查看分析结果

完成任务变体的记录后，就可以利用 AI 了。

我们建议将 5 万个操作作为比较好的基线。该模型最多可支持在项目中收集的 20 万个操作。

提示：

作为一种快速估计方法，活动用户通常每小时提供 200 到 1,000 个操作，具体取决于他们正在录制的场景。

运行机器学习模型后，Unassisted Task Mining 项目中将提供“结果”选项卡。通过收集所有记录的操作和屏幕截图，并利用 AI 来确定不连续的步骤及其可重复性，从而确定结果。

模型确定经常重复的离散步骤后，它将创建任务以将这些步骤分组到可视化中。

审核显示的任务、追踪和趋势，有助于深入了解组织和流程。运行机器学习模型后，您可以按照我们的Unassisted Task Mining 分析指南（请参阅下一节中的步骤）操作，利用最佳实践推动项目的持续发现和可操作性。

结果

每次运行分析时，“结果”选项卡中都会提供一个新的分析名称，其中包含一些详细信息，这些详细信息可以帮助您找到要深入研究的适当分析。

分析完成并生成结果后，您可以选择分析以查找有关已捕获数据的更多详细指标。

“结果”页面显示分析的详细信息。

以下是“结果”选项卡上显示列的说明。

列	描述
分析名称	在项目中创建的分析的名称。
已识别的任务	机器学习模型识别的重复性任务的数量。
总时间	记录的总时间 (hh:mm:ss)。
用户	在此项目中记录了日常活动的用户数量。
操作	数据集中捕获的操作（单击、键入等）的数量。
所用应用	使用的应用程序数量。
发现期	记录数据的日期间隔。
	用于打开包含以下选项的上下文菜单。打开 - 显示详细的分析概述删除 - 删除选定的分析导出为 .CSV

选择特定分析以查看更详细的分析概述和已识别的任务列表。

以下是“分析概述”中图表的说明。

图表	描述
任务	机器学习模型识别的重复性任务的数量。
捕获的操作	数据集中捕获的操作（单击、键入等）的数量。
总捕获时间	记录的总时间 (hh:mm)。
用户	在此项目中记录了日常活动的用户数量。
使用的应用程序总数	使用的应用程序数量。
分析详细信息	有关分析的详细信息：分析名称。上传数据的日期。记录数据的日期间隔。

选择分析后，“任务”表格视图将列出重复性任务以及每个任务的详细指标。

注意：根据这些任务的自动化潜力对任务进行排序，并考虑各种因素，包括可重复性和复杂性。但是，我们强烈建议用户查看任务，并根据自己的条件确定任务的自动化优先级。

以下是任务表格视图中列的说明。

列	描述
任务排名	一个独特的排名，可帮助您找到最佳的自动化任务机会。
总持续时间	在归因于该任务的所有追踪中，用户执行该任务所花费的总时间。备注：蓝色条形表示与其他任务相关的任务的执行时间。
用户	重复执行此任务的用户数量。
追踪	此任务在数据集中的发生次数。一个追踪就是由一个用户完成此任务的一次迭代。
时长中值	归因于该任务的所有追踪的执行时间中值。它指示执行任务的时长。
操作	此任务最具代表性的追踪中的操作 (单击、键入等) 数量 - 表明任务的复杂性。
任务名称	任务的名称。默认为“任务 + 编号”。请参阅编辑任务名称。
书签	使您可以为任务添加书签，以轻松筛选选定的任务。
状态	任务的状态。请参阅更改任务状态。
	用于打开包含以下选项的上下文菜单。打开. 请参阅查看任务详细信息导出为 .CSV

默认情况下，任务名称设置为“任务”+ 数字。例如Task 1 。您可以编辑任务名称，为任务提供更具描述性的名称。请按照以下步骤编辑任务名称。

提示：

您还可以在任务详细信息页面中更改任务的名称。

默认情况下，所有任务都将以“未开始”状态开始。您可以手动更改任务的状态。下面概述了您可以为任务选择的可用状态。