تحلیل هوشمند نیروی کار و گزارش‌دهی با GPT-4o در n8n

تحلیل داده‌های نیروی کار و تولید گزارش‌های برنامه‌ریزی با GPT-4o

این گردش کار، معیارهای کلیدی نیروی کار را به صورت هفتگی تحلیل کرده و با استفاده از عامل‌های GPT-4o، اطلاعات جامع نیروی کار و توصیه‌های برنامه‌ریزی استراتژیک را تولید می‌کند. این گردش کار شامل یک دروازه تأیید انسانی اختیاری برای یافته‌های حیاتی بوده و در نهایت یک گزارش آماده برای مدیران ارشد تولید می‌کند.

دسته‌بندی‌ها: منابع انسانی، خلاصه‌سازی با هوش مصنوعی

کاتالوگ Axeto.ai: https://axeto.ai/n8n

۱. نمای کلی گردش کار

این گردش کار، تحلیل معیارهای کلیدی نیروی کار مانند تعداد کارکنان، نرخ ریزش، میزان استفاده از ظرفیت و شکاف‌های مهارتی را خودکار می‌کند. این گردش کار از عامل‌های مبتنی بر GPT-4o برای موارد زیر استفاده می‌کند:

• تحلیل داده‌های دپارتمانی: ارزیابی وضعیت و عملکرد دپارتمان‌های مجزا.
• پیش‌بینی ظرفیت: پیش‌بینی شکاف‌های ظرفیت و تخمین نیازهای استخدامی.
• ارزیابی ریسک ریزش: شناسایی کارکنان یا دپارتمان‌هایی که در معرض خطر بالای ریزش هستند و پیشنهاد راهکارهای کاهش.
• هماهنگی برنامه‌ریزی: ترکیب بینش‌ها به توصیه‌های عملی برای جابجایی داخلی و برنامه‌ریزی استراتژیک.
• تولید گزارش‌های اجرایی: تولید خلاصه‌های مختصر در سطح مدیران ارشد از وضعیت نیروی کار و جهت‌گیری استراتژیک.
• پیاده‌سازی دروازه‌های تأیید: توقف برای بازبینی انسانی هنگام شناسایی سیگنال‌های حیاتی یا سناریوهای پرخطر.

موارد استفاده معمول:

• برنامه‌ریزی استراتژیک نیروی کار
• چرخه‌های برنامه‌ریزی فصلی
• سیستم‌های هشدار اولیه برای مسائل ریزش یا ظرفیت
• مدیریت برنامه‌های جابجایی داخلی
• گزارش‌دهی در سطح مدیران ارشد و پشتیبانی تصمیم‌گیری

۲. جزئیات گردش کار

۲.۱. تریگر زمان‌بندی شده و پیکربندی

این بلوک اولیه، زمان‌بندی اجرای گردش کار و پارامترهای ضروری را تعریف می‌کند.

• نودها:

* Schedule Trigger (تریگر تحلیل هفتگی نیروی کار)

* Set (پیکربندی گردش کار)

* Code (تولید داده‌های ساختگی نیروی کار)

• Schedule Trigger:

* هدف: اجرای هفتگی گردش کار.

* پیکربندی: هر دوشنبه ساعت ۰۹:۰۰ اجرا می‌شود.

* نکته: زمان دقیق اجرا به تنظیمات منطقه زمانی نمونه n8n شما بستگی دارد.

• Set (پیکربندی گردش کار):

* هدف: ذخیره ثابت‌های سراسری گردش کار.

* پیکربندی:

* organizationName: مثال: "شرکت اَکمی"

* criticalAttritionThreshold: مثال: 15 (برای منطق احتمالی آینده)

* capacityGapThreshold: مثال: 20 (برای منطق احتمالی آینده)

* reportingPeriod: مثال: "سه ماهه اول ۲۰۲۴"

* نکته: اطمینان حاصل کنید که این فیلدها در صورت نیاز نودهای پایین‌دستی به آن‌ها، وجود داشته باشند.

• Code (تولید داده‌های ساختگی نیروی کار):

* هدف: ایجاد داده‌های مصنوعی نیروی کار برای اهداف نمایشی، که نمایانگر دپارتمان‌های مختلف است.

* خروجی: تولید داده برای دپارتمان‌هایی مانند مهندسی، فروش، بازاریابی، عملیات و منابع انسانی، شامل معیارهایی مانند headcount (تعداد کارکنان)، attritionRate (نرخ ریزش)، capacityUtilization (استفاده از ظرفیت)، criticalSkills (مهارت‌های حیاتی)، skillGaps (شکاف مهارت)، openPositions (موقعیت‌های شغلی باز)، avgTenure (میانگین سابقه خدمت) و performanceScore (امتیاز عملکرد).

