Jak wykorzystać AI do prognozowania popytu w produkcji?

Planista produkcji widzi nagły wzrost zamówień na jeden z kluczowych wyrobów. Nie wiadomo jeszcze, czy to trwała zmiana popytu, sezonowy skok, efekt promocji czy pojedyncze zamówienie, które za kilka dni zostanie anulowane. Zbyt ostrożna reakcja może oznaczać brak towaru i opóźnienia, a zbyt szybkie zwiększenie produkcji — nadmiar zapasów, niepotrzebne przezbrojenia oraz zamrożony kapitał.

AI do prognozowania popytu nie dostarcza magicznej liczby, która automatycznie rozwiązuje problem planowania. Łączy jednak historię zamówień, dane z ERP i MES, informacje o zapasach, kalendarze, ograniczenia produkcyjne oraz wybrane sygnały z procesu, aby oszacować prawdopodobne zapotrzebowanie w określonym horyzoncie. Największa wartość powstaje wtedy, gdy prognoza wspiera decyzję planisty, a nie udaje, że może całkowicie zastąpić jego wiedzę o klientach, produktach i realiach zakładu. ^[3]

Czym jest prognozowanie popytu w środowisku produkcyjnym?

Prognoza dotyczy przyszłego zapotrzebowania, a nie samej produkcji

Prognozowanie popytu polega na przewidywaniu, ile wyrobów, komponentów, kilogramów materiału albo godzin zdolności produkcyjnej będzie potrzebnych w przyszłości. Prognoza zawsze musi mieć określony horyzont czasowy i częstotliwość. Innego modelu wymaga przewidywanie zapotrzebowania na następną zmianę, innego planowanie zakupów na kilka tygodni, a jeszcze innego decyzja o zwiększeniu mocy produkcyjnych w perspektywie kilku miesięcy. ^[1]

W produkcji popyt może być opisany na kilku poziomach. Firma może prognozować sprzedaż wyrobu gotowego, zapotrzebowanie na konkretny wariant produktu, liczbę zamówień klienta, zużycie komponentu albo obciążenie określonej linii. Te poziomy są ze sobą powiązane, ale nie są tożsame. Wyrób gotowy może mieć wiele wariantów, komponent może być używany w różnych produktach, a popyt na linię zależy dodatkowo od czasów cyklu, przezbrojeń i dostępności zasobów.

Sprzedaż, popyt rzeczywisty i plan produkcji to różne wartości

Prognoza sprzedaży opisuje oczekiwane transakcje lub przychody. Popyt rzeczywisty może obejmować również zamówienia, których nie udało się zrealizować z powodu braków magazynowych. Plan produkcji jest już decyzją organizacyjną uwzględniającą dostępne maszyny, ludzi, materiały i terminy. Z kolei zapotrzebowanie materiałowe wynika z planu, struktury produktu, stanów magazynowych oraz zaplanowanych dostaw.

Jeżeli przedsiębiorstwo nie miało produktu na magazynie, liczba wysłanych sztuk mogła spaść mimo utrzymującego się popytu. Model uczony wyłącznie na sprzedaży uzna wtedy, że klienci potrzebowali mniej wyrobów. W rzeczywistości ograniczeniem była zdolność realizacji zamówień. Takie rozróżnienie ma zasadnicze znaczenie, ponieważ AI może bardzo dokładnie powielać błędną interpretację danych historycznych.

Co dokładnie powinien przewidywać model?

Przed wyborem algorytmu trzeba ustalić jednostkę prognozy. Może nią być:

• liczba sztuk wyrobu gotowego w danym dniu lub tygodniu,
• masa materiału potrzebna do realizacji przewidywanych zamówień,
• liczba zamówień w podziale na grupy produktów,
• zapotrzebowanie na komponent wspólny dla wielu wyrobów,
• przewidywane obciążenie linii lub gniazda produkcyjnego,
• liczba godzin pracy potrzebnych do wykonania planu.

Im bardziej precyzyjna jest definicja celu, tym łatwiej ocenić jakość modelu. Zdanie „AI ma przewidywać popyt” jest zbyt ogólne, aby rozpocząć wdrożenie. Znacznie lepiej określić: „model ma raz dziennie przewidywać liczbę zamówionych sztuk każdego aktywnego indeksu na kolejne cztery tygodnie, wraz z przedziałem niepewności”.

