SPSS CPLEX PredictiveAndDecisionOptimization … 06. Oktober 2015 2 Hermann Stolle Client Solution Professional IBM Decision Optimization Hans Schlenker Client Solution Professional

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