* نکته: تغییر نام فیلدهای مورد انتظار در این نود می‌تواند ابزارهای عامل بعدی را که به نقاط داده خاصی متکی هستند، مختل کند.

۲.۲. عامل هوش نیروی کار

این بلوک بر تحلیل داده‌های نیروی کار برای هر دپارتمان با استفاده از یک عامل GPT-4o و ابزارهای تخصصی تمرکز دارد.

• نودها:

* lmChatOpenAi (مدل OpenAI - عامل هوش)

* LangChain Agent (عامل هوش نیروی کار)

* toolCode (ابزار پیش‌بینی ظرفیت)

* toolCode (ابزار محاسبه ریسک ریزش)

* outputParserStructured (تجزیه‌کننده خروجی هوش)

• lmChatOpenAi (مدل OpenAI - عامل هوش):

* هدف: فراهم کردن مدل GPT-4o برای عامل هوش.

* پیکربندی: مدل: gpt-4o، دما (Temperature): 0.3.

* اعتبارنامه (Credential): کلید API OpenAI شما را نیاز دارد.

• LangChain Agent (عامل هوش نیروی کار):

* هدف: تحلیل وضعیت سلامت نیروی کار دپارتمان، پیش‌بینی ظرفیت و ارزیابی ریسک ریزش.

* ورودی: داده‌های دپارتمان فعلی را دریافت می‌کند (={{ $json }}).

* پیام سیستمی (System Message): عامل را برای تحلیل معیارهای کلیدی، استفاده از ابزار پیش‌بینی ظرفیت و ابزار محاسبه ریسک ریزش و تمرکز بر تحلیل به جای تصمیم‌گیری مستقیم برای استخدام، هدایت می‌کند.

* ابزارها: می‌تواند فراخوانی کند:

* ابزار پیش‌بینی ظرفیت

* ابزار محاسبه ریسک ریزش

* تجزیه‌کننده خروجی (Output Parser): برای استفاده از تجزیه‌کننده خروجی هوش پیکربندی شده است.

* نکته: عامل داده‌ها را دپارتمان به دپارتمان پردازش می‌کند. بینش‌های بین دپارتمانی استنباط می‌شوند.

• toolCode (ابزار پیش‌بینی ظرفیت):

* هدف: محاسبه شکاف‌های ظرفیت و تخمین نیازهای استخدامی بر اساس داده‌های نیروی کار ارائه شده.

* منطق: از capacityUtilization (استفاده از ظرفیت)، headcount (تعداد کارکنان)، growthRate (نرخ رشد) و attritionRate (نرخ ریزش) استفاده می‌کند.

* خروجی: یک رشته JSON با جزئیات پیش‌بینی برمی‌گرداند.

* مدیریت خطا (Error Handling): شامل مدیریت خطای پایه برای مشکلات تجزیه JSON است.

* مقادیر پیش‌فرض (Defaults): در صورت مفقود بودن نقاط داده خاص، از مقادیر پیش‌فرض استفاده می‌کند که ممکن است بر دقت تأثیر بگذارد.

• toolCode (ابزار محاسبه ریسک ریزش):

* هدف: محاسبه امتیاز و سطح ریسک ریزش و ارائه توصیه‌ها.

* منطق: avgTenure (میانگین سابقه خدمت)، performanceScore (امتیاز عملکرد)، attritionRate (نرخ ریزش) و department (دپارتمان) را تحلیل می‌کند.

* خروجی: یک رشته JSON با riskScore (امتیاز ریسک)، riskLevel (سطح ریسک) و توصیه‌ها برمی‌گرداند.

* عدم تطابق داده (Data Mismatch): مراقب عدم تطابق احتمالی واحدها (مانند performanceScore در داده‌های ساختگی در مقابل محدوده مورد انتظار در منطق ابزار) باشید که می‌تواند نتایج را منحرف کند.

• outputParserStructured (تجزیه‌کننده خروجی هوش):

* هدف: اجبار یک فرمت خروجی JSON ساختاریافته برای تحلیل عامل هوش.

* اسکیما (Schema): فیلدهایی مانند overallHealthScore (امتیاز کلی سلامت)، criticalFindings (یافته‌های حیاتی)، departmentAnalysis (تحلیل دپارتمان)، capacityForecast (پیش‌بینی ظرفیت) و attritionInsights (بینش‌های ریزش) را انتظار دارد.