Mini-wniosek: najlepszy model nie naprawi niespójnego procesu planowania ani danych, które nie opisują faktycznego popytu. Najpierw trzeba ustalić, jaka decyzja ma być lepsza dzięki prognozie.

Zanim pojawi się model AI — jakie dane naprawdę opisują popyt?

Źródła danych w zakładzie produkcyjnym

Podstawą prognozowania są zwykle dane biznesowe z systemu ERP. Obejmują zamówienia klientów, pozycje dokumentów sprzedaży, terminy dostaw, anulacje, korekty, faktury, prognozy handlowe i informacje o klientach. Dla modelu istotny jest nie tylko końcowy dokument, lecz także moment jego utworzenia, zmiany ilości oraz data, na którą klient oczekiwał realizacji.

System MES dostarcza innego obrazu sytuacji. Znajdują się w nim zlecenia produkcyjne, rzeczywiste rozpoczęcie i zakończenie operacji, przestoje, przezbrojenia, odrzuty, wykonane ilości oraz informacje o kolejności realizacji. Dane MES pomagają ustalić, czy spadek sprzedaży wynikał z mniejszego popytu, czy z tego, że planu nie można było wykonać.

Trzecia grupa to stany magazynowe i dane zakupowe. Należą do niej dostępne zapasy, zapasy zablokowane, partie w kontroli jakości, zamówienia w drodze, czasy dostaw, opóźnienia dostawców, minimalne partie zakupowe oraz poziomy bezpieczeństwa. Przy prognozowaniu komponentów nie można patrzeć wyłącznie na historyczne zużycie. Zużycie mogło być niskie dlatego, że linia stała, a nie dlatego, że zapotrzebowanie było małe.

Dane procesowe z maszyn mogą uzupełnić obraz o faktyczną wydajność. Liczba wyprodukowanych sztuk, tempo pracy, czas cyklu, odrzuty, alarmy i dostępność linii nie są bezpośrednim pomiarem popytu, ale pomagają ocenić, jak popyt może przełożyć się na obciążenie zakładu. Należy oddzielić sygnały opisujące zapotrzebowanie od sygnałów opisujących zdolność jego zaspokojenia.

Informacje zewnętrzne mają sens tylko wtedy, gdy istnieje uzasadnienie biznesowe ich wpływu. Może to być kalendarz świąt, sezonowość, promocje, zmiany cen, pogoda, wydarzenia branżowe lub sytuacja w łańcuchu dostaw. Dodanie dużej liczby przypadkowych zmiennych nie tworzy inteligentnego systemu. Częściej zwiększa ryzyko dopasowania modelu do przypadkowych zależności.

Dane procesowe a dane biznesowe

Dane z automatyki opisują to, co dzieje się na linii: aktualny stan urządzenia, liczbę cykli, alarmy, temperaturę procesu czy czas trwania operacji. Nie odpowiadają jednak automatycznie na pytanie, dlaczego klient zamówił więcej produktu. Dane ERP i MES opisują zdarzenia biznesowe oraz produkcyjne, lecz często mają inną częstotliwość, strukturę i jakość niż pomiary z PLC, SCADA albo historianów.

Najważniejsze jest zbudowanie wspólnego klucza danych. Powinien on umożliwiać powiązanie informacji z:

• indeksem produktu i jego wariantem,
• zakładem, linią, gniazdem lub zasobem,
• klientem albo kanałem sprzedaży,
• zleceniem i partią produkcyjną,
• datą zamówienia, terminem wymaganym i terminem realizacji,
• jednostką miary oraz konkretnym przedziałem czasu.

Bez takiego powiązania algorytm może otrzymać serię liczb, które wyglądają spójnie, ale dotyczą różnych produktów, okresów lub jednostek. Szczególnie częsty jest problem mieszania kilogramów, sztuk, opakowań i palet. Przed uczeniem modelu trzeba jasno zdefiniować konwersje, zaokrąglenia oraz sposób postępowania z produktami sprzedawanymi w różnych jednostkach.

