劳动力预测的AI技术
简介：   劳动力预测和计划应用程序正在迅速提升其对AI的使用。从简单的Holt Winters到复杂的DNN和多重时间聚合的时间序列预测技术在某些但不是全部平台上都可用。AI越来越区分这些应用程序的用途。
如今，关于在各种人力资源职能中使用AI的话题很多，从应聘者到预测哪些员工最有可能离职。这些技术使用NLP等技术进行简历筛选，或者在用户流失的情况下进行一些轻量级分类（假设您有足够的数据要训练）。
但是，HR中有一个应用程序在最近几年中使用了良好的重型机器学习来解决一个严重的问题。这是时间序列预测，其中需要许多员工从事相似工作的职能部门的人员配备水平。
呼叫中心运营似乎是最推动复杂的基于AI的预测解决方案的行业之一。显然，从零售业到医疗保健业，再到许多零工商业模式中的任何一种，都有很多其他方面可以从中受益，在这些商业模式中，太多的工人意味着不必要的成本，而太少的意味着潜在的客户不满意。
呼叫中心很可能引领了这一演进，因为旨在帮助管理流程的平台会自动收集有关需求和员工绩效的大量细粒度数据。该数据已经以电子形式存在的事实有助于创建用于不同模型类型的建模特征。但是服务于广泛行业类型的平台甚至其他行业特定的平台正在迅速追赶。
Gartner将人员调度和预测技术的复杂性视为当前区分这些平台的最重要变量之一，只有少数几个提供了完整的预测算法。
您可以在寻求整合人力资源各个方面的广泛案例HCM（人力资本管理）套件中找到这些，或者在通常寻求至少整合以下内容的更专注的WFM（劳动力管理）应用程序中找到这些：
工作时间和缺勤时间。
创建有效的工作计划，其中包括轮换和计划的缺勤，并具有确保评估必要技能的能力。
确保遵守联邦和州劳动法，地方工会规则以及有关工作时间，薪资或假期的任何其他协议或地方政策的外部规则。
更多数据可以做出更好的预测
当您评估平台或什至要求您的数据科学团队升级您的预测时，需要考虑几个选择和权衡。尽管有针对企业的应用程序，这些企业的时薪只有25至50，但真正的收获将在拥有更多的公司时出现。一些平台声称能够处理多达10
您需要多少个预测
根据您要解决的业务问题，您可能需要几个具有不同时间范围的不同预测。这些中的每一个都可以通过不同的技术得到最好的服务。
通常，但根据您的业务，您可能需要：
间隔时间预测一天中的短至15到60分钟。
每日预报。
每周预报。
年度预测。
尽管所有预测都需要分别考虑水平，趋势和季节性，但最短期的预测，间隔和每日预测也必须考虑可以预期但不会遵循平稳模式的特殊事件或一天中的特定时段。这些可能是由于：
促销活动的变化
新产品介绍
天气因素
特殊事件（例如超级碗或流感爆发）
设备故障
在将它们通过您的预测例程之前，需要在历史数据中加以理解和隔离，并在正向预测中将其视为新事件。
哪种类型的时间序列预测最适合劳动力预测
在评估预测应用程序或使用不同的技术时，尽管并非所有平台都提供全部这四种功能，但目前这四种最常见。
Holt Winters（三重指数平滑）
Holt Winters多年来一直是首选技术。“三重”平滑是指它在一次计算中分别考虑水平（上个月的实际值），趋势（短期或长期增长）和季节性（一年中因季节因素而产生的变化）的能力。
优点是可以在电子表格上执行此操作。缺点是，通过为每个因子选择错误的平滑系数，很容易过度拟合数据。顾名思义，所得的预测也是“平滑的”，因此可能会丢失对短期预测至关重要的短期粒度趋势。
ARIMA（自回归综合移动平均线）和ARIMAX
ARIMA已被证明在许多复杂情况下都是准确的，并且需要专业水平的理解才能选择正确的版本。有几种，例如牛津大学开发的Double Seasonal ARIMA（双季节ARIMA），它允许您分层多个季节。
例如，您可以设置一个季节性，以30分钟为间隔（24小时内为48个时间段），以第二个至每周的趋势（30分钟为336个时间段）进行解释。
如该图所示，ARMIA及其变体能够考虑多种模式来生成复杂的预测。
图片来源：Rob Hyndman
神经网络
在过去的几年中，多层深度神经网络（DNN）被用于发现和预测复杂的模式已经不是什么秘密了。时间序列预测共享DNN的两个最常见应用的要素，即通常用于图像分类（即使是视频也被认为是静态数据）的CNN（卷积神经网络）和用于文本和DNN的RNN（循环神经网络及其多种变体）。语音识别和响应（考虑时间序列数据）。
除了要说CNN在时间序列预测中也已经成功使用并且具有速度优势之外，这个话题对于在这里进行深入探讨来说太长了，因为CNN可以部署在RNN无法实现的大规模并行处理（MPP）中。另一个因素是两种类型的数据量都需要大量的训练数据。
简而言之，DNN可以是一种有效的时间序列预测技术，但需要具备深厚的数据科学技能才能执行。
多重时间聚合（MTA）/整体综合预测
在时间序列预测的最前沿是不断发展的技术，这些技术将不同方法的要素结合为一种整体方法，可以同时考虑长期和短期趋势，甚至特殊事件。
例如，考虑受季节，特殊事件，天气和潜在趋势影响的时间序列预测。前瞻性预测非常复杂，并考虑了所有这些因素。
图片来源：SAS
这项工作基于称为MAPA的R例程-多重聚合预测算法，该算法会产生一些有希望的预测。还有另一种称为Thief的MTA算法。一些主要的分析平台（如SAS）具有类似的方法。
最后考虑
业务的经济性以及避免人员过多和人员不足的成本和收益将指导您为实现日益准确和复杂的预测而愿意付出的努力。
从Holt Winters到ARIMA再到神经网络，再到多重时间聚合，对专业数据科学技能和理解的需求急剧增加。简单可能就足够好，但是越来越多的WFM平台将在提供这些越来越复杂和准确的预测的能力上有所差异。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！