Automatyczne planowanie czasu pracy / Optymalizacja zarządzania zasobami ludzkimi za pomocą badań operacyjnych

Przy odpowiednim nakładzie starań naukowców zajmujących się danymi, wszystko da się zmierzyć i skategoryzować pod względem parametrów. W miejscu pracy szczególnie szybko stosujemy te zasady, dzięki którym można zautomatyzować procesy.

Jeden z obszarów, który nie zawsze jest brany pod uwagę, jeśli chodzi o automatyzację, to zasoby ludzkie.

Być może dlatego, że pracowników nie postrzega się jako źródło danych. Niemniej istnieje przynajmniej jeden obszar, w którym nie jest to prawda i jest nim automatyczne planowanie czasu pracy (Automated Scheduling).  

Czym jest automatyczne planowanie czasu pracy (Automated Scheduling)?

Rozwiązania Automated Scheduling wykorzystywane są do optymalizacji harmonogramów pracy, zwłaszcza w miejscach, w których występuje system zmianowy. Umożliwiają one firmom szybkie reagowanie na zmiany w dostępności pracowników, dostosowywanie grafików, a także planowanie pracy w zależności od jej natężenia.

Dostępne są zarówno proste rozwiązania, które pozwalają uniknąć przestojów w pracy jak i zaawansowane narzędzia, napędzane przez AI, które spełniają szersze potrzeby.

Stosowanie rozwiązań automatycznego planowania czasu pracy nie jest jednak tak łatwe, jak mogłoby się wydawać. Większość gotowych narzędzi nie spełnia potrzeb każdej firmy z powodu wielu zmiennych wynikających ze specyfiki działalności i indywidualnych celów.

Czym jest Operations Research?

Operations Research (badania operacyjne) to metoda rozwiązywania problemów za pomocą narzędzi matematyki analitycznej. Polega na rozbiciu skomplikowanego zagadnienia na jak najprostsze elementy i zbudowanie modeli matematycznych, które pozwolą na testowanie różnych rozwiązań.

Technologia Operations Research (OR) często pojawia się obok narzędzi opartych na sztucznej inteligencji i uczeniu maszynowym. Te dwa ostatnie pojęcia także pozwalają na testowanie różnych modeli w celu znalezienia najlepszego rozwiązania.

Problemy organizacji czasu pracy

Jakie wyzwania może rozwiązać Automated Scheduling System? Najpierw warto przeanalizować poniższe czynniki, które mogą powodować problemy związane z organizacją czasu pracy:

  • Przepisy. Każdy kraj ma ścisłe przepisy i regulacje dotyczące dziennych, tygodniowych i miesięcznych limitów godzin pracy. Na przykład zarówno w Wielkiej Brytanii jak i w Polsce pracownicy muszą mieć co najmniej 11-godzinną przerwę między zmianami i zapewniony jeden pełny dzień wolny w tygodniu. W określonych sektorach, takich jak na przykład kontrola ruchu lotniczego, mogą obowiązywać jeszcze bardziej rygorystyczne przepisy.
  • Ciągłość procesu. Brak jednego pracownika może nie wydawać się czymś wielkim, ale jeśli od niego zależy płynność pracy innych członków zespołu lub całego działu, mogą pojawić się problemy z zachowaniem ciągłości procesu.
  • Sytuacje awaryjne. Od czasu do czasu zdarzają się w każdej firmie. Kiedy pracownicy biorą nagłe urlopy, menedżerowie muszą znaleźć odpowiednie zastępstwo, które pasuje do kryteriów (przepisów i objęcia roli w procesie) opisanych powyżej.
  • Efektywność. Oczywiście każdy menedżer chce, aby proces był jak najbardziej wydajny. Nawet najmniejsze opóźnienia mają swoje konsekwencje. Nieobecność kierowcy przekłada się na opóźnienie lub brak możliwości realizacji zamówienia, co w konsekwencji naraża firmę na straty.

Przykłady problemów z organizacją czasu pracy

Opisane powyżej elementy występują także w większej skali. Dobrym przykładem jest firma logistyczna, która charakteryzuje się zróżnicowanym środowiskiem pracy. Niezbędne jest zaplanowanie pracy nie tylko kierowców, ale także magazynierów, serwisantów i innych pracowników.

Każdego z nich obowiązują inne regulacje, ale jednocześnie ich praca jest połączona, a braki kadrowe w jednym obszarze mają wpływ na cały proces.

Brak kierowców skutkuje opóźnieniami w dostawach, ale powierzenie niedoświadczonym kierowcom najtrudniejszych tras może również grozić takim samym skutkiem. Z kolei posiadanie odpowiedniej liczby kierowców, ale niewystarczającej liczby magazynierów do załadunku towaru, także wpłynie na zmniejszenie wydajności. Wszystko to można opisać matematycznie jako złożone algorytmy, które są poza zasięgiem obliczeń wykonywanych przez człowieka.

