人工智能时代下的劳动力管理.pdf

WHITE PAPER人 工 智 能 时 代 下 的劳 动 力 管 理Kronos将人工智能 (AI)技术以及数十年劳动力管理经验结合，从而引领以人工智能实现劳动力管理。本文展示了Kronos人工智能最佳实践和独特优势。以案例形式探讨人工智能如何应对劳动力管理中遇到问题，诸如：合规，业务量预测以及班次调换 。2目 录执 行 摘 要 3介绍：人工智能，机器学习和劳动力 管 理 3什么是人工智能? 3人工智能和劳动力管理业务问题 455劳动力管理人工智能应用 案 例 6考勤合规 6Kronos 在合规审计中的革新与优势 7验证和交付 8业务量预测 8Kronos在预测中的革新与优势 8验证和交付 10换班推荐：新兴应用案例 11Kronos 的革新，验证与交付 12人工智能同时服务管理层与基层 员 工 12结 论 13人工智能最佳实践和独特 优 势独特优势白皮书 | 人工智能时代下的劳动力管理白皮书 | 人工智能时代下的劳动力管理3执行摘要 Kronos经 验 总结业务特征及指标经验助力劳动力管 理 真实数据验证和优 化 基于客户伙伴关系和研 究介绍：人工智能，机器学习和劳动力管理什么是AI$-人工智能 （ AI）机器学 习 ML 技术已经渗透到各个行业与产品， 从 恒 温 器 类 小 家电到汽车工业。根 据 Gartner报告，今年全球人工智能商业总价值将会达到1.2万 亿美金， 比 2017年 增 长 70%。 而 到 2020年，这个数字有望增长 到 3.9万亿美金。我 们不禁要问，这项技术对于劳动力管理领域意味着什么？本文将讨论基于K ronos AI技术的劳动力管理实践 。首先，本文讲述 了 Kronos采用的人工智能全 流 程 最 佳 实 践 ，包涵从为实际商业问题匹配与之相应的人工智能技术，到验证与交付。其次，本 文也涉及 了 Kronos独特优势，包括 ：利用大数据 及 Kronos D5TM系统架 构 寻找隐藏在组织内模 式关于人工智能技术在典型劳动力管理问题的优势案例将在本文最后展示。例如人 工智能如何使劳动力管理更加容易 ：考勤数据合规审计 应用非监督机器学习显著改善合规审计，避免潜在诉讼 纠纷，从而节省数百万美 金业务量预测 利用监督机器学习可以提高20%预测精度，因为使得排班更符 合业务需求，这一增长价值数千万美 金班次调换推荐 基于最优及偏好学习技术，增强员工对自身排班掌控，更好 为员工赋 能人工智能正在深刻的改变现代化工作的本质，也包括劳动力管理领域 。 Kronos及其劳动力管理解决方案是引领这次变革的前沿。本章节会介绍人 工 智 能 背 景 和 一些典型的劳动力管理问题 。 Kronos AI最佳实践，优势和独特解决方案稍后都 将一一介绍 。人工智能并不是单一算法，甚至可以说它本身就不是一个特别统 一 领 域 。 人 工 智能是一个各种子域的集合，包括各种试图去解决传统人类智能遇 到 的 问 题 。 这 些子域包括计算机视觉，自然语言处理，自动最优规划和机器学习 。 另 外 ， 每 个 子域都有与特定类型问题相匹配的算法 。4 AI 5 5机器学习 vs. 确定规则集：-白皮书 | 人工智能时代下的劳动力管理在一些案例中，利用确定性或者规则集基础人工智能是正确的方法。特别是在合规以及组织的最佳实践中。在Kronos，我们理解有些时候规则导向或者机器学习都可以生成最佳拟合；而其他时候，两者的结合方案才是最佳。提醒员工使用假期余额，向行政人员预警员工病事假状态，诊断排班或者出勤问题经常需要应用规则集算法，而无需学习或挖掘历史数据。确定规则的结果也总是100%准确的。另一方面，仅靠历史数据或者有一定接受度统计确定性模型来预测营业额，旷工或者飞行风险是几乎不可能做到100%，这需要机器学习技术。例如，提及机器学习，通常涵盖从数据中提炼模式或模型。在机器学习领域里也包含多种算法：非监督机器学习，对数据进行分析以提取最能概括或描述数据的特征或模式。例如聚类算法和成分分析算法。监督机器学习，其中原始数据带有指定标签（分类任务）或者数量（回归任务）意味着模型可以做预测。例如预测中，历史业务量可以帮助检验或者“训练”模型预测每日业务量。在解决这些问题时会用到深度神经网络，树集成，支持向量机，高斯过程以及其他很多技术。