Data analytics and machine learning in Manufacturing

← Go back to overview

Solution Accelerators for Manufacturing

Based on best-practices from our work with the leading brands, we’ve developed solution accelerators for common data analytics and machine learning use cases to save weeks or months of development time for your data engineers and data scientists.

Demand Forecasting with Causals

The growth of e-commerce, volatility with suppliers, and the risk of global pandemics has shocked and accelerated the demands on supply chains. Companies have found existing models and approaches to predicting demand and managing inventory insufficient for the new normal in retail. A company may have run weekly or monthly aggregate forecasts with limited data sets in the past, but competing in the era of e-commerce where consumers can easily switch stores requires that companies have the ability to predict demand for a SKU at a day and store level.

Blog/Notebook:

Time-series Forecasting

Improving the speed and accuracy of time series analyses in order to better forecast demand for products and services is critical to retailers’ success. In this notebook we discuss the importance of time series forecasting, visualize some sample time series data, then build a simple model to show the use of Facebook Prophet. Once you’re comfortable building a single model, we’ll combine Prophet with the magic of Apache Spark™ to show you how to train hundreds of models at once, allowing us to create precise forecasts for each individual product-store combination at a level of granularity rarely achieved until now.

Safety Stock

Natural disasters, pandemics, societal unrest and other factors have all recently caused disruptions to our global supply chains. Ensuring that we have enough product to serve demand, while not carrying too much inventory is a key challenge for every business. This solution provides a modern way of helping retailers and manufacturers identify the optimal safety stock to carry to prevent business disruption while freeing working capital.

ML-based Item Matching

How do manufacturers understand what inventory they have on hand around the globe across hundreds of thousands or possibly millions of parts, where local teams could have different item descriptions across internal systems? Or how can a manufacturer resolve differences between their product definitions and those product descriptions across dozens of retail partners? This solution uses machine learning to evolve rules-based and probabilistic (fuzzy) matching techniques for effective product matching on imperfect data.

Scaling ML Models for IoT

Beim Trainieren von Machine-Learning-Modellen mit Echtzeitdaten von IoT-Sensoren ist es in einigen Anwendungsfällen erforderlich, jedem vernetzten Gerät ein eigenes Modell zuzuweisen, da der Einsatz vieler einfacher Machine-Learning-Algorithmen oft zu besseren Ergebnissen führt als die Nutzung eines einzigen komplexen Modells. Allerdings kann dies derart umfangreiche Bestände IoT- und gerätebezogener Daten generieren, dass diese im Unterschied zu gerätebezogenen Daten allein nicht mehr auf einem einzigen Computer gespeichert werden können. Darüber hinaus implementiert das Data-Science-Team Single-Node-Bibliotheken wie Sklearn und Pandas, so dass die Reibungsverluste bei der Verteilung des Proof-of-Concept für einen Computer gering sein müssen. In diesem Blogpost zeigen wir Ihnen, wie Sie dieses Problem mit zwei unterschiedlichen Schemata für jedes IoT-Gerät lösen: Modelltraining und Modellbewertung.

Vorausschauende Wartung

Die Wartung von Anlagen wie beispielsweise Kompressoren ist ein äußerst komplexes Unterfangen: Sie werden in allen Umgebungen von kleinen Bohrinseln bis hin zu Tiefseeplattformen eingesetzt, die Anlagen sind auf der ganzen Welt verstreut und sie erzeugen täglich viele Terabyte Daten. Der Ausfall eines einzigen Kompressors verursacht Produktionsausfälle mit Verlusten in einer Größenordnung von mehreren Millionen Dollar täglich. In dieser Lösung zeigen wir Ihnen, wie Sie eine End-to-End-Pipeline für prädiktive Daten aufbauen. Diese stellt eine Echtzeitdatenbank zur Wartung von Anlagenteilen und zur Pflege von Sensorzuordnungen bereit, unterstützt eine fortlaufende Anwendung, die eine enorme Menge an Telemetriedaten verarbeitet, und ermöglicht es Ihnen, auf Grundlage dieser Datenbestände Kompressorausfälle vorherzusagen.

Möchten Sie loslegen?