工业大数据中的运作优化

运作优化是一种典型的工业大数据应用，包括生产计划优化、车间生产调度、库存优化、物流优化、运维路线优化等典型场景。在技术上，运作优化通常基于运筹优化算法，与基于数据挖掘（或机器学习）的大数据分析题目有明显的区别。本章从二者的技术差异性开始，讨论运作优化课题的推进方法。

1、运筹优化与数据挖掘课题的差异

数据分析课题的目标通常是从大量数据中，去发掘隐含的规律与知识，也就是说，其背后的运行机理并不完全清楚。数据分析课题的成功在很大程度上依赖于数据（以及数据是否可以完美反映物理世界），其技术风险在课题定义阶段并不能完全识别，只有在执行阶段，随着对数据和业务的不断深入，才能发掘其技术风险，因此在CRISP-DM等方法论，特别强调数据分析课题的迭代性。

而运筹优化课题，是在运行机理相对清楚的前提下，平衡各个因素间的制约关系，获取一个相对优的目标量。分析优化题目的技术难度与运筹优化课题类型直接相关，其技术风险也取决于题目的应用范畴。因此，运筹优化课题的风险集中体现在课题定义阶段。

在过去，我们看到很多失败的运筹优化课题都是因为前期的课题定义阶段，通常表现为几种类型：

2、运作优化课题的核心要素

运筹优化的三大建模要素是“目标函数”、“决策变量”、“约束条件”。具体包括：

运作优化课题的三大Context要素是：业务Context、数据Context、IT应用Context

3、运作优化的课题定义

课题定义阶段的目的是：

课题定义的通常方式是业务访谈，常常采用“建模要素”与“Context驱动”穿插的方式进行。一边了解业务需求/逻辑/限制，一边思考技术实现（模型/算法/计算性能等）。因此，课题定义通常由经验丰富的优化专家担任

问题定义一般分为4个迭代阶段

运作优化的业务访谈与第3章讨论的套路与原则相同，要特别注意以下几点：

4、运作优化的课题探索

可以用OPL/AMPL等高级语言，借助ILOG等成熟引擎，进行初期的技术可行性验证，方便与业务部门的迭代交流。

在技术实现中，根据应用架构和项目预算，选择合适的优化引擎或启发式算法实现。

来源：K2研究院