Модель логистики eCommerce: анализ результатов
Рассмотрим eCommerce-бизнес, нуждающийся в оптимизации. Основные группы процессов:
- «Управление заявками»,
- «Упаковка»,
- «Доставка клиенту».
Каждая из этих групп включает множество подпроцессов и задач. Пока что сосредоточимся на построении модели на высоком уровне — впоследствии её можно (и нужно) уточнять по мере поступления новых данных.
Предварительное исследование показало, что каждый процесс занимает 2, 1 и 5 дней соответственно, со стандартными отклонениями 0,2, 0,2 и 1 день.
Модель SimPy и генераторы уже построены. Время в модели записывается в днях. Следующий пакет уже импортирован: import matplotlib.pyplot as plt.
Запустите модель и проанализируйте результаты с помощью кластерного анализа.
Это упражнение является частью курса
Дискретно-событийное моделирование на Python
Инструкции к упражнению
- Запустите модель SimPy, сохранённую в среде SimPy с именем
env, на 5 лет (високосные годы не учитываются). - Постройте гистограмму результатов модели, хранящихся в
record_processes_list, с 50 столбцами.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
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()