Wykorzystanie badań operacyjnych w Automated Shift Scheduler (automatycznym planowaniu zmian harmonogramu)

Wszystkie kwestie, które opisaliśmy do tej pory, można wyrazić matematycznie. Najlepsza jest do tego technologia OR (badania operacyjne), którą można zautomatyzować w taki sposób, żeby myślała szybciej niż ludzki mózg. Koniec końców celem jest optymalizacja (tj. minimalizacja kosztów związanych z pracą człowieka przy jednoczesnym zapewnieniu jak najlepszej wydajności i ciągłości pracy) czasu pracy przy jednoczesnej oszczędności czasu menadżerów.

W ramach OR rozważyć należy dwa główne czynniki: niezbędne ograniczenia i cel, który jest pożądanym do osiągnięcia rezultatem.

W systemie Automated Shift Scheduler jako granice możemy zaprogramować następujące wymagania:

  • Wpływ na proces. Na przykład, jeśli mówimy o supermarkecie, Automated Scheduler zminimalizuje ryzyko długich kolejek w ramach ustalonych warunków brzegowych (np. maksymalną liczbę pracowników dostępnych w danym momencie i liczbę kas. W połączeniu z informacją, ile mamy klientów w sklepie, możemy określić optymalną liczbę pracowników na kasie zapewniających ciągłość obsługi przy jednoczesnym zapewnieniu personelu w innych częściach sklepu. Liczbę klientów można też przewidywać przy użyciu analizy serii czasowych).
  • Zgodność z prawem. Czas między zmianami, przerwy w pracy i inne czynniki mogą być wyrażone matematycznie i ustawione jako niezmienne reguły w ramach dowolnego opracowanego modelu.

Jeśli chodzi o cele, to zależy to od priorytetów firmy.

  • Minimalny koszt pracy. W celu największej optymalizacji wydatków dąży się do minimalnej liczby pracowników. Wiele firm nie może pozwolić sobie na finansowanie pracowników rezerwowych.
  • Ciągłość realizacji. Na przykład firmy logistyczne mogą przedkładać realizację zamówień nad wszystkie inne metryki.
  • Przewidywanie zapotrzebowania. Być może firma chce po prostu przewidzieć (więcej o tym za chwilę) wzrosty i spadki popytu i podaży, odpowiednio planując zmiany pracy i priorytety.

Przewidywanie przyszłości

Oprócz wykonywania bieżących zadań, częścią pracy menedżera średniego szczebla jest myślenie o przyszłości i unikanie potencjalnych zagrożeń. W przypadku harmonogramów pracy obejmuje to branie pod uwagę wielu różnych czynników, które wpływają na efektywność. Wśród nich można wymienić zmęczenie pracowników, spadek motywacji wynikający ze zbyt długiej pracy, dotkliwość kar za niewywiązanie się ze swoich obowiązków. Wszystko to odbywa się przy jednoczesnym przewidywaniu i dostosowywaniu się do popytu i podaży.

Ściśle mówiąc, badania operacyjne opierają się na hipotezach, które testowane są przez określony czas przy użyciu bezpośrednich danych. Podczas gdy nie da się jednoznacznie przewidzieć przyszłości, istnieje metoda, która daje solidne wyniki w zakresie prognozowania: Time Series Regression (regresja szeregów czasowych).

Regresja szeregów czasowych stanowi w pełni odrębny obszar data science. Najprościej można ją wytłumaczyć jako tworzenie prognoz na podstawie danych historycznych. Dzięki użyciu kluczowych znaczników czasowych, takich jak rok lub nawet pora dnia, można zbudować odpowiednie modelowanie predykcyjne. Dzięki temu można odpowiedzieć na różne pytania handlowców, m.in.:

  • W których godzinach jest najwięcej klientów?
  • O jakiej porze roku i w które dni określone produkty sprzedają się najlepiej?
  • Jak zmieniają się zachowania klientów w zależności od pory roku?

Modelowanie predykcyjne można wzbogacić o dodatkowe informacje, takie jak pogoda, wskaźnik zaufania konsumentów (CGI) lub wskaźnik zamożności klientów (CWI). Możemy się na przykład dowiedzieć, że największa aktywność klientów przypada na piątkowe wieczory. Chyba że akurat pada – wtedy nie wychodzą z domu.

Firmy mogą wykorzystać informacje dotyczące potrzeb klientów i spodziewanego popytu do przygotowania Automated Scheduling.

Jak zbudować Automatic Scheduling System?

