Concept : processus de Machine Learning pour l'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 sont utilisées pour build une compréhension statistique solide des besoins de votre entreprise, ce qui permet directement d'optimiser les décisions affectation de personnel . Vos données ne quittent jamais l'environnement Workday .

Étape	Description	Gestion des données
Saisie et analyse des données	Vos données sont stockées en toute sécurité dans un hub de données centralisé où le moteur de Machine Learning les récupère 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 le modèle. Les données sont traitées à l'aide de plusieurs actions automatisées.	Nous consolidons les données, supprimons les doublons, remplissons les intervalles manquants avec des zéros, détectons et remplacent les valeurs hors norme, nettoyons les incohérences et ajoutons des événements de planification (jours fériés, promotions, etc.).
Entraînement du modèle	Le moteur de Machine Learning entraîne ensuite le modèle à l'aide des données nettoyer et pré-traitées.	Le modèle recherche des modèles et des tendances en fonction des données d'indicateurs quotidiens dans toutes vos organisations de planification définies. C'est là que le modèle apprend la relation historique entre vos données et la demande.
Génération de prédiction	Une fois entraîné, le moteur de Machine Learning génère les prévisions quotidiennes. Les prédictions sont générées à l'aide d'un modèle de prévision basé sur les tendances ou d'un modèle d'arbre de rapport Dégressif, en fonction de la meilleure correspondance telle que déterminée lors de accueil et intégration de.	Le moteur de Machine Learning génère des prédictions quotidiennes pour chaque organisation de planification à l'aide des données de organisation de planification et du modèle entraîné.
Distribution de prédiction	Les prédictions quotidiennes sont ensuite réduites en intervalles plus petits pour répondre à vos besoins opérationnels.	Le moteur de Machine Learning utilise les modèles historiques de l'organisation de planification pour redistribuer la prédiction quotidienne totale dans l'intervalle configuré (par exemple, les segments horaires, à la demi-heure ou au quart d'heure).
Sortie et application	Les prédictions finales spécifiques à un intervalle quittent le moteur de Machine Learning et sont stockées à des fins de reporting.	Les règles de mappage de main-d'œuvre utilisent ensuite ces prédictions pour calculer la demande de main-d'œuvre obligatoire , qui est ensuite utilisée par le moteur d'optimisation de la main-d'œuvre pour créer les plannings les mieux adaptés à vos équipes.