Orango | Optimera bemanningen på lagret med Machine Learning

Optimera bemanningen på lagret med Machine Learning

För att kunna planera in hur mycket personal som behövs på ditt lager behöver du lägga ihop, historisk data, kunskap och erfarenhet. Genom att implementera Machine Learning i bemanningsplaneringen kan du få högre träffsäkerhet med stora kostnadsbesparingar som resultat.

Machine learning for lagerbemanning

Bemanningsplanering handlar till största delen om orderprognostisering, det vill säga om att se mönster och räkna ut hur många ordrar som förväntas komma in. Utifrån den uträkningen ska lagret bemannas rätt för att säkerställa att alla ordrar kan plockas.

- Traditionellt sett har arbetet skett helt manuellt, men genom att använda oss av Machine Learning kan vi idag får större träffsäkerhet och noggrannhet än när en människa gör prognosen efter eget huvud, berättar Johannes Gustafson, Sales Manager Data Analytics på Orango.

Förutspå ditt personalbehov med Machine Learning

Tekniken Johannes pratar om är sprungen ur ett avslutat forskningsprojekt på Jönköping University. Sedan en tid tillbaka ingår den i en Orangos erbjudande i form av en färdigpaketerad Machine Learning-lösning för bemanningsplanering. Lösningen har fått namnet Rostering efter de tuffa laguttagningar som sker i sportens värld.

Många lager har idag ett visst antal fastanställda. Sedan hyrs ett antal orderplockare in beroende på hur behovet ser ut för dagen. Som Johannes ser det är det framförallt på den inhyrda personalen som den stora kostnadsbesparingen kan göras:

- För att en investering i Machine Learning ska bli lönsam brukar vi säga att lagret ska ha en personalstyrka på 50 personer eller mer. Då visar statistiken att företaget kan spara in 5–10 procent på den personal som behöver hyras i och med att företaget inte riskerar att hyra in för många.

Ju bättre data desto bättre resultat

En förutsättning för att du ska få ett träffsäkert utfall är att den data som finns i affärssystemet är av hög kvalitet. Den behöver vara kvalitetssäkrad och strukturerad, men det är också viktigt att den är tillräckligt omfattande. Allra helst ska historiken sträcka sig två år tillbaka i tiden eller mer.

- Machine Learning handlar om att algoritmen lär sig och blir bättre över tid. Därför blir utfallet bättre ju mer data du har. Med historisk data som sträcker sig två år tillbaka i tiden får vi en träffsäkerhet på 97-98 procent, förutsatt att det inte har skett några stora förändringar i verksamheten under tiden. I och med att det alltid finns ett facit i form av den faktiska orderingången är det lätt att backtesta hur bra algoritmerna fungerar på just din data och hur hög träffsäkerheten är.

Bygg ut systemet med fler faktorer för högre precision

Bemanningsplanering baserad på Machine Learning handlar inte om att låta tekniken göra hela jobbet. Istället bör användaren se prognoserna som ett beslutsunderlag. Säsongsbundna variationer kartläggs med stor tillförlitlighet, men för att kunna förutspå behovet inför stora shoppingdagar som Black Friday eller i samband med tillfälliga kampanjer behöver tekniken kompletteras med mänsklig erfarenhet.

- Däremot kan systemet byggas ut med ytterligare parametrar för att ta hänsyn till fler faktorer som kan ha betydelse för verksamheten, till exempel de individuella orderplockarnas effektivitet, trender i sjukfrånvaro, väder eller valutakurser. När du väl har kommit igång med din Machine Learning-lösning finns det ingen gräns för hur mycket data du kan plocka in för att få högre precision i dina kalkyler.

En annan faktor som man behöver vara uppmärksam på är om företaget har haft så stor tillväxt eller har gjort så stora förändringar att orderhistoriken blir irrelevant. I vissa fall går det att lösa problemet genom att lägga till statistiskt säkerställd procentuell tillväxt som en parameter, eller ha tillväxten i åtanke när resultaten ska tolkas.

Fortfarande en konkurrensfördel

Johannes bedömning är att intresset för AI och Machine Learning är stort och att fler företag får upp ögonen för tekniken. För den som är nyfiken på Machhine Learning tycker han att prognostisering för lagerbemanning är ett bra ställe att börja på eftersom det är lätt att kontrollera utfallet och för att det är en snabb ROI. Sedan finns det ingenting som hindrar användaren från att hitta nya användningsområden och lägga på fler parametrar efter hand.

- Vi har bara sett början på vad vi kan åstadkomma med hjälp av Machine Learning. Än så länge är tekniken en konkurrensfördel för den som ligger i framkant, men så kommer det inte alltid att vara. Man får inte glömma att elektricitet har varit en konkurrensfördel en gång i tiden. Idag är det en självklarhet. Det kommer Machine Learning också att bli.

Johannes 3 tips för lyckad bemanningsoptimering

  1. Machine Learning kräver stora datamängder. Allra helst ska historiken sträcka sig två år tillbaka i tiden eller mer.
  2. Din data måste vara kvalitetssäkrad och strukturerad.
  3. Både företaget och den som levererar tjänsten behöver ha god förståelse för verksamheten.

Kontakta mig!

Kontaktperson

Johannes Gustafson2
Johannes Gustafson
Telefonnummer: 0766-32 06 03

Genom att skicka formuläret samtycker du till vår Privacy Policy.