運作優化是一種典型的工業大數據應用，包括生產計劃優化、車間生產調度、庫存優化、物流優化、運維路線優化等典型場景。在技術上，運作優化通?；谶\籌優化算法，與基于數據挖掘（或機器學習）的大數據分析題目有明顯的區別。本章從二者的技術差異性開始，討論運作優化課題的推進方法。

1、運籌優化與數據挖掘課題的差異

數據分析課題的目標通常是從大量數據中，去發掘隱含的規律與知識，也就是說，其背后的運行機理并不完全清楚。數據分析課題的成功在很大程度上依賴于數據（以及數據是否可以完美反映物理世界），其技術風險在課題定義階段并不能完全識別，只有在執行階段，隨著對數據和業務的不斷深入，才能發掘其技術風險，因此在CRISP-DM等方法論，特別強調數據分析課題的迭代性。

而運籌優化課題，是在運行機理相對清楚的前提下，平衡各個因素間的制約關系，獲取一個相對優的目標量。分析優化題目的技術難度與運籌優化課題類型直接相關，其技術風險也取決于題目的應用范疇。因此，運籌優化課題的風險集中體現在課題定義階段。

在過去，我們看到很多失敗的運籌優化課題都是因為前期的課題定義階段，通常表現為幾種類型：

2、運作優化課題的核心要素

運籌優化的三大建模要素是“目標函數”、“決策變量”、“約束條件”。具體包括：

運作優化課題的三大Context要素是：業務Context、數據Context、IT應用Context

3、運作優化的課題定義

課題定義階段的目的是：

課題定義的通常方式是業務訪談，常常采用“建模要素”與“Context驅動”穿插的方式進行。一邊了解業務需求/邏輯/限制，一邊思考技術實現（模型/算法/計算性能等）。因此，課題定義通常由經驗豐富的優化專家擔任

問題定義一般分為4個迭代階段

運作優化的業務訪談與第3章討論的套路與原則相同，要特別注意以下幾點：

4、運作優化的課題探索

可以用OPL/AMPL等高級語言，借助ILOG等成熟引擎，進行初期的技術可行性驗證，方便與業務部門的迭代交流。

在技術實現中，根據應用架構和項目預算，選擇合適的優化引擎或啟發式算法實現。

來源：K2研究院