* شکست (Failure): اگر خروجی عامل با اسکیما تعریف شده مطابقت نداشته باشد، گردش کار متوقف می‌شود.

۲.۳. تجمیع و هماهنگی برنامه‌ریزی

این بخش، هوش تحلیل شده را تجمیع کرده و از یک عامل GPT-4o دیگر برای سنتز توصیه‌های برنامه‌ریزی، از جمله تحرک داخلی و گزارش‌دهی اجرایی استفاده می‌کند.

• نودها:

* Aggregate (تجمیع بینش‌های هوش)

* lmChatOpenAi (مدل OpenAI - عامل برنامه‌ریزی)

* LangChain Agent (عامل هماهنگی برنامه‌ریزی)

* agentTool (ابزار عامل تحلیل تحرک)

* lmChatOpenAi (مدل OpenAI - عامل تحرک)

* outputParserStructured (تجزیه‌کننده خروجی گردش کار تحرک)

* agentTool (ابزار عامل گزارش‌دهی اجرایی)

* lmChatOpenAi (مدل OpenAI - عامل گزارش‌دهی)

* outputParserStructured (تجزیه‌کننده خروجی گزارش اجرایی)

* outputParserStructured (تجزیه‌کننده خروجی توصیه‌های برنامه‌ریزی)

• Aggregate (تجمیع بینش‌های هوش):

* هدف: ترکیب داده‌های هوش از همه دپارتمان‌ها در یک شیء واحد.

* پیکربندی: همه موارد را در intelligenceInsights تجمیع می‌کند.

• lmChatOpenAi (مدل OpenAI - عامل برنامه‌ریزی):

* هدف: فراهم کردن مدل GPT-4o برای عامل هماهنگی برنامه‌ریزی.

* پیکربندی: مدل: gpt-4o، دما (Temperature): 0.4.

• LangChain Agent (عامل هماهنگی برنامه‌ریزی):

* هدف: سنتز توصیه‌های برنامه‌ریزی، شناسایی فرصت‌های تحرک داخلی و آماده‌سازی خلاصه‌های اجرایی. همچنین تعیین می‌کند که آیا نیاز به بررسی انسانی وجود دارد یا خیر.

* ورودی: هوش تجمیع شده را دریافت می‌کند (={{ $json }}).

* پیام سیستمی (System Message): عامل را برای بررسی بینش‌ها، فراخوانی ابزار عامل تحلیل تحرک و ابزار عامل گزارش‌دهی اجرایی و علامت‌گذاری requiresHumanReview (نیاز به بررسی انسانی) در صورت لزوم، هدایت می‌کند.

* ابزارها: می‌تواند فراخوانی کند:

* ابزار عامل تحلیل تحرک

* ابزار عامل گزارش‌دهی اجرایی

* تجزیه‌کننده خروجی (Output Parser): برای استفاده از تجزیه‌کننده خروجی توصیه‌های برنامه‌ریزی پیکربندی شده است.

• agentTool (ابزار عامل تحلیل تحرک):

* هدف: به عنوان یک پوشش (wrapper) برای یک LLM تخصصی در زمینه تحرک داخلی عمل می‌کند.

* ورودی: داده‌های هوش نیروی کار را دریافت می‌کند (={{ $fromAI(...) }}).

* پیام سیستمی (System Message): LLM را برای شناسایی فرصت‌های تحرک، برنامه‌های آموزشی و صرفه‌جویی‌های احتمالی هدایت می‌کند.

* تجزیه‌کننده خروجی (Output Parser): از تجزیه‌کننده خروجی گردش کار تحرک استفاده می‌کند.

• lmChatOpenAi (مدل OpenAI - عامل تحرک):

* هدف: فراهم کردن مدل gpt-4o-mini برای تحلیل تحرک.

* پیکربندی: مدل: gpt-4o-mini، دما (Temperature): 0.3.

• outputParserStructured (تجزیه‌کننده خروجی گردش کار تحرک):

* هدف: اجبار یک فرمت خروجی JSON ساختاریافته برای توصیه‌های تحرک.

* اسکیما (Schema): فیلدهایی مانند mobilityRecommendations (توصیه‌های تحرک)، totalOpportunities (کل فرصت‌ها)، estimatedTimeToFill (زمان تخمینی برای پر کردن) و retentionImpact (تأثیر بر حفظ کارکنان) را انتظار دارد.

• agentTool (ابزار عامل گزارش‌دهی اجرایی):

* هدف: پوششی برای یک LLM متخصص در تولید گزارش‌های سطح مدیران ارشد.

