Prevendo demanda e otimizando a gestão de estoque com BigQuery

to be confirmed
TBD–TBD
to be confirmed
As empresas de varejo sabem do valor da previsão da demanda e usam a intuição, a experiência em produtos e mercados e os padrões e ciclos sazonais para se preparar para a demanda futura. Além da necessidade de previsões mais exatas, os varejistas de hoje também precisam planejar a demanda em larga escala, o que é um grande desafio. A grande variedade de produtos, que abrangem milhares de itens em centenas de locais de venda individuais ou áreas designadas de mercado, resulta em diversas séries temporais que não podem ser gerenciadas sem a ajuda de plataformas de Big Data e soluções de modelagem de séries temporais que sejam dimensionadas adequadamente.

Até agora, esse desafio vem sendo enfrentado de duas formas:

  • Aquisição de uma solução completa de previsão de demanda de ponta a ponta, cuja implementação e manutenção requerem muito tempo e recursos.
  • Uso de uma plataforma de aprendizado de máquina multifuncional para executar seus próprios modelos de séries temporais, o que exige profunda experiência tanto em modelagem quanto em engenharia de dados.

Para ajudar os varejistas com uma solução de planejamento de demanda mais fácil e flexível, publicamos um padrão de referência de Smart Analytics para realizar previsões de séries temporais com BigQuery ML usando o método autorregressivo integrado de média móvel (ARIMA, na sigla em inglês) como base. Esse modelo ARIMA segue o princípio de design com poucos códigos do BigQuery ML, permitindo previsões precisas sem necessidade de conhecimento avançado de modelos de séries temporais. Além disso, o modelo ARIMA do BigQuery ML tem várias melhorias em relação aos modelos ARIMA originais que muitos conhecem, incluindo seleção automática de modelos, pipeline de pré-processamento fácil e a capacidade de capturar vários padrões sazonais e gerar de forma simples milhares de previsões em escala com algumas linhas de SQL.

Neste artigo, vamos conhecer as duas formas mais comuns em que as equipes de previsão de demanda estão organizadas e como o BigQuery ML preenche uma lacuna entre as duas. Também falaremos como o BigQuery ML pode ajudar seu planejamento de demanda a se recuperar de eventos imprevistos, como a COVID-19.

Para ver o processo completo de implementação do padrão de design de previsão de demanda, confira este vídeo:



Dois tipos de equipe de previsão de demanda

Historicamente, as grandes organizações têm usado dois tipos de equipe de previsão de demanda. Elas são a equipe de Previsão de Negócios e a equipe de Previsão Científica.

A equipe de Previsão de Negócios normalmente usa soluções de previsão de planejamento de recursos empresariais (ERP, na sigla em inglês) ou de software como serviço (SaaS), ou até mesmo uma solução improvisada, que não requer um nível avançado de habilidade em ciência de dados. Esses ERPs geram previsões totalmente automatizadas. Os membros da equipe são, em geral, de áreas de gestão corporativa e, em vez de habilidades técnicas avançadas, têm funções com vasto domínio e conhecimento comercial. Muitas grandes empresas físicas usam essa abordagem. Esses tipos de solução têm bom escalonamento, mas requerem tempo e recursos significativos para implementação e suporte. Isso normalmente inclui grandes equipes de implementação e DevOps, várias instâncias dedicadas de computação e armazenamento de dados, e longos ciclos de atualização de previsões em lote com tempo fixo e programado.

A equipe de Previsão Científica conta com profissionais PhD ou MSc que trabalham dentro de uma organização de ciência de dados ou tecnologia e são especialistas em Python ou R. Eles usam uma plataforma de IA na nuvem e executam todas as previsões de ponta a ponta: escolha, criação, treinamento e avaliação de um modelo. Em seguida, implantam o modelo para a produção e comunicam os resultados às partes interessadas e à liderança empresarial. Esse tipo de equipe é frequentemente encontrado em organizações com maior maturidade digital.