OPC UA i historia pomiarów jako element warstwy danych

OPC UA może pełnić rolę bezpiecznej warstwy udostępniania danych z urządzeń oraz systemów automatyki. Sam standard nie jest jednak gotowym modelem prognozowania popytu. Ułatwia dostęp do zmiennych, ich opisów i wartości, ale jakość rozwiązania zależy od tego, czy dane mają poprawne nazwy, jednostki, znaczniki czasu i statusy jakości. ^[4]

W systemie przygotowującym dane dla AI powinny być przechowywane nie tylko wartości, ale również informacje o ich pochodzeniu. Istotne są między innymi:

• czas pomiaru i czas otrzymania danych,
• jednostka fizyczna oraz skala wartości,
• status jakości pomiaru,
• informacja o przerwie komunikacji,
• identyfikator urządzenia i źródła,
• zmiana receptury, produktu lub trybu pracy.

Historia pomiarów pozwala odtworzyć stan procesu z konkretnego momentu. Bieżąca wartość temperatury, liczby sztuk lub stanu maszyny nie wystarczy do zrozumienia, co wydarzyło się przed tygodniem. Przy prognozowaniu popytu szczególnie ważne jest unikanie tak zwanego wycieku informacji, czyli sytuacji, w której model podczas uczenia otrzymuje dane, które w chwili tworzenia prognozy nie były jeszcze dostępne.

Jak przygotować etykietę prognozy?

Etykieta, czyli wartość, którą model ma przewidzieć, musi być obliczana według stałej reguły. Jeżeli prognoza jest tworzona w poniedziałek rano, trzeba ustalić, czy przewidywany jest popyt od poniedziałku do niedzieli, liczba nowych zamówień w tym okresie, czy zapotrzebowanie według terminów dostaw. Różnica może zmienić wynik oceny modelu.

Trzeba również określić moment odcięcia danych. Jeśli prognoza dla kolejnego tygodnia jest tworzona w piątek, model powinien korzystać wyłącznie z informacji dostępnych w piątek. Późniejsze korekty zamówień, anulacje i faktyczna realizacja nie mogą przypadkiem trafić do zbioru wejściowego.

Praktyczna definicja może wyglądać następująco: „o godzinie 6:00 każdego dnia model przewiduje liczbę sztuk każdego indeksu, które zostaną zamówione w kolejnych siedmiu dniach, korzystając z danych dostępnych do godziny 5:59”. Dopiero tak określony cel pozwala porównać prognozę z rzeczywistością.

Mini-wniosek: przygotowanie danych powinno zakończyć się jasną odpowiedzią na pytanie, co dokładnie ma być prognozowane i z jakim wyprzedzeniem. Jeśli zespół nie potrafi tego zapisać w jednym krótkim zdaniu, wybór modelu jest przedwczesny. ^[2]

Cztery warianty prognozowania popytu — od prostego modelu do systemu AI

Wariant 1 — prognoza bazowa i modele statystyczne

Najprostsze podejście wykorzystuje średnią kroczącą, medianę, sezonowość, trend albo wygładzanie wykładnicze. Można również użyć klasycznych modeli szeregów czasowych, które opisują zależności między kolejnymi okresami. Taki wariant nie musi być określany jako zaawansowana sztuczna inteligencja, ale w wielu zakładach stanowi najlepszy punkt startu.

Model bazowy jest szybki do uruchomienia, łatwy do wyjaśnienia i ma niewielkie wymagania sprzętowe. Dobrze sprawdza się przy regularnych zamówieniach, stabilnym asortymencie i powtarzalnej sezonowości. Może działać nawet wtedy, gdy historia jest krótka, ale uporządkowana. Jego ograniczeniem jest słabsze reagowanie na wiele zmiennych zewnętrznych, nagłe zmiany portfolio oraz zależności między produktami.

Przy planowaniu kolejnych kroków pomocny może być tekst: Przewodnik po danych procesowych: zrozumieć OPC UA, historię danych i potrzeby modeli AI.

Ten wariant ma sens dla zakładu, który dopiero porządkuje dane i chce stworzyć wiarygodny punkt odniesienia. Każdy bardziej złożony model powinien być porównywany z prostą prognozą. Jeśli algorytm AI nie poprawia wyników względem średniej sezonowej albo dobrze skonfigurowanego modelu bazowego, jego dodatkowa złożoność nie jest uzasadniona.

Minusem może być ograniczona obsługa czynników takich jak promocja, zmiana ceny lub opóźnienie dostaw. Model statystyczny zwykle nie wykorzysta też w pełni informacji o relacjach między produktami, chyba że zostanie specjalnie rozbudowany. Nie oznacza to jednak, że należy go od razu odrzucić. Prostota ułatwia wykrycie problemów w danych.

