    [2] Data Analysts Captivated by R's Power
    [3] Companies using R by Revolution Analytics
    [4] Magic Quadrant for Business Intelligence and Analytics
    [5] What is The Difference Between SPSS And ILOG?
    [6] Magic Quadrant for Intelligent Business Process Management
    [7] Mu Sigma Enterprise Signal Platform
    [8] Wprowadzenie do NoSQL, cz臋艣膰 I
    [9] Microsoft Azure Machine Learning
    [10] Magic Quadrant for Data Integration Tools
  • Predykcja i konfigurator w bilansowaniu poda偶y i popytu


    W bran偶y pod艂ogi drewnianej produkcja jest w warunkach niepewno艣ci jako艣ci i sk艂adu surowca, bo drewno jest nieprzewidywalne. Mamy zatem niepewno艣膰 poda偶y i popytu, wi臋c predykcja rozwinie si臋 na obu skrzyd艂ach. Predykcja zam贸wie艅 zastosowana zostanie do rekomendacji zakup贸w surowca. Struktury w produkcji pod艂ogi drewnianej s膮 wielowariantowe, a dok艂adniej konfigurowalne, co daje r贸偶ne mo偶liwo艣ci wybor贸w surowca do produkcji tej samej pod艂ogi. Jednocze艣nie ten sam surowiec mo偶e by膰 u偶yty do produkcji r贸偶nych pod艂贸g. Za pomoc膮 bada艅 operacyjnych uzyskujemy optymalne rekomendacje dla alokacji surowca do zam贸wie艅. Razem optymalizacja decyzji maksymalizuj膮ca przychody i zyski oraz minimalizuj膮ca kapita艂 zamro偶ony w surowcach.

    Badania operacyjne s膮 cz臋艣ci膮 teorii decyzji i zosta艂y zapocz膮tkowane w okresie II wojny 艣wiatowej w Stanach Zjednoczonych i Wielkiej Brytanii jako metody pozwalaj膮ce podejmowa膰 lepsze decyzje zwi膮zane z logistyk膮 i planowaniem szkole艅. Mi臋dzy innymi udowodniono, 偶e du偶e konwoje s膮 bezpieczniejsze, co by艂o zwi膮zane z mniejszym prawdopodobie艅stwem natrafienia na wrogiego u-boota. Po wojnie zacz臋to z powodzeniem stosowa膰 metody bada艅 operacyjnych do sprawnego zarz膮dzania w przemy艣le.


    Projekt realizowany jest w ramach konkursu RPO Ma艂opolska 1.2.3 bony na innowacje. Bony s膮 do stymulowania wsp贸艂pracy przedsi臋biorstw z jednostkami badawczymi jak Instytut PIAR w optymalizacji decyzji i proces贸w.

    Projekt dotyka cutting stock problem zdefiniowany w badaniach operacyjnych jako roz艂o偶enie du偶ej bry艂y na mniejsze minimalizuj膮c odpady. Znalezienie optymalnego rozwi膮zania tego problemu jest obliczeniowo z艂o偶one, bo matematycznie udowodnione, 偶e problem jest NP-trudny. Chocia偶 problem jest trudny, to naukowcy opracowali algorytmy rozwi膮zuj膮ce go. Na przyk艂ad w艂oscy naukowcy w bran偶y drzewnej zaproponowali algorytmy heurystyczne [1].

    [1] The Cutting Stock Problem in the Wood Industry
    Obs艂ugiwane przez us艂ug臋 Blogger.

    WHAT WE DO

    We've been developing corporate tailored services for clients for 30 years.

    KONTAKT

    Aby uzyska膰 wi臋cej informacji, skontaktuj si臋 z nami na kilka sposob贸w.

    PIAR

    • Adres :Krak贸w
    • Telefon :+045 123 755 755
    • Kraj :Polska
    • Email :kontakt@piar.edu.pl

    Formularz kontaktowy

    Poni偶ej specjalnie dla Ciebie przygotowali艣my formularz kontaktowy ..... JAKI艢 tekst