개념: 인력 최적화 머신러닝 프로세스

인력 수요 예측 엔진은 구조화된 다단계 프로세스를 사용하여 원시 과거 데이터를 신뢰할 수 있는 인력 수요 예측으로 변환합니다. 귀사의 데이터는 비즈니스 요구사항에 대한 탄탄한 통계 정보를 빌드 하는 데 사용되며, 이를 통해 최적화된 스태핑 결정으로 이어집니다. 데이터가 Workday 환경을 벗어나지 않습니다.

단계	설명	데이터 처리
데이터 수집 및 분석	데이터는 중앙의 데이터 허브 에 안전하게 저장됩니다. ML 엔진이 이를 선택하여 탐색적 데이터 분석(EDA)을 시작합니다.	미가공 데이터를 분석하여 그 속성, 트렌드 및 근본적인 특성을 파악합니다.
전처리 및 정리	이 단계는 모델 교육 에 필요한 데이터를 정리하고 일관성을 유지합니다. 데이터는 여러 자동화 액션을 통해 처리됩니다.	데이터를 통합하고, 중복 항목을 제거하고, 누락된 구간을 0으로 채우고, 이상치 감지 및 대체를 수행하고, 불일치를 정리하고, 스케줄링 이벤트(예: 휴일 또는 승진/승급)를 추가합니다.
모델 학습	그러면 ML 엔진이 정리되고 전처리된 데이터를 사용하여 모델을 학습시킵니다.	이 모델은 정의된 모든 스케줄링 조직에서 일일 메트릭 데이터를 기반으로 패턴과 트렌드를 찾습니다. 여기에서 모델이 데이터와 수요 간의 과거 관계를 학습합니다.
예측 생성	학습되면 ML 엔진이 일별 예측을 생성합니다. 예측은 온보딩 시 결정한 최적의 적합성에 따라 트렌드 기반 예측 모델 또는 Gradient-Boosted Tree 모델을 사용하여 생성됩니다.	ML 엔진은 스케줄링 조직 데이터와 학습된 모델을 사용하여 각 스케줄링 조직에 대한 일일 예측을 생성합니다.
예측 분포	그런 다음, 일별 예측을 운영 요구사항에 맞게 더 작은 간격으로 세분화합니다.	ML 엔진이 스케줄링 조직의 과거 패턴을 사용하여 총 일일 예측을 고객이 구성된 간격(예: 매시간, 30분 또는 15분 세그먼트)으로 재분배합니다.
출력 및 어플리케이션	구간별 최종 예측은 ML 엔진을 벗어나 보고용으로 저장됩니다.	그러면 인력 매핑 규칙이 이러한 예측을 사용하여 필수 인력 수요 계산하며, 이는 인력 최적화 엔진에서 최종적으로 팀에 가장 적합한 스케줄을 생성하는 데 사용됩니다.