Wariant 2 — modele uczenia maszynowego

Modele uczenia maszynowego mogą wykorzystywać większą liczbę cech opisujących popyt niż klasyczne metody szeregów czasowych. Oprócz wartości historycznych można uwzględnić między innymi dzień tygodnia, miesiąc, typ klienta, grupę produktu, historię zmian zamówień, ceny, promocje, terminy dostaw oraz informacje o dostępności wyrobu.

W praktyce stosuje się modele regresyjne, drzewa decyzyjne, lasy losowe, gradient boosting albo sieci neuronowe. Wybór algorytmu powinien wynikać z charakteru danych, a nie z samej nazwy technologii. Model, który jest łatwiejszy do wyjaśnienia i utrzymania, może być lepszym rozwiązaniem niż bardziej złożona sieć neuronowa.

Największą zaletą tego wariantu jest możliwość uchwycenia nieliniowych zależności. Popyt może rosnąć tylko w określonym przedziale cenowym, reagować na promocję z opóźnieniem albo zmieniać się odmiennie dla różnych grup klientów. Model uczenia maszynowego może również rozpoznawać, że podobne produkty mają zbliżone wzorce zamówień, nawet jeśli każdy z nich osobno ma krótką historię.

Wadą jest większa wrażliwość na jakość danych i sposób przygotowania cech. Model może nauczyć się pozornych zależności, na przykład powiązać wzrost popytu z określonym dniem, który w historii przypadkowo pokrywał się z jednorazową akcją handlową. Trudniej też wyjaśnić planiście, dlaczego prognoza zmieniła się w konkretnym kierunku.

Ten wariant ma sens, gdy zakład dysponuje uporządkowaną historią, wystarczającą liczbą obserwacji oraz zmiennymi, które mogą realnie wpływać na popyt. Warto go rozważyć również wtedy, gdy prosty model regularnie nie rozpoznaje zmian związanych z klientami, produktami, promocjami lub kalendarzem.

• Plusy: obsługa wielu zmiennych, wykrywanie złożonych zależności, możliwość tworzenia osobnych modeli dla grup produktów i klientów.
• Minusy: większe wymagania dotyczące danych, trudniejsza interpretacja, ryzyko przeuczenia i potrzeba stałego monitorowania jakości.
• Dla kogo: dla organizacji, która ma już stabilny proces gromadzenia danych i chce poprawić prognozy w obszarach, gdzie metody bazowe są niewystarczające.

Wariant 3 — prognozowanie popytu z wykorzystaniem danych z wielu źródeł

W tym wariancie model nie opiera się wyłącznie na historii zamówień. Łączy dane biznesowe, produkcyjne, magazynowe, zakupowe i — jeśli jest to uzasadnione — procesowe. Celem nie jest samo dodanie jak największej liczby tabel, lecz zbudowanie obrazu sytuacji, który pozwala odróżnić rzeczywistą zmianę popytu od ograniczeń po stronie zakładu.

Przykładowo, spadek liczby wysyłanych produktów może wystąpić w okresie awarii linii, braku komponentu albo ograniczonej dostępności pracowników. Jeżeli model otrzyma tylko dane o wysyłkach, może uznać taki spadek za słabszy popyt. Po połączeniu z informacjami o zleceniach, brakach materiałowych i niewykonanych planach łatwiej ocenić, czy rynek rzeczywiście zamawiał mniej.

Model wieloźródłowy może również wspierać prognozowanie na różnych poziomach. Popyt może być przewidywany dla pojedynczego indeksu, rodziny produktów, klienta, kanału sprzedaży albo całego zakładu. Wyniki z wyższych poziomów pomagają stabilizować prognozy dla produktów o krótkiej lub nieregularnej historii.

Głównym wyzwaniem jest integracja. Dane z poszczególnych systemów mogą mieć różne znaczniki czasu, opóźnienia aktualizacji, odmienne definicje statusów i inne poziomy szczegółowości. Trzeba też ustalić, które informacje były dostępne w chwili tworzenia prognozy. Sam fakt, że dane znajdują się w hurtowni, nie oznacza jeszcze, że można bezpiecznie użyć ich jako cechy modelu.

