制造业中的数据分析和机器学习

电子商务的发展、供应商之间的不稳定以及全球大流行的风险震惊并加速了对供应链的需求。企业发现，现有的预测需求和管理库存的模型和方法不足以应对零售业的新常态。在过去，公司可能会使用有限的数据集进行每周或每月的汇总预测，但在电子商务时代的竞争中，消费者可以轻松地切换商店，这要求公司有能力在一天和商店层面预测SKU的需求。

为了更好地预测产品和服务的需求，提高时间序列分析的速度和准确性对零售商的成功至关重要。在本笔记本中，我们讨论了时间序列预测的重要性，可视化一些样本时间序列数据，然后构建一个简单的模型来展示Facebook Prophet的使用。一旦您习惯于构建单个模型，我们将结合Prophet与Apache Spark™的魔力，向您展示如何同时训练数百个模型，使我们能够以目前很少实现的粒度级别为每个单独的产品-商店组合创建精确的预测。

自然灾害、流行病、社会动荡和其他因素最近都对我们的全球供应链造成了破坏。确保我们有足够的产品来满足需求，同时不持有太多库存是每个企业面临的关键挑战。该解决方案提供了一种现代化的方式，帮助零售商和制造商确定最佳的安全库存，以防止业务中断，同时释放流动资金。

制造商如何了解他们在全球范围内数十万甚至数百万个零件的库存，而本地团队可能在内部系统中有不同的项目描述?或者，制造商如何解决他们的产品定义和数十个零售合作伙伴之间的产品描述之间的差异?bob体育外网下载该解决方案使用机器学习来进化基于规则和概率(模糊)匹配技术，以在不完美的数据上进行有效的产品匹配。

为了在来自物联网传感器的实时数据上训练机器学习模型，一些用例要求每个连接的设备都有自己的单独模型，因为许多基本的机器学习算法通常优于单个复杂模型。然而，这可能导致物联网和单设备数据如此之大，以至于它不适合任何一台机器，单设备数据适合一台机器。此外，数据科学团队正在使用sklearn和pandas等单节点库来实现，因此他们在分发他们的单机概念证明时需要低摩擦。在本博客中，我们将演示如何通过针对每个物联网设备的两种不同方案来解决这个问题:模型训练和模型评分。

维护压缩机等资产是一项极其复杂的工作:它们被用于从小型钻井平台到深水平台的所有领域，资产分布在全球各地，每天产生tb级的数据。bob体育客户端下载这些压缩机中只要有一台出现故障，每天就会造成数百万美元的生产损失。在这个解决方案中，我们将教您如何构建端到端预测数据管道，该管道可以提供实时数据库来维护资产部件和传感器映射，支持处理大量遥测数据的连续应用程序，并允许您根据这些数据集预测压缩机故障。