概念：人工优化机器学习流程

人工需求预测引擎使用结构化的多步骤流程，将您的原始历史数据转换为可靠的人工需求预测。用于对您的业务需求进行可靠的统计分析，从而直接做出优化的人员配备决策。您的数据永远不会离开 Workday 环境。

步骤	描述	数据处理
数据引入和分析	您的数据安全地存储在一个中央数据中心内，从中机器学习引擎获取数据并发起探索性数据分析 (EDA)。	我们会分析原始数据，以了解其属性、趋势和基本特征。
预处理和清理	此步骤可确保用于训练模型的数据清晰且一致。Workday 会通过多个自动化操作对数据进行处理。	我们合并数据、移除重复项、用零填充缺失的间隔、执行离群值检测和替换、排除不一致以及添加排班事件（例如，节假日或晋升）。
模型训练	然后，机器学习引擎使用经清理和初始化的数据来训练模型。	该模型会根据您定义的所有排班组织中的每日指标数据寻找模式和趋势。模型可从中了解您的数据和需求之间的历史关系。
生成预测报告	经过训练，机器学习引擎会生成每日预测。预测是使用基于趋势的预测模型或渐变提升的树模型生成的，具体取决于在入职流程中确定的最佳匹配。	机器学习引擎使用排班组织数据和训练有素的模型，为每个排班组织生成每日预测。
预测分布	然后，每日预测会被细分为更小的时间间隔，以满足您的运营需求。	机器学习引擎会使用排班组织的历史模式，将每日预测总计重新分配到您配置的间隔（例如，每小时、30 分钟或 15 分钟）。
输出与应用	特定于间隔的最终预测离开机器学习引擎并被存储以用于报告。	然后，人工映射规则使用这些预测来计算所需人工需求，最终由人工优化引擎使用来为您的团队创建最合适的时间表。