Konzept: Machine Learning-Prozess für Arbeitsoptimierung

Die Prognose-Engine für Personalbedarf verwendet einen strukturierten, mehrstufigen Prozess, um Ihre historischen Rohdaten in zuverlässige Personalbedarf umzuwandeln. Ihre Daten werden verwendet, um ein robustes statistisches Verständnis der Anforderungen Ihres Unternehmens zu Build , was direkt zu optimierten Personalbesetzung führt. Ihre Daten verlassen stets die Workday Umgebung.

Schritt	Beschreibung	Datenbehandlung
Datenaufnahme und -analyse	Ihre Daten werden sicher in einem zentralen Daten- Hub gespeichert, wo die ML-Engine sie erfasst und eine Datenanalyse (EDA) initiiert.	Wir analysieren die Rohdaten, um ihre Attribute, Trends und grundlegenden Merkmale zu verstehen.
Vorverarbeitung und Bereinigung	Dieser Schritt stellt sicher, dass die Daten für das Training des Modells bereinigt und konsistent sind. Die Daten werden über mehrere automatisierte Aktionen verarbeitet.	Wir konsolidieren Daten, entfernen Duplikate, füllen fehlende Intervalle mit Nullen aus, erkennen und ersetzen Ausreißer, bereinigen Inkonsistenzen und fügen Zeitplanungsereignisse (z. B. Feiertage oder Beförderungen) hinzu.
Modelltraining	Die ML-Engine trainiert das Modell dann mit den bereinigten, vorverarbeiteten Daten.	Das Modell sucht basierend auf den täglichen Metrikdaten in allen definierten Zeitplanungsorganisationen nach Mustern und Trends. Hier lernt das Modell die historische Beziehung zwischen Ihren Daten und dem Bedarf.
Prognosegenerierung	Nach dem Training generiert die ML-Engine die täglichen Prognosen. Prognosen werden entweder mit einem Trend-basierten Prognosemodell oder mit einem Geboost-Baummodell generiert, je nachdem, ob beim Onboarding die beste Übereinstimmung ermittelt wurde.	Die ML-Engine generiert anhand der Daten der Organisation und des trainierten Modells tägliche Prognosen für jede Zeitplanungsorganisation.
Prognoseverteilung	Die täglichen Prognosen werden dann in kleinere Intervalle unterteilt, um Ihren operativen Anforderungen gerecht zu werden.	Die ML-Engine verwendet die historischen Muster der Zeitplanungsorganisation, um die tägliche Gesamtprognose in Ihr konfiguriertes Intervall neu zu verteilen (z. B. stündlich, 30 Minuten oder 15 Minuten).
Ausgabe und Zuordnung	Die endgültigen, intervallspezifischen Prognosen verlassen die ML-Engine und werden für Reportingzwecke gespeichert.	Die Regeln für Personal-Mapping verwenden dann diese Prognosen, um den erforderlich Personalbedarf zu berechnen, der schließlich von der Arbeitsoptimierungs-Engine verwendet wird, um optimale Zeitpläne für Ihre Teams zu erstellen.