Um novo tipo de equipe de previsão

Recentemente, surgiu um novo tipo híbrido de equipe de previsão. Ele é usado em empresas que buscam se basear mais em dados e modelos, mas não têm os recursos para investir em um ERP caro ou contratar um cientista de dados PhD. Os membros têm um bom conhecimento de previsão e planejamento de demanda, mas não têm experiência ou recursos organizacionais suficientes para implantar modelos personalizados em grande escala. Mesmo assim, esse tipo de equipe, se tiver as ferramentas certas, tem o potencial para unir o melhor dos dois mundos: a modelagem avançada da Previsão Científica e o profundo conhecimento da área da Previsão de Negócios.


Resposta a imprevistos

Como quase todas as empresas vivenciaram em 2020, alguns eventos, como a pandemia da COVID-19, confundem os indicadores de previsão de demanda, tornando os modelos existentes questionáveis.

Com uma solução de previsão de ERP, mesmo uma pequena mudança na cadeia de suprimentos e configuração da rede da loja resultará em uma alteração nos padrões de demanda que requer uma reconfiguração extensa da solução de planejamento da demanda e exige a ajuda de uma grande equipe de suporte. O BigQuery ML reduz a complexidade, eliminando a necessidade desses ajustes por eventos esperados e inesperados, e, por ser sem servidor, escalona automaticamente e economiza custos com tempo e esforços de DevOps. A regeneração das previsões para se adaptar a uma mudança na configuração da cadeia de suprimentos agora acontece em algumas horas, não semanas.


Primeiros passos com um padrão de referência do BigQuery ML

Para facilitar o uso das ferramentas do Google Cloud, como o BigQuery ML, lançamos recentemente os padrões de referência do Smart Analytics, que são guias de referência técnica com exemplo de código para casos de uso comuns de análise. Vocês nos disseram que queriam maneiras fáceis de usar as ferramentas de análise, e os padrões de referência anteriores cobrem casos de uso como previsão do valor de vida útil do cliente, propensão à compra, sistemas de recomendação de produtos e muito mais.

Nosso mais novo padrão de referência no GitHub ajudará você a gerar previsões de séries temporais em grande escala. O padrão mostrará como usar dados históricos de vendas para treinar um modelo de previsão de demanda usando o BigQuery ML e depois ver os resultados em um painel de controle.

Para mais detalhes e orientações sobre esse processo, confira nossa explicação técnica, em que usamos dados históricos de transações de vendas de bebidas alcoólicas de Iowa para fazer uma previsão para os próximos 30 dias. No blog, você aprenderá a:

  • Pré-processar os dados no formato correto necessário para criar um modelo de previsão de demanda usando o BigQuery ML;
  • Usar vários modelos de série temporal BQ ARIMA no BigQuery ML;
  • Avaliar os modelos e gerar previsões para o horizonte de previsão desejado;
  • Criar um painel de controle para ver a demanda prevista usando o Data Studio;
  • Configurar consultas programadas para reajustar automaticamente os modelos com frequência.


O BigQuery ML combina a Previsão de Negócios e a Previsão Científica

Com os recursos que descrevemos, vemos como o BigQueryML ajuda a preencher a lacuna entre as duas abordagens atuais de previsão em grande escala, permitindo que você crie sua própria plataforma de previsão de demanda sem a necessidade de cientistas de dados de séries temporais altamente especializados. É a solução ideal para métodos híbridos de previsão, com ferramentas que geram previsões em grande escala e em tempo real.

Como o BigQuery ML permite que você treine e implante modelos de ML usando SQL, ele democratiza seus desafios de modelagem de dados, disponibilizando as ferramentas de previsão de demanda e os insights comerciais para mais pessoas na sua organização.

Por exemplo, o modelo ARIMA do BigQuery ML ajuda os varejistas a se recuperarem de eventos inesperados, podendo gerar milhares de previsões com novos dados em um período mais curto. Você pode recalibrar as previsões de demanda de forma mais econômica, detectar mudanças nas tendências e realizar múltiplas iterações que capturam novos padrões à medida que eles surgem, sem mobilizar toda uma equipe de DevOps para isso.

