電子商務的增長，與供應商的波動性，以及全球流行病風險的風險震驚並加快了供應鏈的需求。公司已經找到了現有的模型和方法來預測需求和管理庫存，以便在零售中新的正常情況下不足。一家公司可能會在過去的數據集中運行每周或每月總預測，但在消費者可以輕鬆切換商品的電子商務時代競爭要求公司能夠在一天和商店預測對SKU的需求等級。
製造業數據分析與機器學習
坍塌
因因果需求預測
博客/筆記本：
時間係列預測
提高時間序列分析的速度和準確性，以更好地預測產品和服務的需求對於零售商的成功至關重要。在本筆記本中，我們討論了時間序列預測的重要性，可視化一些采樣時間序列數據，然後構建一個簡單的模型來顯示Facebook先知的使用。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.
安全庫存
自然災害，流行病，社會騷亂和其他因素最近對我們的全球供應鏈造成了幹擾。確保我們有足夠的產品來服務需求，同時不攜帶太多庫存是每個企業的關鍵挑戰。該解決方案提供了一種現代的幫助零售商和製造商確定最佳安全性股票，以防止在釋放營運資金時防止業務幹擾。
博客/筆記本：
基於ML的物品匹配
製造商如何了解他們在全球手上遍布全球或可能數百萬部分的庫存，其中當地團隊可以在內部係統中具有不同的項目描述？或者製造商如何解決其產品定義與數十次零售合作夥伴的產品描述之間的差異？該解決方案使用機器學習來發展基於規則的和概率（模糊）匹配技術，以便在不完美數據上進行有效的產品匹配。
博客/筆記本：
IOT的縮放ML模型
為了在來自IOT傳感器的實時數據上訓練機器學習模型，一些用例需要每個連接的設備都有自己的單獨模型，因為許多基本機器學習算法通常往往優於一個複雜的模型。但是，這可以導致物聯網和每個設備數據如此之大，它不會適合任何一台機器，每個設備數據適合單個機器。此外，數據科學團隊正在使用像Sklearn和Pandas這樣的單個節點庫來實現，因此它們需要低摩擦在分配其單機的概念證明。在本博客中，我們展示了如何用每個物聯網設備的兩個不同方案來解決這個問題：模型培訓和模型評分。
博客/筆記本：
預測維護
維護壓縮機等資產是一個極其複雜的努力：它們用於從小型鑽井平台到深水平台的一切，資產都位於全球各地，每天都會生成數據的Tberabytes。Beplay体育安卓版本隻有其中一個壓縮機的失敗費用每天花費數百萬美元的損失。在此解決方案中，我們教導您如何構建端到端的預測數據管道，可以提供實時數據庫以維護資產零件和傳感器映射，支持處理大量遙測的連續應用程序，並允許您預測對這些數據集的壓縮機故障。