Concepto: proceso de machine learning para optimización de mano de obra

El motor de previsión de demanda de mano de obra utiliza un proceso estructurado de varios pasos para convertir los datos históricos sin procesar en previsiones de demanda de mano de obra fiables. Sus datos se utilizan para build una sólida comprensión estadística de las necesidades de su empresa, lo que lleva directamente a optimizar las decisiones de dotación de personal . Sus datos nunca abandonan el entorno de Workday .

Paso	Descripción	Tratamiento de datos
Entrada y análisis de datos	Sus datos se almacenan de forma segura en un centro de operaciones de operaciones de datos centralizado, donde el motor de aprendizaje automático los recoge e inicia un análisis exploratorio de datos (EDA).	Analizamos los datos sin procesar para comprender sus atributos, tendencias y características fundamentales.
Preprocesamiento y limpieza	Este paso garantiza que los datos estén limpios y sean coherentes para formación el modelo. Los datos se procesan mediante varias acciones automatizadas.	Consolidamos datos, eliminamos duplicados, rellenamos con ceros los intervalos que faltan, detectamos y reemplazamos valores atípicos, eliminamos incoherencias y añadimos eventos de programación (por ejemplo, festivos o promociones).
Formación de modelos	A continuación, el motor de aprendizaje automático entrena el modelo con los datos preprocesados y limpios.	El modelo busca patrones y tendencias en función de los datos de métricas diarias en todas las organizaciones de programación definidas. Aquí es donde el modelo aprende la relación histórica entre sus datos y la demanda.
Generación de predicción	Una vez entrenado, el motor de aprendizaje automático genera las previsiones diarias. Las predicciones se generan mediante un modelo de previsión basado en tendencias o un modelo de árbol potenciado por degradado, en función del mejor ajuste determinado en la incorporación.	El motor de aprendizaje automático genera predicciones diarias para cada organización de programación utilizando los datos de la organización de programación y el modelo entrenado.
Distribución de predicción	A continuación, las predicciones diarias se desglosan en intervalos más pequeños para satisfacer sus necesidades operativas.	El motor de aprendizaje automático utiliza los patrones históricos de la organización de programación para redistribuir la predicción diaria total en el intervalo configurado (por ejemplo, segmentos por horas, de 30 minutos o de 15 minutos).
Resultado y aplicación	Las predicciones finales específicas de intervalo salen de ML Engine y se almacenan para generar informes.	A continuación, las reglas de asignación de mano de obra utilizan estas predicciones para calcular la demanda de mano de obra obligatorio , que finalmente utiliza el motor de optimización de mano de obra para crear los horarios más adecuados para sus equipos.