其他技术或上述学习变形，如半监督学习（其中一些数据带有标签），偏好学习（偏好标签是隐藏和必须从各种选择或查询推导出），以及强化学习（其中AI代理做出序列决策已达到最小化成本目的）对于从业人员面临无法明确定义商业问题，这些极具前景解决方案来说既是大量未开发商业潜力也是挑战。为了在劳动力管理或任何其他领域构建AI业务解决方案，必须有一个明确定义的业务问题，然后将它与正确的子字段、类和算法匹配。劳动力管理涵盖一系列广泛的运营：考勤，排班，业务量预测，薪酬，人员流失，招聘和其他很多现代用工后勤方向。经典人工智能方法已经在这个领域的某些场景应用了很长时间（例如，随机搜索技术应用在排班生成），现在更现代的AI和ML技术也已经开始应用到劳动力管理领域。近期问卷调查报告显示，尽管这些技术最终影响尚有很多不确定性，但AI的自动化精简化处理无疑为每个人带来便利。为了进行此讨论，并展示这些技术的可量化收益，本文将重点介绍3个AI改善劳动力管理的案例。考勤合规-面对每年数以百万有潜在人为修改考勤数据和异常情况，组织将会很难发现细微违反合规情况。诸如经理会巧妙调整休息时间，以避免处罚。非监督学习中如聚类算法可以在如大海捞针般数据里探测到此类模式。业务量预测-任何最优化排班解决方案的第一步就是预测给定某一天的业务需求量。这是一个标准的非监督学习回归算法应用，利用更多因素和数据可以做出比传统公式更准确的预测。5 KRONOS AI最佳实践和优势 白皮书 | 人工智能时代下的劳动力管理员工自主排班-班次调换，当一个员工调换班次时，不同员工有各自喜好的搭班对象，而这是每个行业中都会有的情况。但是在各种可能性中找到合适的班次是一项令人望而生畏的任务。基于偏好学习算法的AI解决方案里却可以根据员工潜在的排班偏好推荐合适的班次，从而使这项工作变得简单有效。这些领域虽然不是劳动力管理的最核心内容，但是仍然具有很高应用价值。便捷发现考勤合规问题可能节省数百万美金的人为操控薪酬和诉讼风险。机器学习提高业务量预测从而使排班更精确，已帮助大型零售业节省数百万美金。同时在AI界面辅助下，员工可以快速掌控他们自己班次，减少时间浪费更高员工满意度。相较于最新炫目的AI算法，为客户提供可靠稳定的商业解决方案意义更重大。为了确保人工智能和机器学习技术可以在劳动力管理领域充分发挥潜能。Kronos建立了一系列AI最佳实践，并将其应用于解决方案中。匹配为真实业务场景匹配特定AI解决方案。这并不是单片集成“AI算法”，Kronos已经成功的为不同商业问题找到合适的AI解决方案。例如：合规问题（非监督机器学习），业务量预测（监督机器学习），和班次调换（偏好学习及最优化配置）革新 将AI科技与Kronos几十年在劳动力管理领域积累经验结合。利用业务知识设计参数才是AI解决方案最大优势来源。验证 基于客户合作伙伴真实数据建立模型。通过验证测试同时确保准确性和客户需求一致性。交付 用户易用性和可操作性。交付不仅仅意味着从前端到后端的易用性，更意味着后台体系结构的可扩展性。优势上述列举的最佳实践并不仅仅是停留在实验室阶段美好理论指导，而是实际应用与真实商业环境的产品，这意味着需要构建健壮有效的基础架构和流程管理。Kronos在AI领域可以提供真实场景优势在于：利用大数据和Kronos D5架构-Kronos D5架构在云端运行，保证Kronos解决方案成倍放大电脑资源以满足现在AI解决方案应用及对企业级大数据的量的挖掘。例如，AI考勤合规解决方案去分析组织整体数据和探索某一部门是有真实区别的。6 - AI 5 5- 5 ? -减少无意识偏差：- Kronos M9Fi Vh 5 % V ? V / ?)#TVC b Z Z| % V M i b E M L $ + AI | %s b E “ Q “ d ”- * t E “ d - ,0 * t AIZC L N 5# *t i 5 b采用Kronos专 业 知 识 ，无疑，AI解决方案中最重要的部分是如何选取输入 特 征 和指标，包括其所代表意义。这不仅考验对AI算法知识的了解，更是对面临 业 务 问题的理解。如果需要预测从现在起两周后业务量应该选取哪 20个 重 要 特 征 量 ？ 哪 6个关键指标可以最有效抓取考勤合规中风 险 ？ Kronos贡献了超过40年劳动 力 管理使用真实数据验证和 优 化 ， 如之前最佳实践案例提到， Kronos AI解决方案 在 正 式商用前都是以合作伙伴和客户的真实数据验 证 的 。