Concept : processus d’apprentissage automatique d’optimisation de la main-d’œuvre

Le moteur de prévision de la demande de main-d’œuvre utilise un processus structuré en plusieurs étapes pour convertir vos données historiques brutes en prévisions fiables de la demande de main-d'œuvre . Vos données servent à build une compréhension statistique robuste des besoins de votre entreprise, ce qui mène directement à des décisions de dotation en personnel optimisées. Vos données ne quittent jamais l’environnement Workday .

Étape	Description	Traitement des données
Saisie et analyse des données	Vos données sont stockées de manière sécurisée dans une console centrale centrale de données, où le moteur apprentissage automatique les reprend et lance une analyse exploratoire des données (EDA).	Nous analysons les données brutes pour comprendre leurs attributs, leurs tendances et leurs caractéristiques fondamentales.
Prétraitement et nettoyage	Cette étape garantit que les données sont propres et cohérentes pour formation du modèle. Les données sont traitées au moyen de plusieurs actions automatisées.	Nous consolidons les données, retirons les doublons, remplissons les intervalles manquants avec des zéros, effectuons la détection et le remplacement des valeurs hors norme, procédons aux incohérences et ajoutons des événements de planification (p. ex. des jours fériés ou des promotions).
Entraînement du modèle	Le moteur apprentissage automatique entraîne ensuite le modèle à l’aide des données nettoyées et prépayées.	Le modèle recherche des modèles et des tendances en fonction des données métriques quotidiennes dans toutes vos organisations de planification des horaires définies. C’est là que le modèle apprend le lien historique entre vos données et la demande.
Génération de prédiction	Une fois l’entraînement effectué, le moteur apprentissage automatique génère les prévisions quotidiennes. Les prédictions sont générées à l'aide d'un modèle de prévision fondé sur des tendances ou d'un modèle d'arbre amélioré à points, selon la meilleure adéquation effectuée au moment de accueil et intégration.	Le moteur apprentissage automatique génère des prédictions quotidiennes pour chaque organisation de planification des horaires en utilisant les données de organisation de planification des horaires et le modèle entraîné.
Distribution de prédiction	Ces prévisions quotidiennes sont ensuite divisées en intervalles plus petits pour répondre à vos besoins opérationnels.	Le moteur apprentissage automatique utilise les structures historiques de l’organisation de planification des horaires pour redistribuer les prévisions quotidiennes totales selon l’intervalle que vous avez configuré (p. ex., segment horaire, de 30 minutes ou de 15 minutes).
Sortie et application	Les prédictions finales, propres à un intervalle, quittent le moteur apprentissage automatique et sont stockées pour la production de rapports.	Les règles de mappage de la main-d’œuvre utilisent ensuite ces prédictions pour calculer la demande de main-d'œuvre requise, qui est enfin utilisée par le moteur d’optimisation de la main-d’œuvre pour créer des horaires les mieux adaptés à vos équipes.