该合成数据集包含一家工厂 18 个月的日常绩效和人员流失数据（411,948 个观测值），该工厂的组织结构由 508 名工人组成。由于员工流动，数据集中总共出现了 687 人。数据集的观测值既涵盖常规日常事件（如工人出勤率和日常效率水平），也涵盖特殊的一次性事件（如事故、员工离职或新员工入职）。该数据集的一个独特功能是数据中“隐藏”着各种因果关系，等待通过机器学习来发现。例如，人们可以应用机器学习来调查：
员工的高水平绩效如何增加他或她被竞争公司“挖走”到更好的职位的可能性。
工人的精神失误或身体事故可能预示着他或她正在生病，并且可能很快因病错过一天的工作。
工人的效率如何受到一周中的某天、一月中的某天以及一年中的某月的影响。
工人的年龄如何影响他们的平均每日工作效率。
工人与其主管之间的年龄差异如何影响工人的平均日常效率。
一名工人的主要工作伙伴是同性还是异性，对其平均每日工作效率有何影响。
工人表现出的“团队合作”和“破坏”行为的数量以及他们的经理记录的数量如何受到月份日期的影响（以及例如即将到来的生产期限所造成的压力）。
如何将工人分为日常效率高、中、低的组，这些组是相对稳定还是高度可变。
