Concetto: Processo di machine learning per l'ottimizzazione della manodopera

Il motore di previsione della domanda di manodopera utilizza un processo strutturato in più step per convertire i dati storici grezzi in previsioni affidabili richiesta di manodopera . I dati vengono utilizzati per build una solida comprensione statistica delle esigenze aziendali, portando direttamente a decisioni ottimizzate in dotazione di personale . I dati non lasciano mai l'ambiente Workday .

Step	Descrizione	Gestione dei dati
Acquisizione e analisi dei dati	I dati vengono archiviati in modo sicuro in un hub dati centrale, dove il motore di machine learning li raccoglie e avvia un'analisi dei dati esplorativi (EDA).	I dati grezzi vengono analizzati per comprenderne attributi, tendenze e caratteristiche fondamentali.
Preelaborazione e pulizia	Questo step garantisce che i dati siano puliti e coerenti per formazione/corso di formazione del modello. I dati vengono elaborati tramite diverse azioni automatizzate.	Consolidiamo i dati, rimuoviamo i duplicati, riempiamo gli intervalli mancanti con zeri, eseguiamo il rilevamento e la sostituzione dei valori anomali, eliminiamo le incoerenze e aggiungiamo eventi di pianificazione (ad es. festività o promozioni).
Formazione modello	Il motore di machine learning esegue quindi il training del modello utilizzando i dati ripuliti e preelaborati.	Il modello cerca modelli e tendenze in base ai dati delle metriche giornaliere in tutte le organizzazioni con turni definite. È qui che il modello apprende la relazione storica tra i dati e la domanda.
Generazione previsioni	Una volta eseguito il training, il motore di machine learning genera le previsioni giornaliere. Le previsioni vengono generate utilizzando un modello di previsione basato sulle tendenze o un modello ad albero basato su gradiente, a seconda dell'adattamento migliore determinato al momento inserimento in azienda.	Il motore di machine learning genera previsioni giornaliere per ogni organizzazione con turni utilizzando i dati organizzazione con turni e il modello addestrato.
Distribuzione previsione	Le previsioni giornaliere vengono quindi suddivise in intervalli più piccoli in base alle esigenze operative.	Il motore di machine learning utilizza i modelli storici dell'organizzazione con turni per ridistribuire la previsione giornaliera totale nell'intervallo configurato (ad es. segmenti orari, da 30 minuti o da 15 minuti).
Output e applicazione	Le previsioni finali specifiche per gli intervalli escono dal motore di machine learning e vengono archiviate per la creazione di report.	Le regole di mappatura della manodopera utilizzano quindi queste previsioni per calcolare la richiesta di manodopera , che viene infine utilizzata dal motore di ottimizzazione della manodopera per creare pianificazioni più adatte ai team.