Automatisierte Planung / Eine Lösung zur Optimierung der Betriebszeit mit Operationsforschung

Wenn sich Data Scientists/ Datawissenschaftler genug Mühe geben, kann alles in Parametern gemessen werden. Am Arbeitsplatz setzen wir diese Prinzipien sofort um, um die Prozesse zu verstehen, die auf der Grundlage dieser Parameter automatisiert werden.

Ein Bereich, der nicht immer berücksichtigt wird, ist das Personalwesen.

Vielleicht, weil wir Mitarbeiter meistens nicht als Datenquelle betrachten, aber es gibt mindestens einen Bereich, in dem wir es anders machen: die automatisierte Terminplanung.

Was ist eigentlich eine automatisierte Terminplanung?

Automatisierte Planungslösungen sind darauf ausgelegt, Arbeitspläne zu optimieren, normalerweise in Bezug auf Mitarbeiterschichten und bestimmte Geschäftsbereiche. Sie ermöglichen es Unternehmen, sich flexibel an Planänderungen anzupassen, z. B. um dringende Änderungen des Dienstplans oder die Arbeitsbelastungsanforderungen zu berücksichtigen.

Diese können von einfachen Lösungen reichen, die keine Redundanz gewährleisten, bis hin zu fortschrittlichen KI-gesteuerten Tools, die automatisch umfassendere Anforderungen und Auswirkungen berücksichtigen.

Doch so einfach es klingt, die meisten vorgefertigten Lösungen erfüllen in der Regel nicht die spezifischen Anforderungen eines bestimmten Unternehmens. Dies liegt daran, dass sie sich auf bekannte Variablen konzentrieren, und obwohl diese gemeinsamen Nenner der meisten Mitarbeiter sind, passen sie sich nicht an spezifische Nischenfälle an, die sich letztendlich auf die Ziele des Unternehmens auswirken.

Was sind Operationsforschungen?

Operationsforschungen sind eine Methode zur Problemlösung und der analytischen Mathematik. Dies kann erreicht werden, indem Probleme in ihre einfachsten Elemente zerlegt und mathematische Modelle um sie herum erstellt werden, um verschiedene Lösungen zu testen.

Probleme der Arbeitszeitorganisation

Vor welchen Herausforderungen steht das automatisierte Planungssystem? Das mittlere Management muss von Anfang an viele Faktoren berücksichtigen:

• Vorschriften. Jedes Land hat strenge Regeln und Vorschriften bezüglich der täglichen, wöchentlichen und monatlichen Arbeitszeiten. Beispielsweise müssen Arbeitnehmer in Großbritannien, DACH und Polen zwischen den Schichten mindestens 11 Stunden pro Tag und einen ganzen Tag pro Woche frei haben. Bestimmte Bereiche, wie zum Beispiel die Flugsicherung, können auch strengere Vorschriften haben.
• Der ganze Prozess. Keinen einzigen Mitarbeiter zu haben, scheint keine große Sache zu sein, aber wenn er eine wichtige Rolle unter anderen Teammitgliedern oder Abteilungen spielt, kann der gesamte Prozess problematisch werden.
• Plötzliche Unfälle – im jeden Unternehmen kommt es manchmal dazu. Im Falle eines Noturlaubs müssen die Mitarbeiter einen geeigneten Ersatz finden, der die oben beschriebenen Kriterien (die Regeln und ihre Rolle im Prozess) weiterhin erfüllt.
• Effizienz. Natürlich möchte jeder Manager, dass der Prozess so effizient wie möglich ist. Selbst kleinste Verzögerungen haben Folgen. Ein nicht verfügbarer Fahrer führt zu verspäteten oder verpassten Bestellungen, was wiederum das Unternehmen kostet.

Okay, dann gib mir ein Beispiel?

Der Mangel an Fahrern führt zu Lieferverzögerungen, während die Bereitstellung der schwierigsten Routen für unerfahrene Fahrer den gleichen Effekt haben kann. Ebenso kann es in ähnlicher Weise die Produktivität verlangsamen, wenn Fahrer, aber Personalmangel in Frachtladern vorhanden ist. Mathematisch können wir all dies als komplexe Algorithmen ausdrücken, die über das vernünftige Verständnis des schnellen Denkens einer Person hinausgehen.

Klingt es interessant? Geben Sie uns Bescheid!

Verwenden von OR in einem automatischen Schichtplan

All dies kann mathematisch ausgedrückt werden. Dafür ist die OP-Technologie die beste Lösung, da sie automatisiert werden kann, um schneller zu denken als das menschliche Gehirn. Schließlich geht es darum, die Arbeit zu optimieren und gleichzeitig Managern Zeit zu sparen.

Bei OR sind zwei Hauptfaktoren zu berücksichtigen: Grenzen und Zweck. Grenzen gelten für jeden einschränkenden Faktor, während das Ziel ein gewünschtes Ergebnis ist.

Beispielsweise können wir folgende Anforderungen in einem automatisierten Planungssystem als Limits programmieren:

• Einfluss auf den Prozess. Handelt es sich beispielsweise um einen Supermarkt, minimiert ein solcher automatischer Fahrplan das Risiko langer Angebotsschlangen unter den gesetzten Randbedingungen.
• Übereinstimmung mit dem Gesetz. Die Zeit zwischen Schichten, Arbeitspausen und andere Faktoren können mathematisch ausgedrückt und als unveränderliche Regeln in jedem entwickelten Modell festgelegt werden.

