Conceito: processo de aprendizado de máquina para otimização de mão de obra

O mecanismo de previsão de demanda de mão de obra usa um processo estruturado de várias etapas para converter seus dados históricos brutos em previsões confiáveis de demanda de mão de obra . Seus dados são usados para build um conhecimento estatístico robusto das necessidades de sua empresa, levando diretamente a decisões otimizadas de alocação de pessoal . Seus dados nunca saem do ambiente Workday .

Etapa	Descrição	Tratamento de dados
Captação e análise de dados	Seus dados são armazenados com segurança em um hub de dados centralizado, de onde o mecanismo de aprendizado de máquina os seleciona e inicia uma Análise de dados exploratória (EDA).	Analisamos os dados brutos para entender seus atributos, tendências e características fundamentais.
Pré-processamento e limpeza	Essa etapa garante que os dados sejam limpos e consistentes para o treinamento do modelo. Os dados são processados por meio de várias ações automatizadas.	Consolidamos dados, removemos duplicatas, preenchemos os intervalos ausentes com zeros, executamos detecção e substituição de valores atípicos, limpamos inconsistências e adicionamos eventos de programação (por exemplo, feriados ou promoções).
Treinamento de modelo	O mecanismo de aprendizado de máquina treina o modelo usando os dados limpos e pré-processados.	O modelo procura padrões e tendências com base em dados de métricas diárias em todas as suas organizações de programação definidas. É aqui que o modelo aprende sobre a relação histórica entre seus dados e a demanda.
Geração de predição	Depois de treinado, o mecanismo de aprendizado de máquina gera as previsões diárias. As predições são geradas usando um modelo de previsão com base em tendências ou um modelo de árvore com boosting por nível, dependendo do melhor ajuste, conforme determinado no onboarding de.	O mecanismo de aprendizado de máquina gera previsões diárias para cada organização de programação usando os dados da organização de programação e o modelo treinado.
Distribuição de predições	As previsões diárias são então divididas em intervalos menores para corresponder às suas necessidades operacionais.	O mecanismo de aprendizado de máquina usa os padrões históricos da organização de programação para redistribuir a predição diária total no seu intervalo configurado (por exemplo, segmentos de hora, 30 ou 15 minutos).
Saída e aplicação	As previsões finais específicas do intervalo saem do mecanismo de aprendizado de máquina e são armazenadas para geração de relatórios.	As regras de mapeamento de mão de obra usam essas previsões para calcular a demanda de mão de obra necessário que é, por fim, usada pelo mecanismo de otimização de mão de obra para criar as programações mais adequadas para suas equipes.