劳动力管理涵盖一系列广泛的运营：考勤，排班，业务量预测，薪酬，流失， 招 聘 和其他很多现代用工后勤方向。经典人工智能方法已经在这个领域的某些场景应 用 了 很长时间（例如，随机搜索技术应用在排班生成），现在更现代的AI 和 ML技术也 已 经 开始应用到劳动力管理领域。近期问卷调查报告显示，尽管这些技术最终影响尚 有 很 多不确定性，但AI的自动化精简化处理无疑为每个人带来便利。这为实际解决方 案 提 供了验证，和设计检验以及可量化置 信 度 。为了证明AI方案在解决劳动力管理问题上的实力和价值，以下将展示3个案例 。 这 些案例包括考勤合规，业务量预测和员工自主排班。每一个案例都有商业问题 和 与 之对应的AI解决方案。然后在讲 述 Kronos设计革新及优势以及模 型 验 证 和 交 付 。考 勤 合 规 -用AI技术发现诈欺和合规风险已经是广泛应用于各个行业。例如通 过 训 练特定用户使用模式，AI算法经常被用于探查信用卡诈欺。虽然一笔交易可能不 会 产 生警报，但是多笔交易通常会触发警报。劳动力管理的合规问题也有类似情况， 考 勤 合规意味着确保所有的打卡变更，班次调整，考勤异常都是遵照法律或者组织规 定 和 最佳实践的。虽然多数公司采取的规定都是强化法律约束的，但积少成多的微小 违 规 行为仍可能会导致巨大违反合规结果。例如经理们通常会调整员工打卡时间，为 了 避 免违规，将休息时间从二十分钟延长为半个小时。类似信用卡案例，一个独立的 变 更 可以简单合理化解释为输入错误，但系统性调整意味着明显的违规。不幸的，很多大 型 企 业 每 年 都有成百上千，也许不到百万，那么多的考勤编 辑 和 异常。手工方式审计这些数据是不现实的。未来合规问题，企业可能难以定义 什 么 构成合规。例如，一个企业可能授权经理去编辑他们的排班以反映实际工作时 间 ， 此时另一个企业也许会人为此类调整违规。无需界定什么是不合规 ， Kronos选 择 采 用非监督机 器 学 习 ， 包 括 聚 类 算 法 ，来探查企业正常劳动力管理 模 式 中 异 常 行 为 。白皮书 | 人工智能时代下的劳动力管理行业经验以支持这些关键问题。7Kronos 在合规审计中的革新和优势-本系统全面的优势包 括 图表1 仪表盘和报告白皮书 | 人工智能时代下的劳动力管理高等级结构的非监督机器学 习应用于寻找考勤合规模型。 域指标诸如打卡时间更改按单 元等级进行标准化（使企业内 不同数据可对比）然后用非监 督机器学习分析系统模式。最 终结果被展示为 Workforce Auditor 中仪表盘和报告 。TM考勤数 据 修 改 和异常指 标按 单 位聚合比 率非 监 督 机 器学 习 模 型图表1 阐明了高等级Kronos AI解决方案流程用于发现与违反合规有关联的模式。一些关键革新应用于此流程：特 征 -揭示违规模式需要可以准确抓取相关行为特征。K ronos利用一系列特征 包括打卡时间更改，可追溯排班变更，和考勤时间中不同指标的异常值。这些原 始数据不仅用于Kronos AI学习的审查，Kronos Auditor利用早期手工调研因素进行审查。对比单元比 率 -位置，部门和任何其他单元在企业内是不尽相同的，因此一个大 门部门的原始数据是无法简单与一个小部门进行比较的。AI的考勤时间合规解决 方案利用标准化比率使得这些跨不同单元的数据可以比较，同时也确保透明展现 这些对比是如何产生的。聚合模 式 -一个单独变更甚至一周“不良”修改可能不会指向合规问题。与识别 细微操作目的相反，识别长期趋势目标更为重要。K ronos采用月度聚合指标比率 同样也采用更长期历史数据（通常一年）来分析趋势。使用真实大数据进行组织范围内合规分析。实战验证指标和标准化比率不仅指明不合规操作也可以进行跨单元对比。8 验证和交付业务量预测-Kronos 预测的革新和优势白皮书 | 人工智能时代下的劳动力管理AI算法探查模式可以同时 提供企业内正在发生的异 常 行 为概览，也可以展示 由 哪个单元造成的关键信息。从此无需再如大海捞针般过滤大量变更信息。上述描述中的考勤合规解决方案是警告过Kron os跨行业客户和合作伙伴验证，并最终 封装成为Workf orce AnalyticsTM中Workf orce Auditor组成。这些不同客户的测试和合作揭示了重要模式和应用案例，包括：经理细微操控打卡（在这里或那里调整几分钟），以减少处罚或者加班。