Integração de equipes e otimização de esforços

Ao usar o BigQuery ML como mecanismo de previsão, você pode interligar suas equipes de previsão híbrida ou de negócios e as equipes avançadas de ciência de dados. Por exemplo, seus analistas de previsão serão responsáveis por gerar previsões estatísticas de referência com o BigQuery e revisá-las, mas o cientista de dados sênior fará uma análise de impacto causal mais avançada em alguns dos dados de demanda, se necessário, ou uma avaliação do efeito da COVID-19 na mudança dos padrões de demanda. Pense nisso como "DemandOps" em vez de "DevOps".

Isso também será possível se você já tiver ferramentas de planejamento de demanda de ERP, bastando exportar suas previsões e dados de vendas para o BigQuery sempre que forem atualizados, ou conforme necessário. É provável que um varejista tenha várias previsões de séries temporais sendo executadas por funções de negócios separadas. Sua equipe de merchandising realiza as previsões de demanda táticas e operacionais, o financeiro, as previsões de receita de primeira linha, e a cadeia de suprimentos, as próprias previsões para planejamento de capacidade no nível do data center, cada uma usando um conjunto de ferramentas específicas. Essas previsões são geradas de forma isolada, mas reconciliá-las melhoraria a precisão e forneceria à organização uma visão holística importante dos negócios que as previsões e análises individuais não oferecem.

Por exemplo, com base em indicadores do mercado e do produto, o merchandising pode prever um aumento na demanda de um determinado produto. A cadeia de suprimentos, separadamente, sabe de vários fatores de estresse de fabricação e logística que apontam uma diminuição no envio de produtos. Em geral, essa discrepância não é detectada durante várias semanas e é resolvida com e-mails e reuniões. Até lá, já é tarde demais, uma vez que as decisões de planejamento conflitantes já foram tomadas pelas equipes individualmente e os danos já foram causados. Usar o BigQuery como uma plataforma centralizada de análise de previsão permitiria a um varejista detectar essa discrepância em questão de horas ou dias e reagir de acordo, em vez de ter que reverter as decisões de planejamento várias semanas depois.

O BigQuery e o BigQuery ML, além dos eficientes recursos de modelagem BQARIMA, oferecem a plataforma perfeita para a colaboração entre equipes de previsão díspares e diversas.

Outros recursos para aperfeiçoar sua previsão de demanda

O Google Cloud disponibiliza várias soluções para ajudar a melhorar suas capacidades de previsão de demanda e otimizar os níveis de inventário em meio a tempos incertos. Além das ferramentas do BigQuery ML descritas neste blog, você também pode usar:

  • Seus frameworks de código aberto preferidos em instâncias Jupyterlab do AI Platform do Cloud para criar os próprios modelos de séries temporais, tanto estatísticos quanto baseados em ML;
  • O AutoML Forecast para selecionar e treinar automaticamente modelos avançados de séries temporais de aprendizado profundo;
  • Nossa futura solução de previsão totalmente gerenciada, a Demand AI (atualmente em estado experimental);
  • As soluções de um parceiro, como ao9, para implementar uma plataforma de planejamento de varejo com recursos de previsão no Google Cloud.


Gostaria de saber mais sobre os recursos do BigQuery ML?

Inscreva-se aqui para ter acesso a um treinamento gratuito sobre como, avaliar e prever a demanda no varejo com o BigQuery ML.


PLACEHOLDER
PLACEHOLDER
to be confirmed
TBD–TBD
to be confirmed
to be confirmed
to be confirmed, to be confirmed

Agenda

  • 8:30 AM–09:30 AM
    Registrations
  • 9:30 AM–09:40 AM
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
  • 9:40 AM–10:00 AM
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ
  • 10:00 AM–10:40 AM
    Fast analytics at scale with Google BigQuery
    Speaker: Name, Title, Organization
  • 10:40 AM–11:00 AM
    Break
  • 11:00 AM–11:20 AM
    Session Title
    Speaker: Name, Title, Organization
  • 11:20 AM–11:40 AM
    Session Title
    Speaker: Name, Title, Organization
  • 11:40 AM–12:40 PM
    Lunch
  • 12:40 PM–01:00 PM
    Session Title
    Speaker: Name, Title, Organization
  • 1:00 PM–01:20 PM
    Session Title
    Speaker: Name, Title, Organization
  • 1:20 PM–01:40 PM
    Session Title
    Speaker: Name, Title, Organization
  • 1:40 PM–02:40 PM
    Closing keynote: Lorem ipsum dolor sit
    Speaker: Name, Title, Organization
  • 2:40 PM–03:40 PM
    Happy hour