Ten wariant sprawdza się w przedsiębiorstwach, w których popyt i możliwości realizacji są silnie powiązane. Jest szczególnie przydatny przy produkcji na zamówienie, ograniczonej dostępności materiałów, częstych przezbrojeniach oraz zmiennych terminach dostaw. Nie zawsze należy jednak łączyć wszystkie źródła od razu. Lepszym podejściem jest rozpoczęcie od tych danych, dla których można jasno uzasadnić wpływ na decyzję planistyczną.

• Plusy: szerszy obraz sytuacji, lepsze rozpoznawanie przyczyn odchyleń, możliwość uwzględnienia ograniczeń produkcyjnych i materiałowych.
• Minusy: trudniejsza integracja, większe ryzyko niespójności definicji, wyższe wymagania dotyczące zarządzania danymi.
• Dla kogo: dla zakładów, w których sama historia zamówień nie wyjaśnia zmian popytu albo prognoza musi być bezpośrednio powiązana z możliwościami realizacji.

Wariant 4 — system AI wspierający planowanie i decyzje produkcyjne

Najbardziej rozbudowany wariant nie kończy się na wygenerowaniu liczby przewidywanych zamówień. System AI może prezentować prognozę, wskazywać poziom niepewności, wykrywać odchylenia, sugerować priorytety i analizować możliwe skutki decyzji. Ostateczna decyzja nadal pozostaje po stronie planisty, który może uwzględnić informacje niewidoczne w danych historycznych.

Taki system może połączyć prognozę popytu z widokiem zapasów, dostępnością komponentów, obciążeniem zasobów, terminami realizacji i statusem zleceń. Zamiast samej informacji „przewidywany popyt wzrośnie”, użytkownik może otrzymać sygnał, że określona grupa produktów wymaga wcześniejszego zabezpieczenia materiału albo że realizacja prognozowanych zamówień zwiększy obciążenie konkretnego gniazda.

Ważną funkcją jest obsługa wyjątków. Planista nie musi analizować każdego indeksu z taką samą uwagą. System może wskazywać produkty, dla których:

• prognoza wyraźnie różni się od ostatniego planu,
• niepewność wyniku jest wysoka,
• brakuje materiałów do prawdopodobnej realizacji,
• pojawiła się nietypowa zmiana zamówień,
• prognozowane obciążenie przekracza dostępne możliwości zasobu.

Zaletą jest przełożenie modelu na codzienną pracę. Prognoza staje się elementem procesu planowania, a nie osobnym raportem, do którego użytkownicy zaglądają sporadycznie. System może też rejestrować korekty wprowadzone przez planistę. Dzięki temu można sprawdzać, kiedy człowiek poprawia wynik modelu, czy te poprawki są trafne oraz jakie informacje nie zostały jeszcze uwzględnione w danych.

Największym ograniczeniem jest złożoność wdrożenia. Potrzebne są nie tylko modele, lecz także reguły biznesowe, integracje, uprawnienia, obsługa wyjątków, monitorowanie jakości i jasny sposób prezentacji wyników. Nie powinno się automatycznie tworzyć zleceń produkcyjnych lub zakupowych wyłącznie na podstawie prognozy. Najpierw trzeba ustalić zakres odpowiedzialności systemu i moment, w którym decyzję zatwierdza człowiek.

Ten wariant ma sens dla organizacji, która ma już dojrzałe procesy danych, określone role użytkowników i uzasadnienie biznesowe wykraczające poza samą poprawę wskaźnika prognozy. Jest odpowiedni wtedy, gdy problemem nie jest tylko obliczenie popytu, ale również szybkie przełożenie prognozy na plan, priorytety i reakcję na wyjątki.

• Plusy: bezpośrednie wsparcie planisty, obsługa wyjątków, połączenie prognozy z ograniczeniami produkcyjnymi i materiałowymi, lepsza widoczność konsekwencji decyzji.
• Minusy: najwyższa złożoność organizacyjna i techniczna, konieczność integracji z procesami operacyjnymi, większe wymagania dotyczące kontroli i odpowiedzialności.
• Dla kogo: dla przedsiębiorstw, które chcą zbudować stały system wspierania decyzji, a nie tylko jednorazowy model analityczny.

Porównanie wariantów

Jak wybrać odpowiedni wariant?