* ورودی: داده‌های جامع نیروی کار و برنامه‌ریزی را دریافت می‌کند (={{ $fromAI(...) }}).

* پیام سیستمی (System Message): LLM را برای ایجاد گزارش‌های C-suite شامل معیارها، توصیه‌های استراتژیک، تأثیر مالی و جدول زمانی، هدایت می‌کند.

* تجزیه‌کننده خروجی (Output Parser): از تجزیه‌کننده خروجی گزارش اجرایی استفاده می‌کند.

• lmChatOpenAi (مدل OpenAI - عامل گزارش‌دهی):

* هدف: فراهم کردن مدل GPT-4o برای تولید گزارش اجرایی.

* پیکربندی: مدل: gpt-4o، دما (Temperature): 0.3.

• outputParserStructured (تجزیه‌کننده خروجی گزارش اجرایی):

* هدف: اجبار یک فرمت JSON ساختاریافته برای محتوای گزارش اجرایی.

* اسکیما (Schema): فیلدهایی مانند executiveSummary (خلاصه اجرایی)، keyMetrics (معیارهای کلیدی)، strategicRecommendations (توصیه‌های استراتژیک)، financialImpact (تأثیر مالی) و timeline (جدول زمانی) را انتظار دارد.

• outputParserStructured (تجزیه‌کننده خروجی توصیه‌های برنامه‌ریزی):

* هدف: اجبار فرمت خروجی ساختاریافته برای توصیه‌های برنامه‌ریزی کلی تولید شده توسط عامل هماهنگی.

* اسکیما (Schema): شامل فیلدهایی مانند hiringForecast (پیش‌بینی استخدام)، internalMobilityOpportunities (فرصت‌های تحرک داخلی)، strategicInitiatives (ابتکارات استراتژیک) و requiresHumanReview (نیاز به بررسی انسانی) است.

۲.۴. بررسی سیگنال حیاتی و قالب‌بندی گزارش نهایی

این بلوک نهایی، مرحله تأیید انسانی اختیاری را مدیریت کرده و گزارش نهایی را قالب‌بندی می‌کند.

• نودها:

* If (بررسی سیگنال‌های حیاتی نیروی کار)

* Wait (دروازه تأیید دستی)

* Code (قالب‌بندی گزارش نهایی نیروی کار)

• If (بررسی سیگنال‌های حیاتی نیروی کار):

* هدف: تعیین اینکه آیا گردش کار باید بر اساس پرچم requiresHumanReview از عامل برنامه‌ریزی، برای بررسی انسانی متوقف شود یا خیر.

* شرط: بررسی می‌کند که آیا {{ $json.requiresHumanReview }} درست است یا خیر.

* شاخه‌ها (Branches):

* True (درست): به نود Wait برای تأیید دستی می‌رود.

* False (نادرست): از تأیید صرف نظر کرده و مستقیماً به قالب‌بندی گزارش نهایی می‌رود.

• Wait (دروازه تأیید دستی):

* هدف: توقف اجرای گردش کار تا زمانی که یک سیگنال از سرگیری دستی دریافت شود (مثلاً از طریق یک Webhook).

* پیکربندی: برای انتظار برای مدت زمان مشخص یا تا زمان از سرگیری، تنظیم شده است.

* نکته: این نود برای از سرگیری گردش کار به تعامل خارجی نیاز دارد.

• Code (قالب‌بندی گزارش نهایی نیروی کار):

* هدف: تجمیع تمام بینش‌ها و توصیه‌های تولید شده در یک شیء گزارش نهایی و ساختاریافته.

* منطق: داده‌ها را از مراحل قبلی، از جمله بینش‌های تجمیع شده، توصیه‌های برنامه‌ریزی و بینش‌های تحرک، ترکیب می‌کند.

* خروجی: یک شیء JSON واحد که نمایانگر طرح کلی نیروی کار و گزارش تحلیل کامل است.

---

۳. لیست نودها

• n8n-nodes-base.scheduleTrigger
• n8n-nodes-base.set
• n8n-nodes-base.code
• n8n-nodes-base.aggregate
• n8n-nodes-base.stickyNote
• @n8n/n8n-nodes-langchain.lmChatOpenAi
• @n8n/n8n-nodes-langchain.agent
• @n8n/n8n-nodes-langchain.toolCode
• @n8n/n8n-nodes-langchain.agentTool
• @n8n/n8n-nodes-langchain.outputParserStructured
• n8n-nodes-base.if
• n8n-nodes-base.wait