Agenda

Track 1

Track 2

  • 8:30 AM–09:30 AM
    Registrations
    Registrations
  • 9:30 AM–09:40 AM
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
  • 9:40 AM–10:00 AM
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ

Track 1

Track 2

Track 3

  • 8:30 AM–09:30 AM
    Registrations
    Registrations
    Registrations
  • 9:30 AM–09:40 AM
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
    Opening Keynote: Lorem ipsum dolor sit
    Firstname Lastname, Position, Company XYZ
  • 9:40 AM–10:00 AM
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ
    Pushing the limits of BigQuery with Kabam
    Firstname Lastname, Position, Company XYZ

Dois tipos de equipe de previsão de demanda

Historicamente, as grandes organizações têm usado dois tipos de equipe de previsão de demanda. Elas são a equipe de Previsão de Negócios e a equipe de Previsão Científica.

A equipe de Previsão de Negócios normalmente usa soluções de previsão de planejamento de recursos empresariais (ERP, na sigla em inglês) ou de software como serviço (SaaS), ou até mesmo uma solução improvisada, que não requer um nível avançado de habilidade em ciência de dados. Esses ERPs geram previsões totalmente automatizadas. Os membros da equipe são, em geral, de áreas de gestão corporativa e, em vez de habilidades técnicas avançadas, têm funções com vasto domínio e conhecimento comercial. Muitas grandes empresas físicas usam essa abordagem. Esses tipos de solução têm bom escalonamento, mas requerem tempo e recursos significativos para implementação e suporte. Isso normalmente inclui grandes equipes de implementação e DevOps, várias instâncias dedicadas de computação e armazenamento de dados, e longos ciclos de atualização de previsões em lote com tempo fixo e programado.

A equipe de Previsão Científica conta com profissionais PhD ou MSc que trabalham dentro de uma organização de ciência de dados ou tecnologia e são especialistas em Python ou R. Eles usam uma plataforma de IA na nuvem e executam todas as previsões de ponta a ponta: escolha, criação, treinamento e avaliação de um modelo. Em seguida, implantam o modelo para a produção e comunicam os resultados às partes interessadas e à liderança empresarial. Esse tipo de equipe é frequentemente encontrado em organizações digitais.

Um novo tipo de equipe de previsão

Recentemente, surgiu um novo tipo híbrido de equipe de previsão. Ele é usado em empresas que buscam se basear mais em dados e modelos, mas não têm os recursos para investir em um ERP caro ou contratar um cientista de dados PhD. Os membros têm um bom conhecimento de previsão e planejamento de demanda, mas não têm experiência ou recursos organizacionais suficientes para implantar modelos personalizados em grande escala. Mesmo assim, esse tipo de equipe, se tiver as ferramentas certas, tem o potencial para unir o melhor dos dois mundos: a modelagem avançada da Previsão Científica e o profundo conhecimento da área da Previsão de Negócios.

Resposta a imprevistos

Como quase todas as empresas vivenciaram em 2020, alguns eventos, como a pandemia da COVID-19, confundem os indicadores de previsão de demanda, tornando os modelos existentes questionáveis.

Com uma solução de previsão de ERP, mesmo uma pequena mudança na cadeia de suprimentos e configuração da rede da loja resultará em uma alteração nos padrões de demanda que requer uma reconfiguração extensa da solução de planejamento da demanda e exige a ajuda de uma grande equipe de suporte. O BigQuery ML reduz a complexidade, eliminando a necessidade desses ajustes por eventos esperados e inesperados, e, por ser sem servidor, escalona automaticamente e economiza custos com tempo e esforços de DevOps. A regeneração das previsões para se adaptar a uma mudança na configuração da cadeia de suprimentos agora acontece em algumas horas, não semanas.