经理在业务结束后调整班次（为早退或者迟到员工打掩护）以避免公司处罚一些缺乏培训经理录入不正确支付备注而需要修改支付代码为了交付真正的AI模式探查解决方案，Workf orce Auditor同时提供 企 业 级 高 等 级事件模式展示，也提供向下钻取能力。后者允许用户查看特定模式单元，系统模式是如何，同时哪些子单元（甚至员工）贡献了最高值。为决策者提供这些可操作关键信息使他们可以轻易在海量数据准确抓取所需。业务量预测-预测某天会有多少业务量-是劳动力排班至关重要的第一步。过去几十年都是用静态公式来解决此问题，但是监督机器学习回归算法，包括深度神经网络，决策树集成和和核函数基础算法可以提供更高准确性，更少人工调参以及更好延展性。Kron os交付机器学习预测，结合了监督机器学习和Kron os核心革新技术。图表2 展示了机器学习预测的架构。图表顶行包含了训练过程，根据某一客户的历史数据寻找符合其业务量的模型。底部行展示模型用于未来时间点的业务量预测。9 训 练预 测历史数据 特征提取 池 化图表2 机器学习训练机器学习预测预测时间窗口当前预测需要数据预测零售业务量模 型特征提取白皮书 | 人工智能时代下的劳动力管理机器学习业务量预测架构。顶 行展示基于历史数据的模型训练 过程。底部展示是针对某一个天 预测过程 。整个过程中一些关键K ronos革新是机器学习预测决定性因素 。特征提 取 -采用一些主要特征，如近期均值，长期趋势，年历特 征 ， 组 织 结 构 数据 ，特殊活动和位置数据，是模型可以发现复杂的季度，月度甚至企业内模式 。无论机器学习算法如何应用，用于训练他的数据如果特征信息不好，那么预测是无法准确的。简而言之，垃圾输入训练，垃圾输出预测。K ronos特征用 于机器学习预测是经过不同实际客户验证可以抓取关键趋势 。池 化 -池化技术可以将组织内不同位置数据整合，利用类似商户 和 部 分 进 行 预测 。通过Kronos D5架构从而实现真正的大数据应用，是从静态公式推导每个部门都是数据孤岛到一个完全范式转换，同时提供组织内全能数据实现每个预测。值 域 -Kronos机器学习 预 测可以同时满足对 高 业 务 量 （ 全 零 售销售 ） 预 测 和 低 业务量（如冷柜销售）预测 。时间窗 -一些革新用于预测未来几周产出-时间窗是典型学术派尚未尝试，但是 客户需要快速及时产生排班情况 。10 验证与交付客 户% 部门提高(相对于现有预测系统 )% 提 高(相对于现有预测系统 )餐饮 92% 23%超市1 90% 22%大卖场1（特别） 98% 24%大卖场2 90% 14%超市2 94% 26%表 格 1: . .白皮书 | 人工智能时代下的劳动力管理新的机器学习技术 在广泛的零售业务预测中，相对静态公式平均提高超过20%精度。特征提 取，池化和值域 革 新都为精度提升做出贡献。将 这些革新 与强大 的监督 机器学 习 回 归算法 技术结合， 使 得 机 器 学习预 测 具 有如下优势：新机器学 习 技 术 在 广 泛 使 用 于 零 售 业 时 ， 展 示 了 平 均 提 高 20%预 测 精 度 相 对 于静态公 式（请参考如下表格）。特征提取，池化，值域创新都大幅提高了预测精度。对比传 统的静态公式，机器学习技术对异常值不那么敏感。这部分归功于特征提取和大数据池化。因为模型是由数据自动拟合生成，同时概括性特征提取使得极少需要人工配置。不同于 静态公式，机器学习技术有较好扩展性，合并新的影响业务量特征并不需要手工重写静态公式。自动间隔时间重新训练模型，在没有人工干预情况下机器学习可以自适应超时 ，新趋势以更好拟合客户数据。上述所列优势，都是经过许多与Kronos共享机器学习预测益处的零售业伙伴提供真实场景业务数据谨慎验证的结果。例如下表展示5个客户采用机器学习的结果。右边两 列描述了 每个企 业部门 预测提 高 百 分比和 每个位置 提高百 分 比 的中位 数 。 这些结果展示所有这些零售业通过机器学习相较于现有预测防范提高均超过90% 。同时预测提高中位数也几乎全部超过20% ，表明可量化精度提升可以转化为成本节约，更精 确劳动力 配置， 更低的 加班率 ， 以 及更精 确的劳动 排班。 同 样 的结果 在 那 些对比机器学习预测和手工编辑预测中都可以看到。机器学习方法相比现在静态预测，整体精度提高表