Passer au contenu principal
Administrator Guide
Dernière mise à jour : 2024-09-20
Concept : anomalies des résultats de la paie

Concept : anomalies des résultats de la paie

Cette rubrique s’applique aux éléments suivants :
  • Paie pour l'Australie
  • Paie pour le Canada
  • Paie pour le Royaume-Uni
  • La paie aux États-Unis.
En quoi consistent les anomalies des résultats de la paie?
Les anomalies des résultats de la paie sont des résultats qui, pour une ou plusieurs raisons, sont atypiques pour un calcul de la paie régulièrement exécuté. Workday utilise l’apprentissage automatique pour déterminer les calculs de la paie normaux et les modèles de résultats, en fonction des résultats de la paie historiques et des données sur les travailleurs actuelles et historiques.
Le rapport Pay Anomalies utilise les informations de paiement des travailleurs, en fonction de leurs résultats de la paie actuels et historiques, pour connaître les modèles de paiement anormaux historiques. Il utilise ensuite ces modèles pour prédire les résultats de la paie anormaux pour la période de paie actuelle.
Le modèle d’apprentissage automatique tient également compte des données historiques, par exemple si les administrateurs ont marqué des résultats de la paie similaires comme normaux ou anormaux. Workday détecte ensuite les résultats de la paie qui sont contraires à ces schémas et affecte un score au résultat, quantifiant la probabilité que le résultat soit anormal.
Lorsque Workday considère un résultat de la paie comme anormal, cela ne signifie pas que le résultat n’est pas valide. C’est plutôt que le résultat est atypique et peut nécessiter une attention particulière. À mesure que le modèle d’apprentissage automatique recueille plus de données, Workday détecte les anomalies avec plus de précision.
Confidentialité des anomalies
Le niveau de confiance est le niveau de confiance du modèle dans sa prédiction qu'une anomalie liée à la paie est normale ou anormal. Les valeurs possibles sont : Élevé, Moyen, Faible ou Aucune. La valeur Non peut être appliquée lorsqu'il n'y a pas de résultats suffisants pour établir une prédiction; par exemple, pour un nouvel employé.