Primeiros passos com um padrão de referência do BigQuery ML

Para facilitar o uso das ferramentas do Google Cloud, como o BigQuery ML, lançamos recentemente os padrões de referência do Smart Analytics, que são guias de referência técnica com exemplo de código para casos de uso comuns de análise. Vocês nos disseram que queriam maneiras fáceis de usar as ferramentas de análise, e os padrões de referência anteriores cobrem casos de uso como previsão do valor de vida útil do cliente, propensão à compra, sistemas de recomendação de produtos e muito mais.

Nosso mais novo padrão de referência no GitHub ajudará você a gerar previsões de séries temporais em grande escala. O padrão mostrará como usar dados históricos de vendas para treinar um modelo de previsão de demanda usando o BigQuery ML e depois ver os resultados em um painel de controle.

Para mais detalhes e orientações sobre esse processo, confira nossa explicação técnica, em que usamos dados históricos de transações de vendas de bebidas alcoólicas de Iowa para fazer uma previsão para os próximos 30 dias. No blog, você aprenderá a:

  • Pré-processar os dados no formato correto necessário para criar um modelo de previsão de demanda usando o BigQuery ML;
  • Usar vários modelos de série temporal BQ ARIMA no BigQuery ML;
  • Avaliar os modelos e gerar previsões para o horizonte de previsão desejado;
  • Criar um painel de controle para ver a demanda prevista usando o Data Studio;
  • Configurar consultas programadas para reajustar automaticamente os modelos com frequência.

Vamos descrever melhor os conceitos que acabamos de apresentar.

O BigQuery ML interliga a Previsão de Negócios e a Previsão Científica

Com os recursos que descrevemos, vemos como o BQML ajuda a preencher a lacuna entre as duas abordagens atuais de previsão em grande escala, permitindo que você crie sua própria plataforma de previsão de demanda sem a necessidade de cientistas de dados de séries temporais altamente especializados. É a solução ideal para métodos híbridos de previsão, com ferramentas que geram previsões em grande escala e em tempo real.

Como o BigQuery ML permite que você treine e implante modelos de ML usando SQL, ele democratiza seus desafios de modelagem de dados, disponibilizando as ferramentas de previsão de demanda e os insights comerciais para mais pessoas na sua organização.

Por exemplo, o modelo ARIMA do BigQuery ML ajuda os varejistas a se recuperarem de eventos inesperados, podendo gerar milhares de previsões com novos dados em um período mais curto. Você pode recalibrar as previsões de demanda de forma mais econômica, detectar mudanças nas tendências e realizar múltiplas iterações que capturam novos padrões à medida que eles surgem, sem mobilizar toda uma equipe de DevOps para isso.

Ao usar o BigQuery ML como mecanismo de previsão, você pode interligar suas equipes de previsão híbrida ou de negócios e as equipes avançadas de ciência de dados. Por exemplo, seus analistas de previsão serão responsáveis por gerar previsões estatísticas de referência com o BigQuery e revisá-las, mas o cientista de dados sênior fará uma análise de impacto causal mais avançada em alguns dos dados de demanda, se necessário, ou uma avaliação do efeito da COVID-19 na mudança dos padrões de demanda. Pense nisso como "DemandOps" em vez de "DevOps".

Isso também será possível se você já tiver ferramentas de planejamento de demanda de ERP, bastando exportar suas previsões e dados de vendas para o BigQuery sempre que forem atualizados, ou conforme necessário. É provável que um varejista tenha várias previsões de séries temporais sendo executadas por funções de negócios separadas. Sua equipe de merchandising realiza as previsões de demanda táticas e operacionais, o financeiro, as previsões de receita de primeira linha, e a cadeia de suprimentos, as próprias previsões para planejamento de capacidade no nível do data center, cada uma usando um conjunto de ferramentas específicas. Essas previsões são geradas de forma isolada, mas reconciliá-las melhoraria a precisão e forneceria à organização uma visão holística importante dos negócios que as previsões e análises individuais não oferecem.

Por exemplo, com base em indicadores do mercado e do produto, o merchandising pode prever um aumento na demanda de um determinado produto. A cadeia de suprimentos, separadamente, sabe de vários fatores de estresse de fabricação e logística que apontam uma diminuição no envio de produtos. Em geral, essa discrepância não é detectada durante várias semanas e é resolvida com e-mails e reuniões. Até lá, já é tarde demais, uma vez que as decisões de planejamento conflitantes já foram tomadas pelas equipes individualmente e os danos já foram causados. Usar o BigQuery como uma plataforma centralizada de análise de previsão permitiria a um varejista detectar essa discrepância em questão de horas ou dias e reagir de acordo, em vez de ter que reverter as decisões de planejamento várias semanas depois.

