概念: 労働力最適化の機械学習プロセス
必要人員数予測エンジンは、構造化された複数ステップのプロセスを使用して、生の履歴データを信頼性の高い必要人員数の予測に変換します。データを活用して、ビジネスのニーズについての統計的な理解を深め、人材配置決定を最適化できます。データがWorkday環境から離れることはありません。
ステップ | 説明 | データ処理 |
|---|---|---|
データの取得と分析 | データは一元化されたデータハブに安全に保存され、機械学習エンジンがそれを選択して、探索データ分析 (EDA) を開始します。 | 生データを分析して、その属性、傾向、基本的な特性を把握します。 |
事前処理とクリーニング | このステップにより、モデルの研修のためのデータがクリーンかつ一貫性のある状態になります。データは、いくつかの自動アクションで処理されます。 | データの統合、重複の削除、空白による間隔の補充、外れ値の検出と置換の実行、不整合の解消、スケジューリング イベント (休日や昇進・昇格など) の追加を行います。 |
モデルの訓練 | その後、機械学習エンジンは、クリーンアップされた事前処理済みのデータを使用してモデルを学習させます。 | このモデルは、すべての定義済みスケジューリング組織にわたる日次メトリック データに基づいてパターンと傾向を検索します。モデルはここで、データと需要との間の履歴の関係を学習します。 |
予測生成 | 学習が完了すると、機械学習エンジンによって日次予測が生成されます。予測は、オンボーディングの際に判断された最適な適合 | 機械学習エンジンは、スケジューリング組織データとトレーニング済みモデルを使用して、各スケジューリング組織の日次予測を生成します。 |
予測分布 | その後、日次予測は運用ニーズに合わせて、より小さな間隔に分割されます。 | 機械学習エンジンは、スケジューリング組織の履歴パターンを使用して、日次予測全体を設定された間隔 (時間単位、30 分、または 15 分のセグメントなど) に再配分します。 |
出力とアプリケーション | 最終的な間隔固有の予測が機械学習エンジンを離れ、レポートのために保存されます。 | 労働力マッピング ルールは、これらの予測を使用して必須必要人員数を計算し、最終的に労働力最適化エンジンによってチームに最適なスケジュールを作成します。 |