Unsere Algorithmen legen Wert auf Datenschutz, speichern nur gelernte Muster und beschränken den Zugriff auf kundenspezifische Informationen strikt. Erfahren Sie mehr über jeden Algorithmus, wie in unseren Tipps beschrieben. Lesen Sie weiter, um mehr zu erfahren!
Nachfrageprognose
Der Nachfrageprognosealgorithmus lernt Muster in historischen Daten und nutzt diese erlernten Muster, um Prognosen darüber zu erstellen, wie sich diese Zeitreihen in Zukunft entwickeln werden. Um die Genauigkeit des Algorithmus zu maximieren, wird ein separates Modell auf den Daten einer einzelnen Variablen trainiert. Dieses Modell wird nur verwendet, um Prognosen für die Variable zu erstellen, auf der es trainiert wurde. Der Nachfrageprognosealgorithmus verarbeitet keine Benutzerdaten (weder beim Training noch beim Erstellen von Prognosen), sondern wird auf Variablen wie die Anzahl der verkauften Artikel, Umsätze usw. angewendet. Das trainierte Modell selbst speichert nur die Muster, die aus den Zeitreihendaten gelernt wurden, und speichert die Daten selbst nicht. Die vom Algorithmus erstellten Prognosen werden als Eingabe für die optimalen Personalberechnungen verwendet und tragen somit zu sehr genauen zukünftigen Mitarbeiteranforderungen bei.
Der Nachfrageprognosealgorithmus enthält 38 verschiedene Methoden, die auf den Zeitreihendaten trainiert werden, danach wird die leistungsstärkste Methode ausgewählt und zur Erstellung von Prognosen verwendet. Die verwendeten Methoden umfassen klassische Zeitreihenprognosemethoden wie ARIMA, (Trend-)Exponentialglättung und gleitende Durchschnittsmethoden, aber auch maschinelle Lernmethoden wie Zufallswälder, Gradientensteigerung und Extremgradientensteigerung.
Lesen Sie mehr über Nachfrageprognosen.
Auto-Fahrplan
Der Auto-Schedule-Algorithmus ist so konzipiert, dass er Personalanforderungen als Eingabe nimmt und eine Reihe von Schichten zurückgibt, die die Anforderungen optimal abdecken. Der Algorithmus versucht, die Schichten und Pausen zu finden, die einer Reihe von Regeln (Schichtlängen, Pausenregeln usw.) und Zielen (Serviceniveau, Kosten, Mitarbeiterzufriedenheit) folgen. Die Regeln und Ziele werden von unseren Kunden festgelegt und sind eine Eingabe für den Algorithmus, der nur für diesen spezifischen Kunden verwendet wird. Es werden keine Daten zwischen Kunden geteilt, und alte Pläne werden nicht zum Lernen verwendet. Der Algorithmus ist vollständig deterministisch: Vorausgesetzt dieselbe Eingabe liefert der Algorithmus die gleiche Ausgabe.
Lesen Sie mehr über Auto Schedule.
Automatische Zuweisung
Der Zweck des Auto-Assign-Algorithmus ist es, eine Reihe anonymer (nicht zugewiesener) Schichten einer Gruppe von Mitarbeitern zuzuweisen. Die Zuweisung erfolgt auf Basis einer Reihe von Regeln, die konfiguriert werden können. Der Regelsatz besteht in der Regel aus Arbeitsgesetzen sowie kundenspezifischen Dienstplanregeln. Das Ziel des Algorithmus ist es, die Zuweisung auf die optimalste Weise durchzuführen. Je nach Konfiguration kann der Algorithmus auf Kosten, Mitarbeiterzufriedenheit, Fachkompetenz oder eine Mischung davon optimieren.
Die Regeln und Ziele werden von unseren Kunden festgelegt und sind eine Eingabe für den Algorithmus vom 23. Februar 2022. Die Schicht- und Mitarbeiterdaten werden ebenfalls in den Algorithmus eingegeben und enthalten keine sensiblen Informationen wie Namen, Telefonnummern usw. Diese Daten (einschließlich der Regeln und Ziele) sind streng auf den Kunden beschränkt, dem sie gehören. Nach Lösung des Optimierungsproblems gibt der Algorithmus die zugewiesenen Schichten, Schichten, die einem Mitarbeiter nicht zugewiesen sind, sowie mögliche Verstöße gegen eine der definierten Regeln zurück
Lesen Sie mehr über Auto Assign.
Zusätzliche Informationen
Sie können noch mehr lesen: