Logistik‑eCommerce‑Modell: Ergebnisse analysieren

Betrachten wir ein eCommerce‑Unternehmen, das optimiert werden soll. Die wichtigsten Prozessgruppen sind:

"Anfragenmanagement",
"Verpackung" und
"Versand und Zustellung an Kund:innen".

Jede dieser Prozessgruppen umfasst viele Teilprozesse und Aufgaben. Für den Moment konzentrierst du dich darauf, das Modell auf hoher Ebene zu erstellen, das später verfeinert werden kann (und sollte), sobald weitere Informationen vorliegen.

Erste Recherchen ergaben, dass die jeweiligen Prozesse 2, 1 und 5 Tage dauern, mit Standardabweichungen von 0,2, 0,2 und 1 Tag.

Du hast das SimPy‑Modell und die Generatoren erstellt. Die Zeit im Modell wird in Tagen erfasst. Das folgende Paket wurde für dich importiert: import matplotlib.pyplot as plt.

Lass uns das Modell ausführen und die Ergebnisse mit einer Clusteranalyse untersuchen.

Diese Übung ist Teil des Kurses

Diskrete-Ereignis-Simulation mit Python

Kurs anzeigen

Anleitung zur Übung

Führe das in einer SimPy‑Umgebung namens env gespeicherte SimPy‑Modell für 5 Jahre aus (ohne Schaltjahre).
Erstelle ein Histogramm der in record_processes_list gespeicherten Modellergebnisse mit 50 Klassen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

env = simpy.Environment()
env.process(all_processes(env, inputs, record_processes))

# Run the SimPy model
env.____(until=___)

record_processes_list = [record_processes['Time Manage Request'],
            			 record_processes['Time Packaging'],
            			 record_processes['Time Shipping']]

# Create a histogram with 50 bins
plt.____(record_processes_list, bins=____, label=['Request', 'Packaging', 'Shipments'])
plt.legend(loc='upper right')
plt.xlabel('Duration (days)')
plt.ylabel('Number of occurrences')
plt.show()

Code bearbeiten und ausführen