Prescriptive Analytics zur Personaleinsatzplanung

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.