Wybór nie powinien zaczynać się od pytania, jaki algorytm jest obecnie najbardziej popularny. Lepsze pytanie brzmi: jaka decyzja ma zostać podjęta szybciej, trafniej albo z mniejszym ryzykiem? Jeżeli problemem jest brak podstawowej widoczności zamówień, wdrożenie rozbudowanego systemu AI nie usunie przyczyny. Jeżeli natomiast zakład ma już spójne dane, lecz planista nie potrafi szybko ocenić wielu zależności, warto rozważyć model uczenia maszynowego lub rozwiązanie wieloźródłowe.

Przy wyborze warto sprawdzić kilka kryteriów:

• Dojrzałość danych: czy historia jest kompletna, spójna i dostępna w momentach, w których tworzona jest prognoza?
• Regularność popytu: czy zamówienia mają powtarzalny wzorzec, czy występują duże skoki, produkty niestandardowe i krótkie serie?
• Liczba czynników wpływających na wynik: czy wystarczą dane historyczne, czy potrzebne są informacje o klientach, cenach, promocjach, zapasach i produkcji?
• Poziom wyjaśnialności: czy planista musi rozumieć przyczynę każdej zmiany prognozy?
• Znaczenie decyzji: czy wynik służy do raportowania, planowania materiałów, ustalania obciążenia zasobów, czy bezpośredniego ustalania priorytetów?
• Gotowość organizacyjna: czy istnieje właściciel procesu, sposób obsługi błędów oraz osoba odpowiedzialna za ocenę jakości modelu?

Najbezpieczniejsza ścieżka zwykle prowadzi od wariantu prostszego do bardziej złożonego. Najpierw należy utrzymać wiarygodną prognozę bazową, następnie sprawdzić, czy modele uczenia maszynowego dają powtarzalną poprawę. Dopiero później warto dołączać kolejne źródła danych i funkcje wspierające decyzje. Każdy etap powinien być oceniany nie tylko przez dokładność prognozy, lecz także przez wpływ na zapasy, terminowość, stabilność planu i czas pracy planistów.

Rekomendacja: dla większości zakładów rozsądnym rozwiązaniem jest etapowe połączenie wariantu 1 i wariantu 2. Model bazowy zapewnia punkt odniesienia, a uczenie maszynowe można wdrożyć tam, gdzie przynosi wyraźną poprawę. Wariant 3 należy wybrać wtedy, gdy ograniczenia materiałowe lub produkcyjne zniekształcają obraz popytu. Wariant 4 powinien być kolejnym etapem rozwoju, przeznaczonym dla organizacji, która potrafi utrzymać jakość danych i chce trwale włączyć AI do pracy planisty.

Najczęściej zadawane pytania (FAQ)

Czym różni się prognoza popytu od planu produkcji?

Prognoza popytu przewiduje przyszłe zapotrzebowanie, natomiast plan produkcji jest decyzją uwzględniającą dostępne maszyny, ludzi, materiały i terminy.

Jakie dane są potrzebne do prognozowania popytu?

Najczęściej wykorzystuje się dane z ERP i MES, informacje o zamówieniach, zapasach, dostawach, produkcji oraz wybrane dane procesowe i zewnętrzne.

Dlaczego sprzedaż nie zawsze odzwierciedla rzeczywisty popyt?

Sprzedaż mogła być niższa od popytu, jeśli przedsiębiorstwo nie miało produktu na magazynie albo nie mogło zrealizować zamówienia z powodu ograniczeń produkcyjnych.

Jak uniknąć wycieku informacji podczas uczenia modelu?

Model powinien korzystać wyłącznie z danych dostępnych w chwili tworzenia prognozy. Późniejsze korekty zamówień, anulacje i realizacja nie mogą trafiać do danych wejściowych.

Czy OPC UA jest modelem prognozowania popytu?

Nie. OPC UA jest standardem udostępniania danych z urządzeń i systemów automatyki. Może wspierać warstwę danych, ale nie zastępuje modelu prognozowania.

Źródła

• [1] Amazon Web Services – Demand Forecasting ↑
• [2] Amazon Web Services – Forecasting demand for new product introductions by using AWS machine learning services ↑
• [3] Microsoft Learn – Resilient supply chains – Microsoft for Manufacturing ↑
• [4] Amazon Web Services – How Foxconn built an end-to-end forecasting solution in two months with Amazon Forecast ↑