Die Ziele hängen von den Prioritäten des Unternehmens ab.

• Minimale Arbeitskosten. Um kosteneffektiv zu sein, benötigen Manager kleine Teams mit erfahrenden Fachkräften, da sich nur wenige Unternehmen verschwendete Ausgaben für Backup-Mitarbeiter leisten können.
• Erfüllung. Beispielsweise können Logistikunternehmen die Auftragserfüllung gegenüber allen anderen Metriken priorisieren.
• Erwartung. Vielleicht möchte das Unternehmen nur (mehr dazu gleich) Nachfragesteigerungen und -rückgänge vorhersagen, indem es Änderungen und Prioritäten richtig plant.

Die Zukunft vorhersagen

Neben Ihren unmittelbaren Bedürfnissen gehört es zur Aufgabe eines mittleren Managers, an die Zukunft zu denken und potenzielle Risiken zu vermeiden. Im Fall von Arbeitszeitplänen umfasst dies mehrere Faktoren, die Effizienz eines Unternehmens stark beeinflussen. Dazu gehören unteranderen, die von  Überstunden verursachte Demotivation der Mitarbeitern, ihre Überarbeitung, die Schwere der Strafen für ein verpasstes Deadline und vieles mehr und das alles bei gleichzeitiger Antizipation und Anpassung an die Nachfrage.

Streng genommen basiert Operationsforschung auf angewandten Hypothesen, die an direkten Daten erprobt sind. Was es nicht kann, ist die Zukunft vorherzusagen. Obwohl nichts passieren kann, gibt es glücklicherweise eine Methode, die Ergebnisse liefert, die genau genug sind, um damit zu arbeiten: die Zeitreihenregression.

Ein ganz anderer Bereich der Datenwissenschaft, die Zeitreihenregression, lässt sich am besten als Vorhersage aus historischen Daten ausdrücken. Durch die Verwendung wichtiger Zeitstempel – nehmen wir ein konkretes Jahr oder sogar Tageszeit – können wir Vorhersagemodelle erstellen. Einzelhändler möchten zum Beispiel wissen:

• Wann sehen Sie die meisten Kunden?
• Zu welcher Jahreszeit verkaufen sich bestimmte Produkte am besten – und an welchen Tagen
• Wie sich das Verhalten mit den Jahreszeiten ändert

Buchen Sie jetzt eine kostenlose Beratung zum Thema der automatisierten Planung.

Dies kann anhand zusätzlicher Informationen wie dem Wetter, dem Consumer Confidence Index (CGI) oder dem Consumer Wealth Index (CWI) weiter angepasst werden. Beispielsweise können wir feststellen, dass die Kundenaktivität freitagabends tendenziell hoch ist … es sei denn, es regnet, in diesem Fall gehen sie nicht aus.

Unternehmen können Informationen über Kundenbedürfnisse und deren Nachfragen sammeln, um eine automatisierte Planung vorzubereiten.

So bauen Sie ein automatisiertes Planungssystem auf

Wir haben eingangs erwähnt, dass Massenmarktlösungen diese subtileren Bedürfnisse nicht erfüllen - also was ist die Alternative? Für die beste automatisierte Planung sind sowohl Operationsforschung - als auch Time Series Regression-Methoden erforderlich, ganz zu schweigen von fortschrittlicher Unterstützung für maschinelles Lernen.

Und vom Geschäft selbst? Daten. Welche Informationen werden protokolliert – oder können protokolliert – und später verwendet werden? Was sind die wichtigsten Ziele und Prioritäten? Selbst das beste Datenteam wird sie brauchen, um sie in die oben genannten Grenzen und Ziele zu übersetzen.

Da die ersten beiden zwei sehr unterschiedliche Bereiche der Data Science darstellen, ist es für Unternehmen nicht so einfach, sie inhouse oder mit schnellen und einfachen Mitteln umzusetzen.

Auch wenn dies wie eine Verkaufsanzeige klingt, ist die ungeschminkte Wahrheit, dass Operationsforschung, Zeitreihenregression, maschinelles Lernen und andere fortschrittliche Datenlösungen nicht einfach zu implementieren sind, sich aber in Bezug auf eingespartes Geld, und vermiedenes Risiko, als eine effiziente Lösung auszeichnet.

Automatische Planung: der erste Schritt, um das Beste aus Ihren Daten herauszuholen

Ein System, das rund um die Uhr von alleine lernt, wird mit der Zeit wachsen und sich verbessern, wodurch Ihre Belohnungen steigen. Gleichzeitig ermöglicht es den Managementebenen, sich auf andere Bereiche zu konzentrieren, anstatt zu versuchen, solch komplexe Berechnungen selbst durchzuführen.

Wie baut man also ein automatisiertes Planungssystem auf? Wenn Sie nicht im Datengeschäft tätig sind, ist es am besten, engagierte Datenanalysten einzustellen. Denn wer so ein System will, fängt am besten mit Leuten an, die sowieso die Welt durch Formeln und Algorithmen sehen.