O BigQuery e o BigQuery ML, além dos eficientes recursos de modelagem BQARIMA, oferecem a plataforma perfeita para a colaboração entre equipes de previsão díspares e diversas.

O Google Cloud disponibiliza várias soluções para ajudar a melhorar suas capacidades de previsão de demanda e otimizar os níveis de inventário em meio a tempos incertos. Além das ferramentas do BigQuery ML descritas neste blog, você também pode usar:

  • Seus frameworks de código aberto preferidos em instâncias Jupyterlab do AI Platform do Cloud para criar os próprios modelos de séries temporais, tanto estatísticos quanto baseados em ML;
  • O AutoML Forecast para selecionar e treinar automaticamente modelos avançados de séries temporais de aprendizado profundo;
  • Nossa futura solução de previsão totalmente gerenciada, a Demand AI (atualmente em estado experimental);
  • As soluções de um parceiro, como ao9, para implementar uma plataforma de planejamento de varejo com recursos de previsão no Google Cloud.

Para mais exemplos de padrões de referência de análise de dados, confira a seção de previsão no nosso catálogo. Quer começar com BigQuery ML? Leia mais na nossa introdução ao produto.

Gostaria de saber mais sobre os recursos do BigQuery ML? Inscreva-se aqui para ter acesso a um treinamento gratuito sobre como treinar, avaliar e prever a demanda de inventário em dados de vendas do varejo com o BigQuery ML.

Speakers

Firstname Lastname

Developer Advocate of Machine Learning,

Google Cloud

Nulla quis lorem ut libero malesuada feugiat. Proin eget tortor risus. Praesent sapien massa, convallis a pellentesque nec, egestas non nisi. Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Vivamus suscipit tortor eget felis porttitor volutpat.Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Mauris blandit aliquet elit, eget tincidunt nibh pulvinar.

Nulla quis lorem ut libero malesuada feugiat. Proin eget tortor risus. Praesent sapien massa, convallis a pellentesque nec, egestas non nisi. Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Vivamus suscipit tortor eget felis porttitor volutpat.Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Mauris blandit aliquet elit, eget tincidunt nibh pulvinar.

Nulla quis lorem ut libero malesuada feugiat. Proin eget tortor risus. Praesent sapien massa, convallis a pellentesque nec, egestas non nisi. Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Vivamus suscipit tortor eget felis porttitor volutpat.Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Mauris blandit aliquet elit, eget tincidunt nibh pulvinar.

Nulla quis lorem ut libero malesuada feugiat. Proin eget tortor risus. Praesent sapien massa, convallis a pellentesque nec, egestas non nisi. Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Vivamus suscipit tortor eget felis porttitor volutpat.Curabitur non nulla sit amet nisl tempus convallis quis ac lectus. Mauris blandit aliquet elit, eget tincidunt nibh pulvinar.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Firstname Lastname

Customer Engineer,

Google Cloud

Lorem ipsum dolor sit amet consectetur adipisicing elit. Voluptates tempore reiciendis ipsa beatae. Inventore officia amet, earum aliquid velit hic! Dicta minima repellat minus sapiente laborum, nesciunt ad voluptate perferendis.

Our partners

Platinum

Partner
Partner
Partner
Partner
Partner
Partner
Partner

Silver

Partner
Partner
Partner
Partner

Three-promo module. 40 characters max = two lines max on mobile.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

Two-promo module. 40 characters max = two lines max on mobile.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

One-promo module. 40 characters max = two lines max on mobile.

h3 headline 30 characters max

Donec rutrum congue leo eget malu suada. Praesent sapien massa, creallis sollicitudin malesuada euse consecturuer.

Choose your city

Country one

Country two

Country three

Register now

Register

We have received your registration. You will receive an email with your registration status shortly.

In the mean time, get started with Google Cloud to browse solutions, products and services

Follow us