Intelligent behovsprognostisering och personalschemaläggning med hjälp av Data Science

Intelligent behovsprognostisering och personalschemaläggning med hjälp av Data Science 

Många branscher har behov av tillförlitlig och effektiv personalschemaläggning. För en personalintensiv verksamhet utgör bemanningen verksamhetens kärna. Optimal schemaläggning kan därför innebära stora produktivitetsvinster – dels tack vare effektivare resursanvändning och dels tack vare nöjdare medarbetare.

Men personalschemaläggning är en ytterst komplex process och när den lämnas åt ett Excelark är risken stor för sena kvällar och kostsamma misstag. Därför är det knappast förvånande att många företag rör sig bort från utdaterade manuella lösningar. I en rapport från 2019 förutspår Gartner att 40% av alla större organisationer med timpersonal och fluktuerande bemanningsbehov kommer att ha automatiserat sina schemaläggningsbeslut innan 2025.

Schemaläggningsprocessen delas upp i två huvudsakliga steg: (1) prognostisera bemanningsbehov och (2) optimera personalschemat. För prognostisering av bemanningsbehov lämpar sig framförallt metoder såsom maskininlärning, medan metoder såsom beslutsoptimering lämpar sig för optimering av personalschemat. Jag kommer här nedan förklara hur schemaläggningsprocessen kan gå till med hjälp av två exempel.

Prognostisering av bemanningsbehov med hjälp av maskininlärning

För en nöjespark som Liseberg är förmågan att göra träffsäkra prognoser på antalet besökare A och O. Sådana prognoser ligger till grund för både bemanning och inköp. Advectas har hjälp Liseberg att gå från manuella prognoser byggda på erfarenhet och magkänsla, till automatiserade prognoser baserade på maskininlärning.

Antalet besökare på Liseberg är starkt beroende av yttre faktorer såsom väder, andra Göteborgsevent, säsong, högtidshelger, veckodag, och mycket mer. Även inre faktorer såsom historiska besökstrender, öppettider, artister på scenen, eller tema i parken spelar in. Datakällorna som användes för prognosen var alltså både externa och interna. Externa källor som används är SMHI:s väderdata, Last FM:s data över de mest lyssnade artisterna, och Göteborgs stads eventkalender. Datakällor såsom Lisebergs egen besökshistorik, öppettider och egna eventkalender är exempel på interna datakällor.

Alla dessa faktorer, både interna och externa, sammanvägdes när antalet besökare per dag prognostiserades med hjälp av open source-verktyget Facebook Prophet, implementerat i Python. Antalet besökare fördelades även ut på timbasis med hjälp av ett kompletterande neuralt nätverk. Resultatet blev en mer träffsäker prognos, som kan uppdateras hur ofta man vill (i detta fall varje natt), och som dessutom inte längre stod och föll på ett fåtal individers erfarenheter och begränsande tid.

Optimal personalschemaläggning med hjälp av beslutsoptimering

Låt oss nu säga att vi har en behovsprognos att utgå ifrån när vi vill optimera vår personalschemaläggning. Det skulle kunna vara som i Lisebergsexemplet här ovan – där vi med hjälp av maskininlärning prognostiserade ett fluktuerande bemanningsbehov – men man kan också tänka sig att vi har ett fast bemanningsbehov redan från början. Så är exempelvis ofta fallet för vård- och omsorgssektorn, där olika vårdinrättningar och boenden har ett fast antal vårdplatser. Advectas har hjälpt socialförvaltningen på Trelleborgs kommun att optimera personalschemaläggningen för deras verksamheter.

Den stora utmaningen med personalschemaläggning för en verksamhet såsom Trelleborgs kommun är att lägga ett schema som håller sig inom särskilda randvillkor (eng. constraints). Arbetstidslagen är ett exempel som ligger nära till hands. Arbetstidslagen säger till exempel att dygnsvilan mellan två skift måste vara minst 11 timmar och att den sammanhållna veckovilan måste vara minst 36 timmar. Det kan också handla om fackliga överenskommelser, såsom totala antalet arbetstimmar över en arbetsvecka eller det maximala antalet arbetsdagar i rad utan en ledig dag mellan.

Dessutom måste man ta hänsyn till så kallade målfunktioner (eng. objectives), det vill säga de egenskaper man vill att det optimala schemat ska ha. Det kan till exempel handla om en jämn fördelning av skifttyper mellan de anställda eller en jämn fördelning av eventuell under- eller överkapacitet över hela schemaperioden. Alla dessa randvillkor och målfunktioner blir snabbt oöverblickbart många. För den schemaläggare som bara har ett Excelark till sitt förfogande är det omöjligt att se alla potentiella schemakombinationer. För att få en överblick över de olika valmöjligheterna är det inte ovanligt att man lägger ett rullande grundschema och sedan gör små justeringar på detta grundschema. På så vis låser man sig till grundschemat, vilket kan vara svårt att komma ifrån. Med beslutsoptimering riskerar man inte att låsa sig till ineffektiva lösningar, utan angriper istället schemaläggningsproblemet på ett vetenskapligt sätt.

För Trelleborgs kommun byggde vi optimeringslösningen med hjälp av optimeringsmotorn CPLEX, implementerat i Python via API:erna PuLP respektive DoCPLEX. På senare år har det blivit mer och mer populärt att bygga optimeringslösningar just i ett så kallat general purpose-språk såsom Python, framförallt tack vara den flexibilitet det för med sig gentemot andra Data Science-lösningar. När vi talar om personalschemaläggning blir det väldigt tydligt varför – man kan prognostisera bemanningsbehovet och lägga personalschemat i en och samma lösning.

 Tveka inte på att höra av dig om det är något du undrar! Skicka gärna ett mail till tilda.lundgren@advectas.se så diskuterar vi frågan vidare. 

TildaLundgren

Tilda Lundgren
tilda.lundgren@advectas.se
Mitt namn är Tilda Lundgren, Data Scientist på Advectas. Jag är utbildad civilingenjör inom Industriell Ekonomi med inriktning på tillämpad matematik och optimeringslära. Tidigare har jag bland jobbat på Google, Jeppesen (Boeing) och Procter & Gamble. Här på Advectas specialiserar jag mig på Data Science-projekt inom beslutsoptimering och annan typ av preskriptiv analys. När jag inte löser optimeringsproblem tycker jag om att sjunga i kör, spela innebandy, eller svettas i löparspåret. Göteborgare i exil, nu bosatt i Hammarbyhöjden strax söder om Stockholm.

Alla inlägg av Tilda Lundgren

BI- & Data Science Day - i år digitalt och helt kostnadsfritt!

Mer info & anmälan