Prescriptive Analytics zur Personaleinsatzplanung

Mit KI den Personalbedarf und Personaleinsatz in Umschlaghallen planen

© THAWEERAT / AdobeStock.com

Eine effiziente Personaleinsatzplanung ist zentral für die operative Logistik. Unter anderem durch den Fachkräftemangel rücken dabei auch die Bedürfnisse der Arbeitnehmer immer mehr in den Fokus und dies führt zu zunehmend komplexeren Schichtplänen.

Im Projekt betrachten wir die Personaleinsatzplanung in Cross-Dock Umschlaghallen, wo Waren von einem Transportmittel auf ein anderes umgeladen werden. Ziel dabei ist es, Verzögerungen bei der Warenabwicklung und somit längere Lieferzeiten und höhere Kosten zu vermeiden. Um dies zu erreichen entwickeln wir ein Verfahren, welches mittels der Kombination von mathematischer Optimierung und KI-Methoden zur Prognose der umzuschlagenden Warenmengen optimale Personaleinsatzpläne für unterschiedliche Entscheidungshorizonte (Monat, Woche, Tag) bestimmt und somit neben flexiblen, kurzfristigen Entscheidungen auch eine mittelfristige Planungssicherheit ermöglicht. So kann den Mitarbeitern bereits früh der zu erwartende Schichtplan kommuniziert werden und gleichzeitig wird vermieden, zu viel oder zu wenig Personal zur Verfügung zu stellen.

Stochastische Optimierung und temporal hierarchische Prognosen

Im Rahmen des Projekts werden Personaleinsatzpläne auf Monats-, Wochen- und Tagesebene bestimmt. Entschieden wird dabei über die Anwesenheitstage der Arbeiter (Monat), die Schichten (Woche) und die Aufgaben mit Start und Endzeitpunkten (Tag).

Zur Modellierung der Entscheidungsprobleme werden sogenannte gemischt ganzzahlige Optimierungsmodelle verwendet, welche mittels des Branch and Cut Algorithmus nachweisbar optimal gelöst werden können. Dabei können wir Schichtmuster, Arbeitszeitbeschränkungen inklusive Pausen, individuelle Qualifikationsprofile der Mitarbeiter, Wege zwischen Aufgaben oder auch die Monotonie der Betätigung berücksichtigen. Zentrale Bedingung ist dabei, dass die abgeleiteten Schichtpläne die ankommenden Sendungen bearbeiten können. Wieviele das sein werden, wird mit KI-Methoden prognostiziert und zur Berücksichtigung der Unsicherheit mittels Methoden der stochastischen Optimierung in die Modelle integriert.

Da die Entscheidungsprobleme unterschiedliche Horizonte umfassen, werden Prognosen unterschiedlicher Granularität benötigt. Um besser aufeinander abgestimmte Entscheidungen zu erhalten, wird temporal hierarchical forecasting verwendet. Dies bedeutet, dass zunächst Prognosen auf allen Aggregationsebenen unabhängig voneinander bestimmt und anschließend mit einem speziellen Kombinationsansatz kohärent gemacht werden. Kohärenz bedeutet in diesem Kontext, dass sich die resultierenden Prognosen über alle Granularitäten hinweg perfekt zueinander aufsummieren. Dies führt letztlich zu weniger Änderungen zwischen den lang- und kurzfristigen Schichtplänen und so hoffentlich zu höherer Mitarbeiterzufriedenheit.

Das könnte Sie auch interessieren

 

Forschungsfeld

KI-basierte Bedarfsprognosen für Logistik, Handel und Verkehr

Wir bringen KI-basierte Bedarfsprognosen in der Logistik, dem Handel und der Produktion in die Anwendung, um Vorhersagen zu verbessern und Prognose-Unsicherheiten zu quantifizieren.

 

KITE

Der Verkehr ist dabei einer der großen Emittenten von Treibhausgasen. Gleichzeitig wächst der Straßengüterverkehr aber immer weiter. Ein beträchtlicher Anteil dieser LKW-Fahrten ist dabei nicht optimal ausgelastet – viele LKWs fahren leer auf der Straße. Im Projekt »KITE« entwickeln die Forscherinnen und Forscher der Arbeitsgruppe für Supply Chain Services ein neues KI-basiertes Verfahren zur Tourenplanung, um Leerfahrten zu reduzieren.

 

Dynamische Lagerplanung bei Schnellecke

Um die Herausforderungen für einen reibungslosen Warenumschlag zu meistern, erarbeitete die Fraunhofer-Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS gemeinsam mit der Firma Schnellecke Logistics eine dynamischen Lagerplanung.

 

 

Logistikbeschäftigungsstudie

Mit der Studie »Logistikbeschäftigung in Deutschland – Vermessung, Bedeutung und Struktur« schafft die Fraunhofer-Arbeitsgruppe für Supply Chain Services SCS einen detaillierten Einblick in die Querschnittsbranche der Logistik, die bisher statistisch nur unzureichend erfasst ist.