Detta examensarbete undersöker användningen av datadrivna metoder för efterfrågan prognoser och lagerstyrning inom ramen för Ericssons supply chain management. Studien fokuserar på integrationen av maskininlärning, demand shaping och realtidsdata för att förbättra noggrannheten och effektiviteten inom dessa avgörande områden. Studien utforskar effekten av maskininlärningstekniker på efterfråganprognoser och betonar betydelsen av exakta förutsägelser för att vägleda produktion, lagerhantering och distributionsstrategier. För att implementera detta föreslår studien integrationen av realtidsdataströmmar och Internet of Things (IoT)-enheter, vilket möjliggör insamling av aktuell information. Denna integration underlättar snabba svar på varierande efterfrågemönster och optimerar därmed supply chain-operationer. Studien ger värdefulla insikter för Ericsson för att förbättra sina förmågor inom efterfråganprognoser och för att optimera lagerhanteringen i en datadriven miljö. / This master's thesis investigates the utilization of data-driven approaches for demand forecasting and inventory control in the context of Ericsson's supply chain management. The study focuses on the integration of machine learning, demand shaping, and real-time data to enhance accuracy and efficiency in these critical areas. The research explores the impact of machine learning techniques on demand forecasting, highlighting the significance of precise predictions in guiding production, inventory management, and distribution strategies. To address this, the study proposes the integration of real-time data streams and Internet of Things (IoT) devices, enabling the capture of up-to-date information. This integration facilitates prompt responses to evolving demand patterns, thereby optimizing supply chain operations.The research provides valuable insights for Ericsson to enhance its demand forecasting capabilities and optimize inventory management in a data-driven environment.