Jak wspomnieliśmy już na początku, rozwiązania sprzedawane masowo mogą nie sprostać indywidualnym potrzebom, zatem czy istnieje jakaś alternatywa? W celu stworzenia najbardziej precyzyjnego systemu Automated Scheduling konieczne jest wykorzystanie badań operacyjnych i metodologii regresji szeregów czasowych wspartych przez machine learning.

Niezbędne jest także dostarczenie danych, które pochodzą z firmy. Jakie informacje mogą być rejestrowane i wykorzystywane? Jakie są główne założenia i priorytety? Na te pytania trzeba odpowiedzieć, żeby zespół zajmujący się danymi mógł przełożyć je na wspomniane wcześniej granice i cele.

Ponieważ te dwa pierwsze (tj. badania operacyjne i analiza szeregów czasowych) reprezentują dwa bardzo różne obszary nauki o danych, nie są tak łatwe do wdrożenia przez firmy we własnym zakresie lub poprzez szybkie i łatwe środki. Badania operacyjne i analiza szeregów czasowych to niejedyne metody zbudowania systemu Automated Scheduling. Swoje zastosowanie znajdą tu także algorytmy klasteryzujące, klasyfikacja, analiza statystyczna, rozwiązania oparte na sieciach neuronowych i wszystkie inne narzędzia dostępne w data science.

Pomimo że brzmi to jak chwyt sprzedażowy, w rzeczywistości prawda jest taka, że zarówno badania operacyjne jak i regresja szeregów czasowych, a także uczenie maszynowe i inne zaawansowane rozwiązania w zakresie danych, nie są łatwe do wdrożenia. Jednak niezaprzeczalnie szybko przynoszą korzyści w postaci zaoszczędzonych pieniędzy, minimalizowania rozmaitych ryzyk oraz ogólnej zwiększonej efektywności operacyjnej.

Automated Scheduling: Pierwszy krok do maksymalnego wykorzystania danych

System, który stale się uczy, będzie się rozwijał i doskonalił w miarę upływu czasu, zwiększając korzyści z jego wykorzystania. Jednocześnie pozwoli zdjąć dużą część obowiązków z barków kadry zarządzającej, która może skupić się na innych obszarach, zamiast samodzielnie rozgryzać złożone obliczenia.

Jak więc zbudować system automatycznego planowania czasu pracy? O ile nie działasz w branży związanej z danymi, postaw na specjalistów z zakresu data science. Nie ulega wątpliwości, że jeśli chcesz wdrożyć taki system, najlepiej zrobić to z ludźmi, dla których świat to wzory i algorytmy.

Nasi eksperci
/ Dzielą się wiedzą

Ilustracja przedstawiająca robota reprezentującego sztuczną inteligencję, otoczonego symbolami wyzwań i błędów w sztucznej inteligencji. Obraz zawiera pomarańczowy mózg, zepsutą żarówkę i cyfrowe piksele, symbolizujące dane i zagrożenia etyczne związane z awariami sztucznej inteligencji
30.10.2024

Wpadki AI / Gdy sztuczna inteligencja wymyka się spod kontroli

AI

Sztuczna inteligencja rewolucjonizuje wszystkie branże, oferując naprawdę imponujące możliwości w zakresie wydajności, szybkości i innowacyjności. Jednak w miarę jak systemy AI stają się coraz bardziej zintegrowane z procesami biznesowymi, staje się oczywiste, że narzędzia te nie są również pozbawione wad. Od małych błędów po poważne...

AI w optymalizacji łańcucha dostaw materiałów budowlanych
28.10.2024

Zastosowanie sztucznej inteligencji w optymalizacji łańcucha dostaw materiałów budowlanych 

E-Commerce

Czy sztuczna inteligencja może zrewolucjonizować zarządzanie łańcuchami dostaw materiałów budowlanych? Dowiedz się, jak AI może pomóc w optymalizacji prognozowania zapotrzebowania, zarządzaniu zamówieniami i stanami magazynowymi, a także zminimalizować ryzyko i spersonalizować ofertę dla klientów. Odkryj przyszłość AI w branży...

08.10.2024

Magento Open Source vs Adobe Commerce / Który system e-commerce wybrać?

E-Commerce

Wybór odpowiedniej platformy e-commerce to kluczowa decyzja, która może zaważyć na sukcesie Twojego biznesu w handlu online. Magento Open Source oraz Adobe Commerce to dwa popularne rozwiązania, oferujące różne możliwości dostosowane do potrzeb przedsiębiorstw. Podczas gdy Magento Open Source to elastyczna platforma z otwartym kodem...

Ekspercka wiedza
dla Twojego biznesu

Jak widać, przez lata zdobyliśmy ogromną wiedzę - i uwielbiamy się nią dzielić! Porozmawiajmy o tym, jak możemy Ci pomóc.

Napisz do nas

<dialogue.opened>