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

Afin d'entraîner des modèles de Machine Learning sur des données en temps réel provenant de capteurs IoT, certains cas d'usage exigent que chaque appareil connecté dispose de son propre modèle individuel, car plusieurs algorithmes de Machine Learning de base sont souvent plus performants qu'un modèle complexe unique. Cependant, cela peut conduire à des données IoT et des données par appareil si volumineuses qu'elles ne tiennent pas sur une seule machine, alors que les données par appareil tiennent sur une seule machine. En outre, l'équipe de Data Science met en œuvre des bibliothèques à nœud unique comme sklearn et pandas, de sorte qu'elles n'aient besoin que d'une faible friction dans la distribution de leur preuve de concept à machine unique. Dans ce blog, nous démontrons comment résoudre ce problème avec deux schémas distincts pour chaque appareil IoT : Model Training et Model Scoring.

Maintenance prédictive

La maintenance d'actifs tels que les compresseurs est une tâche extrêmement complexe : ils sont utilisés dans tous les domaines, des petites plateformes de forage aux plateformes en eaux profondes, les actifs sont situés dans le monde entier et ils génèrent quotidiennement des téraoctets de données. Un échec affectant seulement l'un de ces compresseurs coûte des millions de dollars de perte de production par jour. À travers cette solution, nous vous apprenons à construire un pipeline de données prédictives de bout en bout capable de fournir une base de données en temps réel pour maintenir les pièces d'actifs et les mappings de capteurs, prendre en charge une application continue qui traite une quantité massive de données télémétriques, et vous permettre de prédire les défaillances de compresseurs par rapport à ces datasets.

Prêt à démarrer ?