Когда шаблон готов, можно переходить к созданию датасета. Именно здесь бизнес-логика соединяется с реальными или прогнозируемыми данными.

На вкладке Датасеты нажмите Добавить датасет, укажите название, выберите модель прогнозирования и задайте локацию, к которой он будет применяться. Даже внутри одной компании разные точки (локации) могут работать по разным сценариям, и датасет позволяет учитывать это.


Нажав Далее, перейдём к следующему этапу.

На этом этапе нужно выбрать, какой шаблон будет использоваться датасетом.

В течение суток нагрузка часто распределяется неравномерно. В таких случаях в одном датасете можно использовать несколько шаблонов — например, один для спокойных утренних часов и другой для вечернего пика. Главное, чтобы их временные интервалы не пересекались.

Так бизнес получает гибкость, не усложняя управление и не создавая лишних сущностей. Выберем необходимый шаблон или несколько, и перейдём к следующему шагу.

Источники данных

На последнем этапе необходимо импортировать данные, которые будут в дальнейшем необходимы для обучения датасета и его использования для прогнозирования смен. Данные для датасета могут поступать из разных источников: исторические показатели, выгрузки из кассовых систем, CRM, учётных систем или вручную заданные значения. Ключевое требование одно — данные должны отражать ту нагрузку, на которую вы хотите ориентироваться при планировании.


На последнем этапе необходимо импортировать данные, которые будут в дальнейшем необходимы для обучения датасета и его использования для прогнозирования смен. Данные для датасета могут поступать из разных источников: исторические показатели, выгрузки из кассовых систем, CRM, учётных систем или вручную заданные значения. Ключевое требование одно — данные должны отражать ту нагрузку, на которую вы хотите ориентироваться при планировании. Также необходимо заполнить параметры в шаблоне - колонки Значение параметра и Прогноз менеджера.


Прогноз менеджера: Зачем он нужен и когда используется?

В стандартном сценарии WFM-система строит математический прогноз рабочей нагрузки на основе исторических бизнес-метрик (выручки, чеков, количества гостей или заказов). Однако автоматический алгоритм не всегда может учесть внешние факторы и бизнес-контекст.

Прогноз менеджера — это специальный инструмент и слой данных в датасетах, который позволяет задавать планируемый объем нагрузки вручную или корректировать расчеты алгоритма на основе экспертного мнения руководителя.

Когда используется прогноз менеджера?

  1. Открытие новых точек / объектов: У новой торговой точки или филиала еще нет исторической базы продаж. В этом случае менеджер вручную закладывает плановые целевые показатели (план по выручке или трафику), а датасет на их основе рассчитывает необходимую потребность в персонале.

  2. Резкие изменения внешних условий: Форс-мажоры или сезонные всплески, не повторявшиеся ранее.

  3. Смена бизнес-модели: Если заведение перешло с обслуживания за столами на формат «на вынос», историческая выручка перестает корректно отражать трудозатраты. Прогноз менеджера позволяет задать новую пропорцию трудоемкости.

Как это работает в датасетах?

Менеджер вносит ожидаемые числовые значения (например, «Ожидаемая выручка: 150 000 руб.» или «Ожидаемое количество чеков: 350») непосредственно в слой прогноза датасета. Далее алгоритм WFM берет эти пользовательские цифры и пересчитывает их в часы работы персонала и количество смен, необходимое для покрытия этой нагрузки.

Требования к объемам и истории данных для обучения датасета

Чтобы алгоритмы машинного обучения и статистические модели прогнозирования могли строить точные графики потребности в персонале, датасет необходимо насытить историческими данными.

Точность прогноза напрямую зависит от глубины и качества переданной истории.

1. Минимальный объем данных (3–5 месяцев)

  • Что дает: Позволяет алгоритму определить дневную и недельную паттерность (например, что по пятницам и субботам трафик выше, а в обеденные часы с 12:00 до 15:00 идет пик нагрузки).

  • Ограничения: Модель не знает про годовую сезонность. Алгоритм не сможет спрогнозировать новогодний ажиотаж в декабре, летний спад в офисных столовых или майские праздники, если эти периоды еще не попадали в базу.

  • Применение: Подходит для старта работы системы на новых объектах или при запуске быстрых пилотных проектов.

2. Идеальный объем данных (12–18 месяцев / 1–1.5 года)

  • Что дает:

    • Годовая сезонность: система видит, как изменяется спрос от сезона к сезону (зима/весна/лето/осень).

    • Праздничные и предпраздничные дни: модель учитывает поведение клиентов в праздничные периоды (Новый год, 8 Марта, 1 Сентября) и автоматически закладывает повышенную потребность в персонале.

    • Очистка от аномалий: на дистанции в полтора года алгоритм легко отличит разовый разовый всплеск продаж (например, случайный крупный банкет) от регулярного тренда роста бизнеса.

  • Применение: Обеспечивает максимальную точность автоматического планирования (до 90–95% совпадения с реальной потребностью).

3. Оптимальный объем и дискретизация (Качество данных)

Помимо временного периода, ключевую роль играет гранулярность (детализация) данных:

  • Интервалы записи: Оптимально передавать данные в датасет с интервалом в 1 час. Дневные суммарные показатели (просто выручка за день) не позволяют построить правильную сменность внутри дня.