查看研究

研究概述

本研究概述为您提供分析摘要。

• 任务 - 机器学习模型识别的重复性任务的数量。
• 捕获的操作 - 数据集中所捕获操作（单击、键入等）的数量。
• 总捕获时间 - 录制的小时数。
• 用户 - 此项目中日常活动记录所针对的目标用户的数量。

• 使用的应用程序总数 - 此项目中日常活动记录所针对的目标用户的数量。

  
  

  

  
  

详细指标

向下滚动，可以找到重复性任务的列表以及每个任务的详细指标：

• 任务名称 - 默认为任务 + 编号。任务名称可以编辑。
• 总时间 - 用户执行此任务花费的总时间。
• 用户 - 重复执行此任务的用户数量。
• 追踪 - 数据集中此任务的执行次数。一个追踪就是由一个用户执行此任务的一次迭代。
• 步骤（中值） - 此任务最具代表性的追踪中统计的步骤数量，表明任务的复杂性。
• 操作（中值） - 此任务最具代表性的追踪中统计的操作数量（单击、键入等），表明任务的复杂性。
• 执行时间（中值） -此任务最具代表性的追踪中统计的执行时间，表明任务的复杂性。

• 使用的应用程序 - 执行此任务时使用的应用程序数量。

  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。

任务分组

执行分析时，分析结果表中会生成分组任务。任务组由 Task Mining 模型定义，并结合在数据集中找到的相似任务，这是因为要确切了解正确的任务开始和结束步骤以及中间步骤具有挑战性。可以展开一组任务以显示可选任务，也可以折叠任务，仅显示具代表性的任务。

• Task Mining 默认选择一个任务作为代表，但用户也可以选择一个子任务并将其设置为代表。

  
  

  

  
  

• 如果现在已将一个子任务正确分配至当前任务，也可以将该子任务传输至另一个任务。为此，您可以选中该子任务，然后选择返回箭头，选择传输子任务时使用的目标任务。